Маркетологи уже знают, что такое GEO. Чего не хватает в большинстве материалов - разбора по платформам: как именно ChatGPT, Claude, Gemini и Perplexity решают, какой ответ показать. Получается, что «оптимизация под AI-поиск» подаётся как одна стратегия, хотя на деле их четыре.

Сразу оговорка: точные формулы ранжирования не знает никто за пределами OpenAI, Anthropic, Google и Perplexity. Системы закрытые и обновляются постоянно. Но общие механизмы у них совпадают, а различия видны на практике - и из них уже можно вывести тактику.

Почему AI-движки не одинаковые

Все четыре движка проходят один и тот же путь: предобучение на огромном массиве текста, дообучение по инструкциям, оптимизация по предпочтениям и продуктовые решения о том, что подтягивать в ответ. Общая основа объясняет, почему советы по GEO звучат взаимозаменяемо - и почему они проседают, когда доходит до тестов на конкретном движке.

Дальше каждый гнёт это в свою сторону. Perplexity построен вокруг поиска источников, поэтому его ответы читаются как справка аналитика: много цитат и опора на то, что прямо сейчас живёт в вебе. Claude настраивали на глубину - длинные рассуждения, работа с большими документами, агентные сценарии, где точность накапливается по шагам. ChatGPT закрывает самый широкий набор задач. А преимущество Gemini проявляется, как только дело касается экосистемы Google: Gmail, Docs, Sheets и YouTube доступны только ей.

🔥 Коротко

Один универсальный чек-лист по GEO не работает, потому что различия между движками идут от их архитектуры и целей, а не от стиля текста.

Три слоя принятия решений

Механика делится на три этапа. Первый - формирование на обучении: модель читает тексты, учится следовать инструкциям, затем проходит оптимизацию по предпочтениям (RLHF или RLAIF), где человек выбирает лучший из двух ответов. Здесь задаются привычки: сколько модель уточняет, насколько подробно отвечает, как осторожно формулирует.

Второй - выбор при инференсе: каждый раз, когда вы отправляете запрос, модель оценивает варианты ответа через модель вознаграждения. Третий - продуктовая выдача: одни движки подтягивают внешние источники в момент запроса (RAG), другие опираются на то, что уже зашито в весах модели. Именно этот слой объясняет, почему одни продукты ощущаются как поисковик, а другие как собеседник.

Что показывают открытые датасеты

Два публичных набора данных делают слой предпочтений наглядным. Anthropic выложила hh-rlhf в 2022 году: 169 000 строк, в каждой - бинарный выбор между двумя ответами. Nvidia в 2024-м выпустила HelpSteer2, где оценка идёт сразу по пяти осям: полезность, корректность, связность, сложность и подробность.

Независимый разбор обоих файлов показал, что по рубрике HelpSteer2 ответы списками и перечислениями выигрывали в большинстве пар. Это правдоподобное объяснение того, почему нейросети так любят буллиты, но относиться к выводу стоит как к обоснованному предположению, а не как к установленному факту.

Важная оговорка: ни один из этих файлов не описывает, как Anthropic или Nvidia обучают модели сегодня. Это исторические снимки конкретного года в конкретной лаборатории.

Тактика под каждый движок

Perplexity: делайте ставку на источники. Оригинальные исследования, цифры со ссылками и чёткие утверждения работают лучше убедительного копирайтинга. Пишите так, чтобы систему могла выдернуть из текста готовую самодостаточную фразу.

Claude: на первое место выходит структура и авторская позиция. Лонгрид с сильными подзаголовками, ясным аргументом и реальным опытом обходит поверхностный листикл. Если вы действительно внедряли то, о чём пишете, говорите об этом прямо.

ChatGPT: выигрывает гибкость. Контент, который работает и как полный разбор, и как набор коротких фрагментов, расходится шире. Диалоговая подача тоже помогает, ведь значительная часть трафика приходит через уточняющие вопросы.

Gemini: важны сущности и разметка. Чистые определения, структурированные данные и schema-разметка помогают системам Google понять, о чём ваш текст. Здесь дело не в убедительности, а в читаемости для машины, у которой уже есть данные вашего бренда в других сервисах.

Какие метрики отслеживать

Классический трекинг позиций не переносится на AI-ответы, поэтому нужен другой набор. Начните с частоты цитирования: как часто ваш материал становится источником, а не просто упоминанием. Упоминания бренда считайте отдельно - попадание в ответ по имени уже ценно само по себе.

Смотрите, попадает ли ваш текст в основной ответ или уезжает во второстепенную ссылку. Отслеживайте разнообразие источников на уровне запроса: сколько разных доменов движок привлекает по вашей теме и входите ли вы туда стабильно. Свежесть контента тоже влияет - особенно для движков с активным поиском вроде Perplexity, где дата обновления страницы решает, попадёт она в ответ или нет.

Эти метрики не отменяют привычные KPI. Они работают рядом и показывают, видно ли вас там, где покупатели реально задают вопросы. Во Владивостоке и по всему Дальнему Востоку компании уже спрашивают у нейросетей совета по поставщикам - и попасть в такой ответ дешевле, чем догонять конкурента в классической выдаче.

Читайте также

Хотите, чтобы нейросети называли ваш бренд в ответах? Начните с бесплатного AI-аудита - разберём, как вас видят ChatGPT и Perplexity, и что мешает попадать в цитаты.