У B2B SaaS сейчас появилась новая проблема, которую многие команды еще недооценивают.
Компания может сделать нормальный сайт. Аккуратный лендинг. Понятный продукт. Базовое SEO. Несколько кейсов. Блог. Документацию.
Но когда потенциальный клиент спрашивает ChatGPT, Gemini, Perplexity или другую модель: «какие сервисы стоит рассмотреть для этой задачи?», бренда в ответе часто просто нет.
И это уже не разовая аномалия. По данным Bain, около 80% пользователей уже полагаются на AI-summary как минимум в 40% своих поисков, а органический трафик из-за этого проседает на 15–25%. Adobe отдельно фиксировал резкий рост переходов с генеративного AI: в феврале 2025 года AI-трафик на ритейл-сайты в США был выше на 1200% по сравнению с июлем 2024 года; похожая динамика наблюдалась и в сфере путешествий, и в финансовых услугах. Иными словами, между классическим поиском и визитом на сайт появился новый слой - AI-интерфейс, который все чаще сам собирает список решений за пользователя. И если модель не понимает, кто вы, что именно делаете и почему вам можно доверять, «просто нормальный сайт» уже не решает проблему. Сайт может быть правда хорошим, но для AI этого уже мало.
Старая логика была довольно понятной: если страница релевантна, технически в порядке, домен сильный, а контент отвечает на запрос, у вас есть шанс забрать трафик.
В генеративной выдаче все устроено иначе. Исследование GEO - Generative Engine Optimization - исходит из того, что генеративные движки отвечают, синтезируя информацию из нескольких источников, а не просто отправляя пользователя на одну «лучшую» страницу. В той же работе авторы показывают, что GEO-подходы могут увеличивать видимость в генеративных ответах до 40%, причем эффективность тактик зависит от домена и типа запроса. Отсюда возникает неприятный для многих B2B-команд вывод: для AI важно уже не только то, насколько хорошо выглядит отдельная страница, а то, насколько целостно и понятно бренд существует как объект знаний. Ссылка на исследование GEO 2024 года, с тех пор правда много что изменилось, но думаю общая логика понятна.
То есть модель выбирает не просто страницу.
Она пытается собрать единицу знания о бренде.
AI выбирает не страницу, а «единицу знания»
Это и есть, на мой взгляд, главный сдвиг.
Когда человек заходит на сайт, он может многое достроить сам. Он считывает дизайн, меню, кейсы, скриншоты, формулировки, общий тон. Он может простить маркетинговую размытость и догадаться, чем продукт полезен.
Модель так не работает. Ей нужен более жесткий, явный набор сигналов.
Google Search Central прямо пишет, что structured data помогает системе понимать содержание страницы и смысл сущностей на ней. Отдельно для Organization Google указывает, что такая разметка помогает лучше понять административные детали организации и корректно различать ее среди других компаний в поиске. Для Article Google тоже рекомендует явным образом описывать материал, чтобы поисковая система лучше понимала саму страницу, ее автора, дату и другие атрибуты. В практическом смысле это означает простую вещь: модели нужна не абстрактная "сильное цифровое присутствие", а понятная конструкция:
кто вы;
в какой категории вы находитесь;
какую задачу решаете;
для кого;
чем отличаетесь;
на каких источниках и доказательствах это держится.
Если этой конструкции нет, модель начинает угадывать. А когда модель угадывает, в списке рекомендаций попадает не обязательно лучший бренд - чаще попадает тот, у кого лучше собран отпечаток знаний о бренде.
Почему нормально сделанный сайт все равно не становится рекомендацией
Потому что большая часть B2B-сайтов до сих пор пишется под старую воронку: человек пришел, увидел красивый лендинг, нажал «Запросить демо», дальше продажа дожимает на звонке.
Для AI такой сайт часто почти бесполезен.
Обычная SaaS-страница сегодня нередко звучит так:
AI-native платформа нового поколения
трансформирует/автоматизирует процессы
повышает эффективность команд
ускоряет рост и ROI
Для человека это может быть терпимо. Для модели - почти ноль информации.
Google в рекомендациях по helpful content прямо говорит, что его системы стараются приоритизировать полезную, надежную информацию, созданную для людей, а не контент, сделанный прежде всего для манипуляции поисковой видимостью. Проще говоря: общие обещания, переписывание типовых тезисов и текст без собственной ценности не дают сильного сигнала. AI-системе нужны не общие обещания, а четкие тезисы:
не «мы меняем рынок аналитики»,
а «мы помогаем маркетинговым командам видеть, как бренд упоминается и рекомендуются ли он в AI-ответах по коммерческим запросам»;
не «платформа для роста бизнеса»,
а «сервис мониторинга AI-видимости бренда в нескольких LLM».
Во втором случае модель уже может понять, в какую категорию вас положить. В первом - нет.
Упоминания из внешних источников решают больше, чем кажется
Здесь у многих фаундеров и маркетологов начинается внутреннее сопротивление.
Кажется, что если на собственном сайте все хорошо описано, этого должно быть достаточно. Но в мире AI-ответов это уже не так.
Если генеративная система синтезирует ответ из нескольких источников, ей почти всегда комфортнее работать не только с собственным позиционированием компании, но и с внешними подтверждениями. И это логично: одно дело - что бренд пишет о себе сам, другое - как его описывают независимые источники.
ChatGPT Search, например, показывает ответы с встроенными ссылками на источники и отдельной панелью источники. Это не мелкая деталь интерфейса, а маркер более глубокого процесса: модель все чаще существует не просто как «говорящая голова», а как слой синтеза с явными опорами на источники. Отсюда и практический вывод для B2B: если про ваш SaaS почти нет качественных внешних упоминаний, AI сложнее уверенно рекомендовать вас в коммерческом контексте.
Речь не только про PR в классическом смысле. Речь про весь внешний слой знаний о бренде:
отраслевые статьи;
аналитические разборы;
сравни себя с конкурентом -материалы;
профили на репутационных платформах;
партнерские страницы;
интервью;
независимые обзоры;
кейсы клиентов, опубликованные не только у вас на сайте.
Именно из этого слоя у модели появляется ощущение, что бренд существует не только как лендинг, но и как объект, признанный внешней средой.
Репутационные платформы и внешнее подтверждение — уже не nice to have
В B2B это особенно важно, потому что путь покупателя длинный, а доверие редко рождается с первого касания.
Когда пользователь спрашивает AI: «какие инструменты выбрать», модель, по сути, делает первый раунд фильтрации за него. И на этом этапе побеждает не всегда тот, у кого самый сильный продукт. Часто побеждает тот, у кого сильнее упаковано доверие в машиночитаемой форме.
Google отдельно описывает review snippets и AggregateRating как структурированные сигналы, которые могут использоваться в rich results и knowledge panels. При этом Google также ограничивает self-serving reviews для организаций: если компания контролирует отзывы о себе на собственном сайте, это не тот же самый тип доверительного сигнала, что независимая внешняя оценка. Это важный нюанс. Нарисованные звезды, которые вы повесили сами себе, не заменяют реальное внешнее признание.
Поэтому слой доверия для B2B SaaS сегодня строится не одной кнопкой, а комбинацией:
независимые упоминания;
реальные кейсы;
внешние обзоры;
экспертные материалы;
цитируемые статьи;
присутствие на релевантных площадках;
согласованное описание бренда в разных местах.
Когда эти сигналы складываются вместе, AI проще сделать самое важное - не просто вспомнить бренд, а выбрать его как осмысленную рекомендацию.
Согласованные тезисы важнее, чем креативный копирайт
Есть еще одна вещь, о которую регулярно бьются B2B-команды: они пишут красиво, но не пишут ясно.
Для человека красивый копирайт еще может работать. Для генеративной выдачи это часто только мешает.
Если бренд на одной странице называется AI platform, на другой - intelligence layer, на третьей - copilot, а в презентации вообще звучит как decision system, у модели появляется не ощущение глубины, а ощущение распада сущности.
Structured data здесь не магическая таблетка, но это важная инфраструктура. Google прямо говорит, что structured data - это способ дать явные подсказки о значении страницы и описываемых на ней сущностях. При этом разметка должна соответствовать реальному, видимому содержимому страницы, а не быть отдельным техническим фантомом.
Поэтому для B2B SaaS хороший базовый слой сегодня выглядит так:
единая формулировка категории;
четкий JTBD;
понятные use cases;
нормальная структура страниц;
Organizationschema;ArticleилиBlogPostingтам, где есть контент;FAQ там, где есть реальные вопросы;
авторство, дата, контекст;
тезисы, которые можно проверить.
Здесь важен не сам факт наличия схемы, а то, что смысл бренда становится явным и непротиворечивым.
Что особенно ломает B2B-команды
На практике чаще всего видно четыре типовые ошибки.
1. Весь важный контент спрятан за демо
На сайте есть только общие блоки, а конкретика появляется уже на созвоне. Для AI это означает, что собирать почти не из чего.
2. Бренд плохо описан как категория
Есть ощущение продукта, но нет четкой фразы «мы - это X для Y в сценарии Z».
3. Почти нет слоя внешних упоминаний
Все тексты живут только на собственном домене. Внешний след слабый или случайный.
4. Команда измеряет только старые метрики
Позиции, трафик, branded search, лиды - это важно. Но этого уже недостаточно, чтобы понять, как бренд живет в AI-выдаче.
Что делать сейчас, если вы B2B SaaS
Здесь не нужен культ новой аббревиатуры. Нужна нормальная рабочая система.
Во-первых, перестать смотреть на сайт как на единственный центр вселенной. Сайт важен, но AI-рекомендация собирается из более широкого информационного следа.
Во-вторых, привести бренд к ясной семантической форме. Одна главная категория. Один понятный JTBD. Несколько четких use cases. Набор тезисов, которые не стыдно проверить.
В-третьих, строить внешний слой доверия. Не в формате «пойдем купим PR», а в формате системной работы с отпечатком знаний о бренде: статьи, обзоры, партнерские интеграции, экспертные колонки, нормальные профили на релевантных площадках.
В-четвертых, перестать путать контент с шумом. Полезный контент - это не просто «пишем статьи для SEO». Это материалы, из которых модель действительно может извлечь понятный факт, сценарий, сравнение, ограничение, методологию, объяснение. Здесь логика helpful content и логика GEO очень хорошо сходятся.
В-пятых, начать измерять отдельный слой AI видимости. Не на уровне «один раз спросили ChatGPT и вроде нас там нет», а системно:
по каким запросам бренд появляется;
в каких моделях;
с какими конкурентами рядом;
в каком тоне;
за счет каких источников;
как это меняется со временем.
Я периодически разбираю такие кейсы и наблюдения по AI, а также GEO/AEO в более коротком формате у себя в Telegram-канале, но на практике здесь важно другое: разовые проверки почти ничего не дают.
Ответы моделей нестабильны, формулировка запроса меняет результат, разные LLM собирают разное конкурентное окружение. Поэтому без системного мониторинга AI-выдачи вся работа с GEO быстро остается на уровне ощущений.
Вместо вывода
Главная ошибка B2B SaaS сейчас - думать, что AI-выдача просто унаследует результаты классического поиска.
Не унаследует.
Потому что модель выбирает не просто страницу.
Она собирает представление о бренде.
И если бренд существует только как лендинг с маркетинговыми обещаниями, этого уже мало
Подписывайтесь на мой личный Telegram-канал, кому интересно про AI
