Перейти к содержимому
    EO
    Методология

    «Видимость в AI-системах – не магия и не лотерея. Это инженерная задача.»

    GEO-модель Орлова

    Научно структурированная методология внедрения видимости бренда в генеративных AI-системах

    Версия 1.0Апрель 2026DSRM + SME + SSM100+ источников

    ЧАСТЬ I: ФУНДАМЕНТ

    1. Executive Summary

    GEO-модель Орлова - первая научно структурированная методология внедрения видимости бренда в генеративных AI-системах (ChatGPT, Perplexity, Google AI Overviews, Gemini, Яндекс Нейро/Алиса AI, GigaChat).

    Методология решает системную проблему: AI-поиск уже обслуживает миллиарды запросов (ChatGPT - 2,5 млрд промптов/день, Google AI Overviews - 2 млрд пользователей/месяц, Яндекс Алиса AI - 80 млн пользователей), но ни одна существующая методология не покрывает полный цикл внедрения GEO с модульной архитектурой, отраслевой адаптацией, измерительной рамкой и поддержкой российского рынка.

    Ключевые тезисы

    1. Рынок AI-поиска реален, но переоценён в масштабах. Органический трафик снизился лишь на 2,5% YoY (Graphite/Similarweb, 40 000 сайтов), не на «55%» или «25%» как утверждают агентства. Прогноз Gartner о 25% падении к 2026 не подтвердился - объём поисков Google вырос на 21,6%. GEO - стратегическое дополнение к SEO, не замена.

    2. Каждая платформа цитирует по-своему. 86% топовых источников не совпадают между ChatGPT, Perplexity и Google AI (Ahrefs). Яндекс Нейро использует ровно 5 документов из собственного поискового индекса. Единая стратегия «оптимизации под AI» не существует - нужна платформо-специфичная адаптация.

    3. Бренд-упоминания превосходят бэклинки. Корреляция бренд-упоминаний с AI-видимостью - 0,664 (Ahrefs, 75K брендов). Корреляция бэклинков - лишь 0,218. YouTube-присутствие показывает сильнейшую корреляцию - 0,737. Это категориально другие факторы, чем в традиционном SEO.

    4. Отраслевой контекст определяет жизнеспособность. Healthcare - 88% покрытие AI Overviews. B2B Tech - 82%. E-commerce - 18,5% и снижается. Finance - 17,9%, наивысшая волатильность. Универсальных GEO-рецептов не существует.

    5. Измерение возможно, но незрело. 8 GEO-метрик определены, 12+ инструментов на рынке (Profound - $1B единорог). Фундаментальная проблема атрибуции не решена: 60% поисков - zero-click, большинство AI-влияния невидимо для аналитики.

    Elevator Pitch

    GEO-модель Орлова - первая модульная методология внедрения GEO с отраслевой адаптацией и измерительной рамкой, покрывающая и западный, и российский рынок. Построена на DSRM-архитектуре с 8 блоками верифицированных исследований. Даёт воспроизводимый процесс: от диагностики текущей AI-видимости до измерения ROI, с явной маркировкой того, что работает (уверенность 7+/10), что требует проверки (5-6), и что остаётся спекулятивным (<5).

    Уверенность: 8/10 - основана на крупнейших эмпирических исследованиях (Ahrefs 75K брендов, BrightEdge 9 отраслей, Princeton KDD 2024), но поле быстро меняется и 40-60% цитирований дрифтуют ежемесячно.

    2. Problem Definition (DSRM - Этап 1)

    2.1 Формулировка проблемы

    Генеративные AI-системы трансформировали информационный поиск: вместо списка ссылок пользователь получает синтезированный ответ с выборочным цитированием источников. Для бизнеса это создаёт новый канал обнаружения (AI-поиск), который растёт экспоненциально (AI-реферальный трафик +357% YoY), но для которого не существует системной методологии внедрения.

    Текущее состояние:

    • Академия дала бенчмарк (Princeton GEO, KDD 2024: до +40,9% видимости через quotation addition, +30,6% через statistics, +27,5% через cite sources), но не дала методологию внедрения
    • Агентства продают тактические списки без научного обоснования, с конфликтами интересов в ROI-данных
    • Инструменты мониторят видимость, но не предоставляют процесс её достижения
    • Российский рынок полностью игнорируется: Яндекс Нейро, GigaChat, 152-ФЗ, Хабр/VC.ru не покрыты ни одним фреймворком

    Уверенность: 9/10 - gap-анализ верифицирован по 8+ существующим фреймворкам.

    2.2 CATWOE-анализ

    ЭлементОписание
    C - CustomersCMO/Head of Marketing в tech-компаниях, SaaS, профессиональных услугах и e-commerce (50-500 человек). Вторичная аудитория: SEO-специалисты, контент-маркетологи, digital-агентства, стратегические консультанты. Российские и международные компании.
    A - ActorsMarketing-команда (контент-менеджеры, SEO-специалисты, аналитики). Внешние: GEO-агентства, freelance-специалисты. Для российского рынка: специалисты по Яндекс SEO и Яндекс Метрике.
    T - TransformationINPUT: Бренд с неизвестной/нулевой AI-видимостью, отсутствие процесса оптимизации, зависимость исключительно от традиционного SEO → OUTPUT: Бренд с измеримой AI-видимостью на 3+ платформах, воспроизводимый процесс мониторинга и оптимизации, data-driven решения на основе GEO-метрик, понимание ROI AI-канала
    W - WeltanschauungAI-поиск - не замена традиционного SEO, а стратегическое дополнение. Органический трафик снизился лишь на 2,5% - SEO остаётся фундаментом. GEO - это insurance policy и growth vector одновременно. Честность о неопределённости (что работает, что спекулятивно) укрепляет, а не ослабляет методологию.
    O - OwnerCEO/CMO, который распределяет маркетинговый бюджет. Может остановить внедрение, если ROI не очевиден в течение 3-6 месяцев. Ключевой риск: GEO-бюджет конкурирует с проверенным SEO/PPC-бюджетом.
    E - EnvironmentБыстро меняющийся ландшафт: 40-60% цитирований дрифтуют ежемесячно. Платформы обновляют алгоритмы без предупреждения. Российский рынок: ChatGPT заблокирован (VPN 37-41%), 152-ФЗ ужесточён. GEO-инструменты незрелы - Profound стал единорогом только в феврале 2026. Конверсионные данные противоречивы (p=0,794 в единственном статистически строгом исследовании).

    Уверенность: 8/10

    2.3 Текущее состояние (что не работает)

    Существующие подходы к GEO страдают от семи системных проблем:

    1. Отсутствие модульности. Все фреймворки - монолитные чеклисты. Нельзя взять часть и адаптировать под свой контекст. Нет method fragments.
    1. Нет отраслевой адаптации. «Оптимизируйте контент под AI» - одинаковый совет для healthcare (88% AIO coverage) и finance (17,9%). Это как давать одну SEO-стратегию для Wikipedia и для интернет-магазина.
    1. Нет измерительной рамки. Агентства обещают «AI-видимость», но не определяют: какие метрики, какими инструментами, с какой частотой, с какими целевыми значениями.
    1. Нет валидационного плана. Ни один фреймворк не описывает, как проверить, что методология работает. Нет критериев успеха, нет процедуры ретроспективы.
    1. Конфликты интересов не маркированы. ROI-данные (27×, 23×, 3233%) приходят от агентств, продающих GEO-услуги. Единственное статистически строгое исследование (Amsive, n=54, парный t-тест) показало p=0,794 - нет значимой разницы.
    1. Российский рынок игнорируется. Яндекс Нейро с 80 млн пользователей, GigaChat с Deep Research и цитированиями, 152-ФЗ, Geometrika, Хабр/VC.ru как платформы авторитетности - всё это за пределами любого существующего фреймворка.
    1. Нет научной структуры. Ни один фреймворк не использует DSRM, SME или другие мета-методологические инструменты. Результат: невоспроизводимость, субъективность, невозможность систематического улучшения.

    📌 Резюме этапа 1: Рынок AI-поиска реален и растёт, но существующие подходы к GEO - это тактические списки без научного обоснования, модульности, отраслевой адаптации и измерительной рамки. Gap особенно критичен для российского рынка, полностью игнорируемого.

    3. Objectives (DSRM - Этап 2)

    3.1 Измеримые цели (SMART)

    #ЦельМетрикаЦелевое значениеСрокУверенность
    O-1Обеспечить измеримую AI-видимость бренда на целевых платформахBrand Visibility Rate (% промптов с упоминанием бренда)Baseline → +30% за 6 месяцев6 мес. от старта7/10
    O-2Создать воспроизводимый процесс GEO-оптимизацииConsistency Score: разные исполнители достигают схожих результатов (±15%)≥85% согласованность между исполнителямиПри пилотировании6/10 ⚠️
    O-3Установить систему измерения GEO-эффективностиКоличество отслеживаемых GEO-метрик в дашборде≥5 из 8 определённых метрик2 мес. от старта8/10
    O-4Адаптировать стратегию под конкретную отрасльИспользование отраслевой матрицы адаптации100% покрытие 6 целевых отраслейПри релизе v1.08/10
    O-5Покрыть российский рынок наравне с глобальнымКоличество Россия-специфичных method fragments≥5 фрагментов (Яндекс Нейро, GigaChat, 152-ФЗ, платформы, инструменты)При релизе v1.07/10

    3.2 Success Criteria

    Методология считается работающей, если:

    1. Visibility lift: Бренд, применивший полный цикл методологии, показывает измеримый рост Brand Visibility Rate на ≥1 AI-платформе в течение 6 месяцев. Базовая линия: лучшая стратегия Princeton (quotation addition) показала +40,9% PAWC в лабораторных условиях; реалистичная цель в production - +15-30%. Уверенность: 7/10.
    1. Reproducibility: Два разных специалиста, следуя method fragments, приходят к схожей стратегии для одного и того же клиента (≥80% совпадение по ключевым решениям). Уверенность: 6/10 ⚠️ - требует пилотного тестирования.
    1. Measurement capability: Организация способна отслеживать ≥5 GEO-метрик с ежемесячной каденцией в течение 3+ месяцев. Уверенность: 8/10.
    1. Decision quality: Стратегические решения (какие платформы приоритизировать, какой контент создавать) основаны на данных из измерительной рамки, а не на интуиции. Уверенность: 7/10.

    📌 Резюме этапа 2: Методология нацелена на пять измеримых целей с явными KPI. Ключевой риск - воспроизводимость (O-2, уверенность 6/10): GEO - молодое поле с высокой субъективностью, и method fragments должны максимально снижать зависимость от экспертизы конкретного исполнителя.

    4. Method Design (DSRM - Этап 3)

    4.1 Архитектура методологии

    GEO-модель Орлова состоит из шести последовательных фаз, организованных в два контура: Контур внедрения (фазы 1-4, однократный) и Контур оптимизации (фазы 5-6, циклический).

    ┌─────────────────────────────────────────────────────────┐
│              КОНТУР ВНЕДРЕНИЯ (однократный)              │
│                                                         │
│  ┌──────────┐   ┌──────────┐   ┌──────────┐   ┌──────────┐ │
│  │ Фаза 1   │──▶│ Фаза 2   │──▶│ Фаза 3   │──▶│ Фаза 4   │ │
│  │ДИАГНОСТИ-│   │СТРАТЕГИЯ │   │КОНТЕНТ & │   │ТЕХНИЧЕС- │ │
│  │КА        │   │          │   │ДИСТРИБУ- │   │КАЯ       │ │
│  │          │   │          │   │ЦИЯ       │   │ИНФРА-    │ │
│  │          │   │          │   │          │   │СТРУКТУРА │ │
│  └──────────┘   └──────────┘   └──────────┘   └──────────┘ │
│       │                                              │      │
│       ▼                                              ▼      │
│  AF-01: GEO     AF-03: GEO     AF-05: Контент   AF-07:    │
│  Diagnostic     Strategy       Plan              Tech      │
│  Report         Canvas                           Audit     │
└─────────────────────────────────────────────────────────┘
                           │
                           ▼
┌─────────────────────────────────────────────────────────┐
│            КОНТУР ОПТИМИЗАЦИИ (циклический)              │
│                                                         │
│  ┌──────────┐   ┌──────────┐                            │
│  │ Фаза 5   │◀─▶│ Фаза 6   │ ◀── ежемесячный цикл     │
│  │ИЗМЕРЕНИЕ │   │ИТЕРАЦИЯ  │                            │
│  │& МОНИТО- │   │& АДАПТА- │                            │
│  │РИНГ      │   │ЦИЯ       │                            │
│  └──────────┘   └──────────┘                            │
│       │                                                  │
│       ▼                                                  │
│  AF-08: GEO     AF-09: GEO                              │
│  Dashboard      Retrospective                            │
└─────────────────────────────────────────────────────────┘

    Уверенность в архитектуре: 8/10

    4.2 Обоснование шестифазной структуры

    Рассмотрены три альтернативных подхода:

    ПодходОписаниеПреимуществаНедостаткиУверенность
    A: Линейный 4-фазныйAudit → Plan → Execute → MeasureПростой, понятныйНет цикличности, нет разделения стратегии и исполнения5/10
    B: Двухконтурный 6-фазный (выбран)Внедрение (4 фазы) + Оптимизация (2 фазы, циклические)Разделяет однократные и повторяющиеся действия. Отражает реальность: GEO требует непрерывной адаптации (40-60% дрифт/мес.)Сложнее линейного8/10
    C: Agile-спринтовый2-недельные спринты с backlogГибкостьНе подходит для стратегического планирования, перегружает малые команды4/10

    Выбран подход B потому что: GEO - не проект с конечной точкой, а непрерывная практика. Двухконтурная модель отражает это: Контур внедрения запускается один раз, Контур оптимизации работает постоянно. Это критическое отличие от агентских «10-step frameworks», которые заканчиваются на «execute» и не описывают итерационный цикл.

    4.3 Шесть фаз - краткое описание

    Фаза 1: ДИАГНОСТИКА - Где бренд сейчас? Аудит текущей AI-видимости на целевых платформах. Определение baseline по 8 метрикам. Анализ конкурентной AI-видимости. Оценка технической готовности (schema, crawlability). Результат: AF-01 GEO Diagnostic Report.

    Фаза 2: СТРАТЕГИЯ - Что делать и в каком порядке? Выбор целевых платформ на основе отраслевой матрицы. Определение приоритетных типов контента. Выбор инструментов мониторинга. Бюджетирование. Результат: AF-03 GEO Strategy Canvas.

    Фаза 3: КОНТЕНТ & ДИСТРИБУЦИЯ - Создание и размещение GEO-оптимизированного контента. Оптимизация существующего контента по 9 стратегиям Princeton (из которых 6 рекомендованных: cite sources, statistics, quotations, fluency, technical terms, authoritative tone; keyword stuffing показал отрицательный результат −8,3%). Создание нового контента под AI-цитирование. Дистрибуция на авторитетных платформах. Результат: AF-05 Content Plan + AF-06 Distribution Map.

    Фаза 4: ТЕХНИЧЕСКАЯ ИНФРАСТРУКТУРА - Настройка технического фундамента. Schema.org разметка (Article, FAQ, Organization, Product, Person). Мониторинг AI-краулеров (GPTBot, ClaudeBot, PerplexityBot). Настройка GA4 для AI-реферального трафика. Robots.txt стратегия. Результат: AF-07 Technical Audit & Implementation.

    Фаза 5: ИЗМЕРЕНИЕ & МОНИТОРИНГ - Ежемесячный трекинг по 8 GEO-метрикам. Дашборд с Brand Visibility Rate, Citation Frequency, Share of Voice, AI Referral Traffic, Entity Recognition Score, Citation Position, Citation Sentiment, Server Log Analysis. Результат: AF-08 GEO Dashboard.

    Фаза 6: ИТЕРАЦИЯ & АДАПТАЦИЯ - Ежемесячная/ежеквартальная ретроспектива. Анализ citation drift. Корректировка стратегии на основе данных. Адаптация к изменениям платформ. Результат: AF-09 GEO Retrospective.

    📌 Резюме этапа 3: Архитектура двухконтурная - 4 фазы внедрения + 2 фазы циклической оптимизации. Это отражает ключевой инсайт исследования: GEO - непрерывная практика с 40-60% дрифтом цитирований ежемесячно, а не одноразовый проект.

    ЧАСТЬ II: METHOD FRAGMENTS

    5. Process Fragments (Что делать)

    PF-01: AI Visibility Audit

    АтрибутЗначение
    IDPF-01
    Фаза1 - Диагностика
    ЦельОпределить текущий уровень AI-видимости бренда на целевых платформах и установить baseline
    Входные данныеНазвание бренда, список 15-30 целевых запросов (категорийных, не брендовых), список 3-5 конкурентов
    Шаги1. Сформировать набор промптов: 15-30 запросов типа «Какой лучший [категория] для [use case]?», «Сравни [категория] инструменты для [задача]» - запросы, на которые целевая аудитория ищет ответы через AI. 2. Протестировать каждый промпт на: ChatGPT (бесплатный + Plus), Perplexity, Google AI Mode / AI Overviews, Gemini. Для российского рынка: Яндекс Нейро/Алиса AI, GigaChat. 3. Для каждого ответа зафиксировать: упомянут ли бренд (да/нет), процитирован ли URL (да/нет), позиция в ответе (начало/середина/конец), тональность упоминания (позитивная/нейтральная/негативная), точность информации о бренде. 4. Рассчитать baseline-метрики: Brand Visibility Rate = (ответы с упоминанием / общее количество промптов) × 100%. 5. Повторить шаги 2-4 для каждого конкурента. 6. Провести Entity Recognition Test: задать каждой платформе «Расскажи о [Бренд]» и оценить точность ответа по 5-балльной шкале.
    Выходные данныеAF-01: GEO Diagnostic Report с baseline-метриками, конкурентной картой, entity recognition scores
    Критерии завершенияBaseline установлен для ≥4 платформ, ≥15 промптов протестировано, ≥3 конкурента проанализированы
    Время8-16 часов (ручной аудит) или 2-4 часа (с инструментами типа Otterly/Profound)
    КомпетенцииSEO-аналитик или маркетолог; базовое владение AI-платформами
    ОбязательностьMandatory
    ЗависимостиНет (входная точка)

    Уверенность: 8/10

    PF-02: Industry Context Mapping

    АтрибутЗначение
    IDPF-02
    Фаза1 - Диагностика
    ЦельОпределить отраслевой контекст и выбрать адаптационный профиль
    Входные данныеОтрасль компании, целевая аудитория (B2B/B2C), регулятивные требования
    Шаги1. Определить отрасль по матрице адаптации (см. AF-02). 2. Зафиксировать AI Overview coverage для отрасли (по данным BrightEdge): Healthcare 88%, Education 85,2%, B2B Tech 82%, Рестораны 78%, Страхование 63%, Развлечения 45,9%, Travel 36,9%, E-Commerce 18,5%, Finance 17,9–21% (17,9% сент. 2025, 21% дек. 2025 - быстрый рост; тикерные запросы структурно снижают среднее). 3. Определить YMYL-статус: если Healthcare/Finance/Legal - активировать усиленные E-E-A-T требования. 4. Определить доминирующий тип контента для отрасли: B2B SaaS - продуктовый контент (46-70% цитирований), Professional Services - LinkedIn-контент (89K URL цитируются), Healthcare - рецензированная литература с врачебной атрибуцией, E-Commerce - сравнительные страницы с Product schema. 5. Определить платформенные приоритеты: Для B2B - ChatGPT + Perplexity + LinkedIn. Для e-commerce - Google AI Overviews + ChatGPT Shopping. Для российского рынка - Яндекс Нейро + GigaChat + ChatGPT (через VPN).
    Выходные данныеAF-02: Industry Adaptation Profile
    Критерии завершенияОтраслевой профиль заполнен, платформенные приоритеты определены, YMYL-статус зафиксирован
    Время2-4 часа
    КомпетенцииМаркетолог/стратег с пониманием отрасли клиента
    ОбязательностьMandatory
    ЗависимостиPF-01 (для валидации отраслевых данных по реальным промптам)

    Уверенность: 8/10

    PF-03: Platform Strategy Selection

    АтрибутЗначение
    IDPF-03
    Фаза2 - Стратегия
    ЦельОпределить целевые AI-платформы и приоритизировать усилия
    Входные данныеAF-01 (Diagnostic Report), AF-02 (Industry Adaptation Profile), бюджет
    Шаги1. Оценить каждую платформу по трём осям: (a) Релевантность для аудитории - где целевая аудитория ищет ответы? B2B: ChatGPT (94% покупателей используют LLM) + Perplexity. B2C: Google AI Overviews + ChatGPT Shopping. Россия: Яндекс Алиса AI (80M пользователей) + GigaChat. (b) Текущая видимость - данные из PF-01 (где бренд уже видим vs где нет). (c) Цитатная механика - ChatGPT: легко упоминает, но ссылки даёт лишь в 2 из 10 случаев. Perplexity: реже упоминает, но 5+ цитирований на ответ. Google AIO: 2,5× больше упоминаний брендов, чем ChatGPT. Яндекс Нейро: ровно 5 документов, из собственного индекса. 2. Категоризировать платформы: Tier 1 (Primary) - 2-3 платформы, максимум усилий. Tier 2 (Secondary) - 1-2 платформы, базовое покрытие. Tier 3 (Monitor) - остальные, только отслеживание. 3. Для каждой Tier 1 платформы определить: контентную стратегию, инструмент мониторинга, целевые метрики, бюджет.
    Выходные данныеAF-03: GEO Strategy Canvas (часть - Platform Priorities)
    Критерии завершенияTier 1/2/3 определены, для каждой Tier 1 - контентная стратегия и метрики
    Время4-8 часов
    КомпетенцииМаркетинг-стратег + SEO-аналитик
    ОбязательностьMandatory
    ЗависимостиPF-01, PF-02

    Уверенность: 7/10 - приоритизация платформ зависит от быстро меняющегося ландшафта; рекомендуется пересмотр каждые 3 месяца.

    PF-04: Content Optimization (Princeton-based)

    АтрибутЗначение
    IDPF-04
    Фаза3 - Контент & Дистрибуция
    ЦельОптимизировать существующий и новый контент для AI-цитирования
    Входные данныеAF-03 (Strategy Canvas), существующий контент-аудит, целевые промпты из PF-01
    Шаги1. Приоритизация контента. Выбрать 10-20 страниц с наивысшим потенциалом: страницы из топ-10 Google (38% AIO-цитирований приходят из топ-10 по данным Ahrefs, февраль 2026; ранее 76% в июле 2025 - показатель резко снизился после перехода на Gemini 3), страницы с existing brand mentions, сравнительные/listicle-страницы (32,5% AI-цитирований). 2. Применить 3 топовые Princeton-стратегии (эффективность подтверждена KDD 2024, n=10 000 запросов): (a) Cite Sources (+27,5% PAWC, Aggarwal et al. Table 1): добавить 3-5 ссылок на рецензированные/авторитетные источники в каждую статью. (b) Statistics Addition (+30,6% PAWC): добавить количественные данные с источниками (не «значительный рост», а «рост на 47% по данным [Источник], 2025»). (c) Quotation Addition (+40,9% PAWC - сильнейшая из 9 стратегий): добавить 2-3 цитаты отраслевых экспертов или исследований. 3. Применить дополнительные стратегии по приоритету: Fluency Optimization (+29% PAWC), Technical Terms (+18% PAWC), Authoritative Tone (+12% PAWC) - значения из Table 1 оригинальной статьи, округлённые. 4. Структурная оптимизация: контент 2000+ слов (руководства 3000+ получают 3× больше цитирований), comparative lists (32,5% цитирований), FAQ-формат, таблицы сравнений, чёткая H2/H3 иерархия. 5. Контент-формат по отрасли (из PF-02): B2B SaaS: feature comparison с ItemList schema + product spec pages. Healthcare: peer-reviewed citations + MedicalWebPage schema + врачебная атрибуция. Finance: Investopedia-style образовательный контент (Investopedia доминирует в финансовых AIO-цитированиях - точный % не верифицирован независимо). E-commerce: Product schema + buying guides + «Best [product] for [use case]» listicles. 6. Для LinkedIn (домен №2 по AI-цитируемости): статьи 500-2000 слов, публикация 5+ раз в 4 недели, образовательный контент (54-64% цитируемых постов), модерация ожиданий по вовлечённости (наиболее цитируемые посты имеют 15-25 реакций).
    Выходные данныеAF-05: Content Optimization Plan с конкретными изменениями для каждой страницы
    Критерии завершения≥10 страниц оптимизированы по ≥3 Princeton-стратегиям, структурные требования выполнены
    Время20-40 часов (зависит от объёма существующего контента)
    КомпетенцииКонтент-специалист + SEO-аналитик; для Healthcare/Finance - доменный эксперт
    ОбязательностьMandatory
    ЗависимостиPF-02, PF-03

    Уверенность: 7/10 - Princeton-стратегии подтверждены в лабораторных условиях (KDD 2024), но production-эффективность может отличаться. Лучшая комбинация (Fluency + Statistics) даёт +35,8% PAWC - на 5,5 п.п. выше лучших одиночных стратегий на той же выборке (Figure 4, уменьшенная выборка 200 примеров; не сопоставимо напрямую с Table 1).

    PF-05: Russian Market Adaptation

    АтрибутЗначение
    IDPF-05
    Фаза2-3 (параллельно со стратегией и контентом)
    ЦельАдаптировать GEO-стратегию под российский рынок
    Входные данныеAF-02 (Industry Profile), целевая аудитория, регуляторные требования
    Шаги1. Яндекс Нейро/Алиса AI оптимизация: Понять 5-этапный пайплайн (переформулировка → поиск → извлечение текста → отбор 5 документов → генерация). Оптимизация стандартного Яндекс SEO напрямую влияет на AI-цитирование (Нейро использует поисковый индекс Яндекса). Мониторинг через Яндекс Вебмастер + Geometrika. Поддержка schema: Microdata, JSON-LD, RDFa - приоритет Article, FAQ, Organization, Product, Person. 2. GigaChat оптимизация: Тестирование бренд-видимости через giga.chat и Telegram-бот. Deep Research - мультиисточниковый анализ с цитированиями (появился в GigaChat 2.0). Контент на Хабре и VC.ru индексируется GigaChat. 3. Дистрибуция на российских платформах: Habr.com - для tech/IT контента (Яндекс Нейро цитирует Хабр как авторитетный источник). VC.ru - для бизнес/стартап/маркетинг контента. Дзен - интегрирован с Яндекс, данные влияют на ИКС. Отзовик/iRecommend - для UGC-сигналов в продуктовых/сервисных запросах. 4. Регуляторный комплаенс (152-ФЗ): Хранение и обработка персональных данных граждан РФ - на российских серверах. Яндекс Метрика - безопасный выбор для аналитики. GA4 - комплаенс под вопросом, юридическая консультация обязательна. Иностранные GEO-инструменты (Peec AI и др.) - проверить на соответствие 152-ФЗ. 5. VPN-аудитория: ChatGPT заблокирован, но значительная часть россиян используют VPN (оценки 37-41%, точные данные варьируются по источникам). B2B/IT-аудитория - вероятно выше. ChatGPT-оптимизация имеет значение для российского рынка, несмотря на блокировку.
    Выходные данныеAF-04: Russian Market GEO Supplement (дополнение к основной стратегии)
    Критерии завершенияСтратегия по Яндекс Нейро и GigaChat определена, дистрибуционные платформы выбраны, 152-ФЗ комплаенс проверен
    Время8-16 часов
    КомпетенцииСпециалист по Яндекс SEO/маркетингу, понимание 152-ФЗ
    ОбязательностьMandatory для российского рынка; Optional для глобальных компаний без российского присутствия
    ЗависимостиPF-02

    Уверенность: 7/10 - Яндекс Нейро пайплайн документирован Яндексом (Сюткин), но точные веса факторов ранжирования для AI-отбора не опубликованы.

    PF-06: GEO Measurement Setup

    АтрибутЗначение
    IDPF-06
    Фаза4-5 (Техническая инфраструктура + Измерение)
    ЦельНастроить систему измерения GEO-эффективности
    Входные данныеAF-03 (Strategy Canvas), бюджет на инструменты
    Шаги1. GA4: настройка AI-реферального канала. Создать Custom Channel Group: source matching regex для chatgpt\.com, perplexity\.ai, claude\.ai, gemini\.google\.com, copilot\.microsoft\.com. Для российского рынка: referrer от Яндекс Нейро и GigaChat (если передаётся). Ограничение: большинство ChatGPT-пользователей копируют URL → трафик классифицируется как Direct. 2. Выбор GEO-инструмента по бюджету: Бесплатно: HubSpot AEO Grader (начальная диагностика). €20-89/мес: Rankscale, Otterly.AI (Gartner Cool Vendor), Superlines. €80+/мес: Geometrika (включая Яндекс Нейро). $199-699/мес: Ahrefs Brand Radar (243M+ промптов, 6 платформ). $295+/мес: AthenaHQ (Shopify-интеграция для e-commerce). $2000+/мес: Profound (400M+ разговоров, Enterprise). 3. Настройка 8 GEO-метрик (по иерархии надёжности): Tier 1 (надёжные): AI Referral Traffic (GA4), Citation Frequency (тренд). Tier 2 (умеренно надёжные): Share of Voice, Citation Sentiment, Server Log Analysis. Tier 3 (направленные): Conversion Rates, Citation Position, Entity Recognition. Tier 4 (спекулятивные): Composite AI Visibility Scores. 4. Server log monitoring: Настроить отслеживание AI-краулеров: GPTBot, ChatGPT-User, OAI-SearchBot, ClaudeBot, PerplexityBot, Google-Extended, Meta-ExternalAgent. Высокая частота сканирования = потенциально лучшая видимость. 5. Прокси-методы атрибуции: Branded search correlation (необъяснимые спайки → возможное AI-влияние). «Как вы о нас узнали?» опросы с AI-опциями. Direct traffic анализ (рост новых пользователей на информационных страницах).
    Выходные данныеAF-08: GEO Dashboard (настроенный и работающий)
    Критерии завершенияGA4 настроен, ≥1 GEO-инструмент подключён, ≥5 из 8 метрик отслеживаются, первый baseline-отчёт создан
    Время8-16 часов (первоначальная настройка)
    КомпетенцииWeb-аналитик + маркетолог
    ОбязательностьMandatory
    ЗависимостиPF-01 (baseline), PF-03 (целевые платформы)

    Уверенность: 8/10 - техническая настройка хорошо документирована; ограничение - фундаментальная проблема атрибуции zero-click не решена и не может быть решена на уровне методологии.

    Полный доступ к GEO-методологии

    Введите email чтобы открыть полную методологию: 8 Process Fragments, шаблоны, глоссарий и 3 приложения

    — или мгновенно по email —

    Без спама. Только экспертный контент.