Это третья, финальная часть. В первой части был концепт: почему нейровыдача уже наступила, почему в ней нет ранжирования по бюджету и в чём тут конёк малого бизнеса. Во второй — смыслы: почему нейросети нечего пересказать, если ценность живёт только в голове собственника, и почему накрутка отваливается сама.

А здесь — самое приземлённое. Никакой философии, только то, что можно взять и в понедельник начать делать руками: как резать страницу под чанки, какой JSON-LD писать, какие боты пускать на сайт, как честно замерить цитируемость и как поймать переходы в Метрике и GA. То есть форма, в которую упаковывается уже сформулированная ценность. Если ценности нет, форма не спасёт — об этом была вторая часть.

Часть 1 — GEO — эпоха продвижения в нейросетях уже наступила

Часть 2 — Как принудить нейросеть рассказать про ваш продукт

Часть 3 — Вы сейчас здесь

Краткое содержание

ИИ видит не страницу целиком, а отдельные чанки — поэтому режьте текст на самодостаточные блоки, где один подзаголовок отвечает на один вопрос, а стыки подстрахованы оверлапом. Микроразметка Schema.org работает как этикетка для машины: сшивайте автора и организацию через @id, а текст разметки держите совпадающим с тем, что видно на странице. В robots.txt не отсекайте ретривал-ботов — именно через них вы попадаете в нейровыдачу; обучающих закрывать можно, на видимость это не влияет. Цитируемость меряется не одним прогоном, а серией — с гашением персонализации и доверительным интервалом, и смотреть надо динамику, а не точный процент. Переходы ловятся по реферал-доменам ИИ-сервисов и серверным логам, а не по UTM. И сквозной вывод всей серии: техника — это гигиенический минимум, который делает уже существующую ценность видимой для ИИ, но не создаёт её на пустом месте.

Чанкование: как ИИ на самом деле видит вашу страницу

Сначала механика, без неё дальше не будет понятно. ИИ не читает вашу страницу сверху вниз, как человек, от заголовка до финала. Пайплайн, грубо говоря, такой:

Краулер забирает HTML и чистит его от разметки до текста.
Текст режется на фрагменты — их и называют чанками.
Каждый чанк прогоняется через эмбеддинг-модель и превращается в вектор — точку в многомерном пространстве смыслов.
Векторы складываются в индекс.
Приходит запрос пользователя — ретривер ищет ближайшие по смыслу векторы и отдаёт модели два-три-пять самых релевантных чанков. И уже по ним, а не по всей странице, модель формулирует ответ.

То есть в контекст модели попадает не ваша статья целиком, а горстка выдернутых кусочков. И вот отсюда растёт всё остальное: чанк — это единица, которой оперирует нейросеть, и если ваш текст — сплошное полотнище без структуры, из него тяжело выдернуть чистый ответ.

Что такое оверлап и зачем страница режется внахлёст

Оверлап (overlap) — это когда при нарезке соседние чанки берутся с перекрытием: конец предыдущего фрагмента дублируется в начале следующего. Зачем это надо: представьте, что важная мысль оказалась ровно на границе реза — первая половина в одном чанке, вторая в другом. Без нахлёста первый чанк обрывается на полуслове, второй начинается без подлежащего — и в индекс попадают два огрызка, каждый из которых сам по себе смысла не несёт. Оверлап в 10-20% эту границу страхует: спорное предложение целиком попадает и туда, и туда.

Важный и не самый очевидный момент: сам чанкер вас не слушается, и как именно резать, каким окном (объёмом контекст), с каким оверлапом — решает провайдер (у OpenAI, Perplexity, Алисы и пр. свои пайплайны, и они их не публикуют). Вы не управляете тем, как режут, но вы можете повлиять на то, насколько чисто это можно сделать. То есть ваша задача — подать текст так, чтобы любой разумный рез попадал по швам между законченными мыслями, а не поперёк них. А швы — это подзаголовки, короткие абзацы, списки, одна идея на блок.

Самодостаточный блок и ориентиры по длине

Чанк — это завершённая смысловая идея, которую можно вырвать из контекста всей статьи, и она всё равно останется осмысленной. Отдельный фрагмент, который отвечает на отдельный вопрос пользователя и может существовать сам по себе.

Отсюда практические следствия:

Снимайте висячие ссылки на контекст. Формулировки вида “как мы писали выше”, “вернёмся к пункту 1”, “об этом ниже” — для человека воспринимаются так себе, а для чанка это смерть: он вырывается из статьи и повисает без опоры. Лучше повториться, продублировать мысль по второму разу, но закрыть чанк, чем городить перекрёстные ссылки на самих себя.
Разрешайте анафору (повторение) внутри блока. Если абзац начинается с “он выдерживает до 240 кг” — непонятно, кто “он”. Подставьте подлежащее: “навес с усиленной дугой выдерживает…”. В индексе этот чанк будет лежать без соседей.
Один подзаголовок H2/H3 = прямой ответ на один вопрос. Это и человеку помогает сразу понять, на какие вопросы отвечает статья, и ретриверу — вытащить нужный кусок.
Оглавление делаем на статью целиком, а не на каждый раздел. Статья редко длиннее 30-50 тысяч знаков, отдельное оглавление на раздел смысла не имеет.

Теперь про длину — и сразу честно, на что опирается рекомендация. Точных чисел здесь нет и быть не может, потому что у каждого провайдера свой чанкер и своё окно эмбеддера. Ориентиры ниже — это не замеренная константа, а общие соображения: типичные окна эмбеддинг-моделей лежат где-то в районе 256-512 токенов, и здравый смысл говорит, что смысловой блок стоит держать в этих пределах, чтобы он влезал в один чанк целиком и не размывался.

Единица	Практический ориентир	На чём держится
Чанк-ответ (абзац)	300-1500 знаков, ~50-300 токенов, одна законченная мысль	окно эмбеддера, одна идея = один вектор
Оверлап на стыке	1-2 предложения, 10-20%	страховка мысли на границе реза
Блок под H2/H3	прямой ответ на один вопрос, 1-3 чанка	ретривер тянет блоки, не страницы
Статья целиком	15-40 тыс знаков + оглавление	больше — режьте на серию

Ещё раз проговорю природу этих цифр, чтобы никто не воспринял их как стандарт: это калибровка по общим соображениям, а не результат чистого эксперимента. Единственно честный способ проверить свою нарезку — прогнать целевые запросы по протоколу замера (о нём в конце) и смотреть, вытаскивает ли нейросеть из статьи тот кусок, который вы хотели, или расплывчатую кашу. Если получили кашу, значит блоки слишком длинные и смешивают темы, режьте мельче.

как страница режется на чанки с оверлапом и попадает в векторный индекс — Как страница режется на чанки с оверлапом и попадает в векторный индекс

Микроразметка Schema.org: JSON-LD, который реально считывается

Микроразметка — это как этикетка на банке: содержимое, может, и отличное, но без этикетки непонятно, что внутри. Schema.org говорит машине прямым текстом: вот статья, вот её автор и его квалификация, вот организация, вот дата обновления, вот блок вопрос-ответ.

Базовый набор типов, который закрывает 90% задач: Article, Person, Organization, FAQPage. И тут два принципиальных момента, которые чаще всего проваливают.

Первый — связность через @id. Это и есть та самая консистентность атрибуции: автор в статье, автор на своей странице и автор во внешних публикациях должны "сшиваться" в одну сущность (entity), которую ИИ начинает узнавать. В JSON-LD это делается ссылками по @id.

Второй — Organization указываем обязательно. Большая часть контента в интернете пишется вообще без указания, чьё это. А нам надо явно сказать, к какой компании статья имеет отношение.

Вот рабочий пример через @graph — статья, её автор и издатель, всё сшито по @id:

{
  "@context": "https://schema.org",
  "@graph": [
    {
      "@type": "Article",
      "@id": "https://example.ru/blog/naves-svoimi-rukami#article",
      "headline": "Как построить навес для машины своими руками",
      "datePublished": "2026-03-01",
      "dateModified": "2026-07-01",
      "author": { "@id": "https://example.ru/authors/ivanov#person" },
      "publisher": { "@id": "https://example.ru/#org" }
    },
    {
      "@type": "Person",
      "@id": "https://example.ru/authors/ivanov#person",
      "name": "Пётр Иванов",
      "jobTitle": "Главный конструктор",
      "worksFor": { "@id": "https://example.ru/#org" },
      "sameAs": [
        "https://vc.ru/u/ivanov",
        "https://habr.com/ru/users/ivanov"
      ]
    },
    {
      "@type": "Organization",
      "@id": "https://example.ru/#org",
      "name": "Завод навесов",
      "url": "https://example.ru"
    }
  ]
}

Обратите внимание на sameAs у автора — это ссылки на его внешние публикации и профили. Именно так авторитетность живого человека переносится на материал: ИИ видит, что за подписью стоит один и тот же эксперт, которого цитируют в нескольких местах.

Отдельно — FAQPage. Блок частых вопросов размечается так:

{
  "@context": "https://schema.org",
  "@type": "FAQPage",
  "mainEntity": [
    {
      "@type": "Question",
      "name": "Какую снеговую нагрузку держит навес?",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "Модель с усиленной дугой держит до 240 кг/м2, что подтверждено видеотестами с пошаговым добавлением груза."
      }
    }
  ]
}

Обязательное техническое требование: текст в разметке должен совпадать с текстом, который реально виден на странице. Разметка, которая описывает то, чего на странице нет, — это в лучшем случае мусор, в худшем — повод не доверять всему сайту. Разметка не рисует ценность, которой нет, она только помогает машине разобрать ту, что уже есть на виду.

И проверяйте валидатором (Schema Markup Validator, Rich Results Test) — синтаксическая ошибка в JSON-LD может обнулить все усилия.

Мультимодальность: закрываем разные типы запросов

ИИ-модели всё чаще мультимодальны, и разные форматы закрывают разные запросы: текст, сравнительная таблица, видео с объяснением, инфографика с подписью, PDF или Excel отдельным файлом на скачивание.

Но главное тут — не про ИИ, а про потребителя. Посмотрите, с чем он готов взаимодействовать. У вас на сайте лонгриды, а ваш клиент лонгриды не читает — сделайте короткое видео, это несложно. У вас сложные B2B-поставки, а клиенту удобнее считать в Excel — приложите ему эксельку. Хороший приём: выложить ролик на YouTube, а на сайте дать его текстовую расшифровку с таймкодами. И человеку, который хочет читать, удобно, и нейросети есть что процитировать текстом. Рост цитируемости здесь — следствие того, что вы улучшили сам опыт взаимодействия с продуктом.

Доступность для ИИ-краулеров: robots.txt и llms.txt

Здесь навести порядок важнее всего, потому что в этой теме всё валят в кучу и по незнанию режут себе видимость собственными руками. Краулеры бывают двух принципиально разных типов.

Обучающие боты собирают данные для тренировки моделей. Закроете их в robots.txt — на ваше попадание в ответы это напрямую не влияет, скорее позволит управлять приватностью контента, не видимостью в нейроответах.
Ретривал-боты ходят на сайт в реальном времени, чтобы достать актуальный ответ для конкретного пользователя. Вот через них вы и попадаете в нейровыдачу. Закрыть их — гораздо, гораздо грустнее.

Поэтому по умолчанию не отсекайте никого, а если уж чистите — чистите осознанно и только обучающих. Вот таблица токенов, которую можно взять за основу:

User-agent	Кто	Тип	Закрывать?
`OAI-SearchBot`	OpenAI	ретрив (индекс поиска ChatGPT)	нет
`ChatGPT-User`	OpenAI	ретрив по запросу пользователя	нет
`GPTBot`	OpenAI	обучение	можно, на видимость не влияет
`Claude-User`	Anthropic	ретрив по запросу	нет
`ClaudeBot`, `anthropic-ai`	Anthropic	обучение/краул	на усмотрение
`PerplexityBot`	Perplexity	индекс	нет
`Perplexity-User`	Perplexity	ретрив по запросу	нет
`Googlebot`	Google	краул + AI Overviews	нет
`Google-Extended`	Google	обучение Gemini	можно
`YandexBot`	Яндекс	краул (в т.ч. Алиса/Нейро)	нет
`Applebot` / `Applebot-Extended`	Apple	краул / обучение	Extended можно
`CCBot`	Common Crawl	обучение (данные тянут многие)	можно
`Bytespider`	ByteDance	обучение	можно
`Amazonbot`, `Meta-ExternalAgent`	Amazon / Meta	обучение	можно

Минимально безопасный robots.txt, который явно пускает извлекателей и по желанию режет обучателей:

# Ретривал-боты — через них попадаем в нейровыдачу, оставляем открытыми
User-agent: OAI-SearchBot
Allow: /
User-agent: ChatGPT-User
Allow: /
User-agent: PerplexityBot
Allow: /
User-agent: Perplexity-User
Allow: /
User-agent: Claude-User
Allow: /

# Обучающие боты — при желании закрываем, на видимость не влияет
User-agent: GPTBot
Disallow: /
User-agent: Google-Extended
Disallow: /
User-agent: CCBot
Disallow: /

# Основной краул оставляем открытым
User-agent: *
Allow: /

Основная ловушка: если где-то в конфиге у вас висит глухое User-agent: * Disallow: / (частая история на стейджах, которые случайно раскатали в прод) — оно режет вообще всех, включая извлекателей. Проверьте это первым делом, до всякой тонкой настройки.

Про llms.txt пока факт в том, что это скорее предложенный стандарт, чем проверенный инструмент. Просто отдельный файл в корне, который подсказывает ИИ, что на сайте есть и что важно. Выглядит как markdown-оглавление сайта:

# Завод навесов
> Производство металлических навесов с усиленной снеговой нагрузкой

## Продукция
- [Навесы для авто](https://example.ru/navesy-avto): модели, нагрузки, покрытие
- [Снеговые тесты](https://example.ru/testy): видео и таблица нагрузок

## Экспертиза
- [Блог главного конструктора](https://example.ru/blog): статьи по конструкциям

Эффективность его пока не подтверждена, официально из крупных провайдеров его толком никто не гарантирует. Но и вреда нет, поэтому положить в корень сайта на всякий случай можно, рабочая лошадка тут всё равно robots.txt, а llms.txt — приятное дополнение.

И важнейшее: всё это не только про ваш домен. Те же принципы — структура, подзаголовки, TL;DR, самодостаточные блоки — тащите на все внешние площадки: VC, Habr, Пикабу, Тинькофф Журнал, РБК, видеохостинги, подкасты. Да, там вам физически недоступны их robots и код — значит, работаем на контентном слое. И живой совет: если редактор площадки просит убрать прямой ответ в первом абзаце — настаивайте, объясните, что это для видимости в нейросетях. Редактор конкретного СМИ может просто быть не в курсе, как работает цитирование в ответах ИИ, скиньте ему эту статью — пусть обучается.

Кейс завода навесов: как техника собирается в одну точку

Покажу на одном примере, как вся эта техничка ложится на реальный проект, — и почему без смыслов она мертва.

Завод металлоконструкций, навесы. Некрупное производство, до двухсот человек — цех, офис, продажи. Управляется собственником, он же главный технолог и конструктор с опытом почти сорок лет — тот самый хранитель ценности, который про каждый профиль и каждый микрон покрытия знает, почему именно столько и чем это обернётся через пять зим. Они, по сути, единственные в нише, кто всерьёз тестировал снеговую нагрузку — на видео, с фиксацией каждого добавленного килограмма.

А теперь парадокс, интересный именно технически. Их собственный сайт проигрывал в выдаче их же дилерам. По брендовым запросам и по названиям конкретных моделей в SEO первые места занимали перекупщики. А в нейровыдаче по запросу собственного бренда завод мог вообще не попадать в тройку рекомендаций Perplexity — тридцать с лишним позиций, второй эшелон. Вы держатель бренда, а в ответе ИИ вас нет.

Почему так вышло — понятно сразу, как откроешь сайт. Там было написано что-то вроде “приходите за нашей продукцией, подберём решение под ваши нужды”. Настолько общими словами, что этот лендинг одинаково подошёл бы и заводу, и кондитеру, и студии “бровки-ноготочки”. Нейросети нечего было пересказать — не потому что завод плохой, а потому что ценность нигде не артикулирована.

Что делали — и заметьте, начали не с микроразметки. Сначала стратегия: интервью с собственником (рекордные два часа сорок минут, потому что смыслы приходилось буквально вытаскивать), потом созвоны с покупателями, потом формулировки ценности. И только когда появилось что говорить, включили техничку — по чек-листу, галочка к галочке: конкретика на коммерческих страницах вместо “приходите за продукцией” (какой профиль, какая дуга, сколько микрон и почему), инфографика со стрелками, видео снеговых тестов с табличной выжимкой рядом, микроразметка, система авторов, доступность для ботов, перелинковка.

Проект делали на нейросайте — сайте под управлением ИИ, где правки вносятся не руками, а промтом к модели (например, Claude Code). Именно поэтому раскатать микроразметку и авторскую систему на сотни статей удалось за одну сессию, а не за квартал ручной работы. Нейросайты я подробно расписал в отдельной серии статей (https://habr.com/ru/articles/1049326/) здесь достаточно знать, что он кратно ускоряет внедрение всей этой технички.

Результат: по “навесу своими руками” и по брендовым запросам ИИ начал подхватывать именно производителя — и в Алисе, и в обзорах поисковиков, туда, куда дилер уже не дотянется. Дилер про это качество не пишет, потому что он его и не создаёт. Суть кейса не в галочках: качество у завода было всегда — его произвели, испытали под снегом, сняли на видео. Не хватало одного — научиться его артикулировать. Как только цифры, таблицы, выдержанные нагрузки появились на сайте — качество стало проверяемым и пересказываемым, и ровно это стало путём в нейровыдачу.

Качество стало проверяемым и пересказываемым — и ровно это стало путём в нейровыдачу.

Кому GEO подходит, а кому пока рано об этом думать

Кто вы	Стоит ли заходить в GEO
Производите продукт — товары, услуги, SaaS, B2B/B2C	Да, и лучше прямо сейчас
Аутсорс или сервис, напрямую влияющий на качество продукта	Да
Ретейл, дилеры, перепродажи	Да, но раскрывать свои сервисные ценности (скорость, ассортимент, консультация), а не чужой продукт
Стартап с по-настоящему инновационным решением, спроса ещё нет	Пока рано — сначала контент-маркетинг, формируем спрос
Короткая ситуативная потребность (жвачка, зубная паста)	Не нужно — предпокупочного поиска нет

Логика простая. GEO — про удовлетворение уже существующего интента. Есть интент — есть что оптимизировать. Стартапу с новой категорией сначала нужен спрос, а под несуществующий запрос оптимизировать нечего. А жвачку от “хочу” до “купил” отделяют секунды, сложную ценность там не раскроешь.

И про сроки: место в ответе нейросети жёстко ограничено, поэтому заходить лучше раньше. В классической выдаче десяток органических ссылок плюс вторая-третья страница. В нейросети — в среднем три-пять позиций, по отдельному запросу можно добиться семи-десяти. Конкуренция в разы плотнее, и кто раньше начал формулировать ценность, тот раньше и встаёт на эту полку. Опоздавшим опция есть всегда, но усилий догнать того, кто стартовал на полтора года раньше, придётся приложить в разы больше.

Воспроизводимая методология замера

Главная проблема замера — недетерминизм: одна и та же модель на один и тот же запрос отвечает по-разному. Поэтому “прогнал один раз, увидел себя и обрадовался” — это хорошо для красивого отчёта начальству, а не для системной работы. Нужен протокол.

Прогоны

На каждый запрос — не один прогон, а серия. Минимум 5, лучше 10 прогонов на каждую модель. Упоминание бренда в ответе — это бинарный исход: упомянули (1) или нет (0). Считаем Mention Rate = число прогонов с упоминанием / общее число прогонов. По одному запросу гоняем несколько моделей: ChatGPT, Claude, Perplexity, Gemini, DeepSeek.

Гашение персонализации

Модель подмешивает вашу историю, память, регион, залогиненность — и тогда вы замеряете не нишу, а то, как ИИ относится лично к вам. Чтобы этого не было:

каждый прогон — свежая сессия без логина;
в ChatGPT — режим временного чата (Temporary Chat), память выключена;
браузер — приватное окно или отдельный чистый профиль, чтобы не тянулись куки;
по возможности разные IP или явное указание региона прямо в запросе, если тема геозависима;
через API — чистый запрос без system-хвостов; обязательно фиксируем модель и дату, потому что модели молча обновляются, и замеры разных недель без пометки версии несопоставимы.

Доверительный интервал

Вот момент, который обычно замалчивают. Mention Rate — это доля (пропорция Бернулли), и у неё есть погрешность, тем шире, чем меньше прогонов. На 10 прогонах и 6 упоминаниях у вас 60%, но честный интервал (по Уилсону, 95%) — примерно от 31% до 83%. То есть “60% на десяти прогонах” — это почти ни о чём.

Прогонов на запрос	Ширина 95% интервала для доли ~50%
10	±30 п.п. — сигнал только очень грубый
30	±18 п.п.
100	±10 п.п.
400	±5 п.п.

Отсюда практический вывод: не гонитесь за точным процентом на один замер — это дорого и всё равно неточно. Смотрите динамику по одному и тому же протоколу от недели к неделе, от месяца к месяцу. Сдвиг с 3/10 на 7/10 на дистанции — это уже сигнал, даже когда интервалы формально широкие.

Откуда взялись “30 упоминаний в день” и “45 в месяц”

Это честный вопрос, и на него важно ответить прямо, потому что две цифры измерены по-разному, и это нормально.

30 упоминаний в день (кейс B2B-сервиса, КЭДО) — это не ручные прогоны, руками столько не наберёшь. Это оценка по реферальному трафику: в аналитике ловим сессии, у которых источник перехода — домены ИИ-сервисов, плюс периодический автоматический прогон по пулу запросов через сервисы. “В день” — потому что считали по логам за сутки.
45 упоминаний в месяц (кейс личного бренда эксперта) — тут длинный цикл сделки и реферального трафика мало, поэтому цифра собрана в основном мониторингом ответов по пулу запросов.

То есть “упоминание” в этих двух числах — это разные измеряемые сущности. Единой кнопки “покажи мои упоминания” не существует, каждый источник считает своё. Поэтому честнее фиксировать методику рядом с цифрой, чем делать вид, что есть один универсальный счётчик.

Атрибуция: как ловить переходы из нейровыдачи в Метрике и GA

Прямого клика в GEO может не быть вовсе — часть контактов происходит внутри ответа нейросети, на сайт человек не заходит. Мы и не стремимся его затащить, мы стремимся быть пересказанными. Но часть переходов поймать можно.

Явные рефералы. Когда пользователь кликает ссылку в ответе Perplexity, ChatGPT, Алисы — в аналитику приходит источник с доменом сервиса. Собираем список доменов и заводим под них свой канал или сегмент.

GA4: Admin → Channel groups → создать группу “AI Search”, условие Source matches regex:

chatgpt\.com|chat\.openai\.com|perplexity\.ai|gemini\.google\.com|copilot\.microsoft\.com|claude\.ai|you\.com

Яндекс.Метрика: сегмент “Источники → Переходы с сайтов”, в фильтр — те же домены, сохранить как сегмент “Нейровыдача”. Плюс смотреть отчёт по страницам входа.

Скрытые переходы. AI Overviews внутри Google и нейроответы Яндекса часто не передают отдельный реферер — приходят как organic или вовсе как direct. Признаки, по которым это ловится косвенно:

всплеск direct-трафика на глубокие внутренние страницы (не на главную), которые по памяти никто не набирает;
в Search Console — рост показов по информационным запросам при падении кликов. Это и есть zero-click AI Overview: ответ забрали, клик не отдали.

Подтверждение на уровне сервера. В логах видно, заходили ли к вам ретривал-боты (OAI-SearchBot, PerplexityBot, ChatGPT-User). Если заходили — вас как минимум читают в реальном времени, это подтверждение доступности.

Про UTM честно: здесь он почти не помогает. Ссылку в ответе генерирует нейросеть, разметить её своими метками вы не можете. Поэтому опора — реферер-домены, сегменты и серверные логи, а не UTM.

Практический минимум атрибуции: один сегмент “AI-трафик” в Метрике, одна channel group в GA4 и раз в неделю сверять их с корзиной запросов из замера. Прямой клик вы всё равно посчитаете не весь — но динамику увидите.

Метрики: AI Visibility и Share of Voice

Две метрики закрывают главный страх канала — “непонятно, за что платить, прямой атрибуции же нет”.

AI Visibility Score — доля ваших целевых запросов, где вас вообще упомянули (по протоколу выше). Это ваша точка ноль, её реально собрать руками в таблице за пару часов.
Share of Voice — доля голоса в нише. Опережающая её часть — Mention Rate.

формула доли голоса в нейровыдаче с пояснением переменных — Формула доли голоса в нейровыдаче с пояснением переменных

Формула всегда одна: ваши упоминания / все упоминания в нише × 100%. Представьте весь разговор в вашей нише — Share of Voice показывает, какую его часть занимаете вы. Почему это важнее, чем кажется: есть прямая связь между долей голоса и долей рынка. Если конкурент мелькает в три раза чаще, при прочих равных клиент вспомнит его первым. Поэтому Mention Rate — опережающий индикатор: сначала растёт цитируемость, и только потом подтягиваются обращения и продажи.

Сервисы для замера ИИ‑цитирования тоже есть (Topvisor с AI‑трекером, GPTFox, GEOMI, Otterly.ai, Peec AI, Profound...), но точность у них очень условная. Если проходите этот путь впервые — руками в таблице вы и замеряете точнее, и куда больше поймёте про свою нишу и своих конкурентов.

Как собрать сами 20–30 запросов, чтобы они били в реальный интент — три группы:

два‑три запроса прямо с вашим брендом (знает ли ИИ вас и не путает ли);
по два‑три на каждую категорию продукта;
и 2-3 запроса по субститутам, то есть что ищет человек, решающий ту же задачу другим способом.

Так вы не свалитесь в ловушку удобных запросов, где выводитесь просто потому, что конкуренции нет.

Три точки входа на ближайшие 30–60 дней

Закончу тем, что можно начать делать сразу, даже если ваш ресурс на это направление пока сильно ограничен.

Ядро ценности — карта смыслов. До 90% ценности собирается из одного вдумчивого интервью с собственником: закладывайте часа два, 30-40 вопросов с уточнениями пройти реально. Без этого шага всё остальное не на что опереться — нейросети нечего пересказывать.
3-5 реальных FAQ-материалов по основным направлениям. Никаких общих слов: не “высокое качество”, а какое именно, на основании чего, какие кейсы. Источники живых вопросов — то же интервью, прослушка звонков в CRM (там боль звучит словами клиента) и отзывы в открытых данных, в том числе про субститутов.
Публикации на авторитетных площадках. Нет контента — нейросети нечего цитировать. С абсолютного нуля начинают именно с размещения: внешние СМИ-площадки нужны всем, блог-платформу вроде Дзена завести тоже всем (это почти не стоит ресурса), а собственный сайт и тем более нейросайт — уже при наличии ресурса и готовности к долгой работе.

И что сделать прямо сейчас, за пять минут: откройте ChatGPT или Perplexity, введите 5-10 запросов, по которым вас должны находить клиенты, и посмотрите — кто там вместо вас и как они отвечают. Это ваша стартовая точка. А если вас уже цитируют — найдите тех, кто собирает упоминаний больше, и разберитесь почему.

На этом серия закончена. Мы прошли путь от концепции (почему нейровыдача уже наступила и почему в ней нет ранжирования по бюджету) через смыслы (почему без сформулированной ценности нейросети нечего пересказать) к технике (как эту ценность сделать считываемой для машины). Финальный тезис везде один и тот же, и он же тут главный: техника — это гигиенический минимум, который делает уже существующую ценность видимой для ИИ. Идеальная разметка на пустой статье без фактуры не даст ничего. Форма остаётся формой. Начинается всё с ясно сформулированной ценности — а дальше robots.txt, JSON-LD и протокол замера просто доносят её туда, где её теперь ищут.

GEO — техника нейровыдачи: чанкование с оверлапом, Schema.org, robots.txt и пр. Часть 3 из 3