Google и Яндекс всё чаще показывают генеративные ответы над обычной выдачей. Пользователь видит не десять ссылок, а готовую рекомендацию с двумя-тремя брендами. Можно быть топ-1 по всем целевым запросам и не попасть в этот блок ни разу. Дисциплина, которая с этим работает, называется GEO (Generative Engine Optimization). Автор статьи на Хабре собрал воркфлоу на n8n для отслеживания видимости бренда в ИИ-ответах и поделился им на GitHub.
Почему обычные позиции не переносятся в ИИ-ответы? Google в официальной документации по ИИ-функциям описывает технику query fan-out: и ИИ Overviews, и ИИ Mode могут рассылать несколько связанных поисковых запросов по подтемам, чтобы сформировать ответ. Пока ответ генерируется, модели дополнительно ищут поддерживающие страницы, поэтому набор ссылок под ответом шире и разнообразнее, чем в классической выдаче. Это значит, что вы ранжируетесь по своей фразе, а движок ищет по своим. Топ-1 по точному запросу не гарантирует попадания в выборку по сгенерированной перефразировке.
| Метрика | Что показывает |
|---|---|
| Mention rate | доля запросов, где назвали бренд по имени |
| Citation rate | доля запросов, где сослались на сайт как на источник |
| Разрыв между ними | каким путём мы попадаем в ответ: из выдачи или из памяти |
| Source share | какие домены движок подтягивает по теме — карта, куда нести контент |
В контекст уходит горстка документов, а не топ-10. Разница между 4-м и 9-м местом, за которую в классическом SEO бьются, здесь может не значить ничего: либо документ попал в контекст, либо нет. Извлекаемость важнее ранга: в ответ идёт то, что цитируется одним предложением — характеристика, цифра, сравнение. Из «широкий ассортимент и низкие цены» цитировать нечего.
Список источников под ИИ-ответом — не расшифровка. Яндекс в документации Yandex Search API отдельно описывает три состояния ответа: ничего не нашлось; документы-источники нашлись, но извлечь информацию не получилось; нашлось и извлеклось, но уверенности нет — тогда ответ предваряется предупреждением. Второе состояние — ровно тот случай: источники есть, а ответ на них не опирается. Это задокументированное поведение сервиса.
Бренд может попасть в ответ двумя путями, и внешне они неотличимы: из выдачи (retrieval) — движок нашёл документы, извлёк названия, сослался; из памяти модели — название дописано из того, что модель усвоила на обучении, а в блоке источников — то, что вернул поиск по теме в целом. От этого зависит, есть ли рычаг вообще. Retrieval — быстрый: попасть в индекс, попасть в выборку, дать извлекаемый факт; горизонт на недели. Память модели — слепок веба на момент обучения; точечно повлиять нельзя, горизонт — годы.
Сам список источников — не мусор, просто он для другого. Как атрибуция конкретного упоминания он не работает. А как карта авторитетности работает отлично: это те документы, которые движок счёл достойными подать в контекст по вашему запросу. Метрика полезна независимо от того, назвали вас в этот раз или нет: она отвечает на вопрос «где нас должны увидеть, чтобы мы вообще попали в выборку».
Автор мониторит четыре модели: Яндекс GenSearch (синхронный запрос к Yandex Search API с генеративным ответом), GPT, Gemini и Qwen — через OpenRouter, где поиск делает общий поисковый провайдер. Это два разных класса систем, и выводы нужно делать с поправкой на это.
Метрики, которые реально поддаются измерению: mention rate — доля запросов, где назвали бренд по имени; citation rate — доля запросов, где сослались на сайт как на источник; разрыв между ними показывает, каким путём бренд попадает в ответ — из выдачи или из памяти. Высокий mention при нулевом citation = помнят, но не находят. Обратное = находят, но не считают достаточно авторитетным, чтобы назвать. Лечится по-разному. Source share — какие домены движок подтягивает по теме, карта, куда нести контент.
Круговая диаграмма долей доменов-источников за прогон показывает, что сверху не магазины, а профильные медиа и агрегаторы. Один и тот же домен часто используют сразу несколько движков, значит, попадание в такой обзор работает не на один движок, а на все разом.
Готовые GEO-платформы существуют, но они закрытые: берёшь те метрики, которые сервис решил показать, на его условиях. Самодельный воркфлоу на n8n позволяет считать по-своему и встроить в мониторинг, который уже работает, с возможностью кастомизации. Ссылка на GitHub в конце статьи на Хабре.
