Как устроена AI-оптимизация сайта под ответы ИИ
RAG и query fan-out: разбор механики AI-поиска. Как писать блоки, которые ChatGPT и Google AI Mode цитируют. Данные HubSpot и практика.
AI-маркетинг · Новости
Все новости
Покупатель спрашивает ChatGPT или Google AI Mode про сервис, и в ответе видит один текст с парой ссылок внизу. Список из десяти синих ссылок он больше не разглядывает. Если бренда нет среди цитируемых источников, его не видно, даже когда он держит первую строчку обычной выдачи.
HubSpot выпустил разбор того, как работает эта механика. Мы пересказали главное и добавили то, что видно на проектах: в чём именно ответчики ведут себя иначе, чем поисковик, и почему единицей AI-оптимизации сайта становится отдельный абзац со своим утверждением.
Переходы из ChatGPT, Gemini и Perplexity выросли втрое за год. 44% маркетологов хотя бы раз покупали у бренда, о котором впервые узнали из ответа ИИ, почти треть делала это не один раз. В электронной коммерции переходы из ИИ конвертируются в 11,4% против 5,3% у обычного органического поиска.
Что происходит между промптом и ответом
Модель отвечает не по заранее собранному индексу страниц, как Google. Она берёт ответ из своих обучающих данных, а когда данных не хватает, идёт в сеть за свежими страницами. Дальше работают две вещи.
RAG (retrieval-augmented generation) отвечает за источники. Система находит актуальные страницы, а потом пишет ответ, опираясь на найденное. Связь между текстом и источником называется grounding, и именно из неё появляются кликабельные сноски рядом с ответом. Google прямо пишет в своём руководстве: страница должна быть в индексе и годиться на сниппет, иначе её не используют.
Query fan-out отвечает за смысл запроса. Один вопрос разбивается на десятки подвопросов: другие формулировки, уточнения, более широкие и узкие версии, логические продолжения. Патрик Райнхарт из Conductor на подкасте Found in AI сравнил масштаб: средний запрос в Google это три-четыре слова, средний промпт в ChatGPT около двадцати трёх. Двадцать три слова разворачиваются в целый набор подзапросов, и каждый ищет свой фрагмент текста.
«Дело не в том, чтобы ранжироваться по конкретному ключу. Дело в том, как часто вы попадаетесь на глаза и вас упоминают по теме, о которой люди говорят».
- Патрик Райнхарт, вице-президент Conductor
Как писать блоки, которые вытащат
Ответчики вынимают фрагменты. Поэтому оптимизировать нужно абзац: он должен содержать законченное утверждение и опору под ним. Модель забирает такой блок, доверяет ему и ставит сноску.
Три приёма, которые дают больше всего:
- Утверждение, сразу за ним доказательство. Секция начинается с прямого тезиса. Дальше цифра, источник или разобранный пример. Ответ не прячется на третьем абзаце, потому что оттуда его уже не вытащат.
- Подзаголовки в форме вопросов. Пишите H2 и H3 так, как люди спрашивают. Под каждым вопросом ответ в первых двух-трёх предложениях, потом нюансы для человека. Fan-out генерирует уточняющие подзапросы, и вопросы в разметке дают больше мест для попадания.
- FAQPage schema. Разметка помечает пары «вопрос-ответ» для машин. Важная оговорка: Google отказалась от расширенных FAQ-сниппетов, так что разметка больше не даёт раскрывающийся блок в выдаче. Сам Q&A оставить стоит: ответчики берут размеченные пары чище.
Где ломается интуиция
Первое: заявка на авторитетность не работает. Модель оценивает сущность - узнаёт ли она организацию и людей за текстом. Узнаваемость строится на повторяемости описания: одинаковое имя, одинаковый титул, одинаковый профиль на сайте, в LinkedIn и в чужом подкасте. Внутренние ссылки делают ту же работу внутри сайта, связывая автора с реальной страницей биографии, а определение с подробным гайдом.
Второе: упоминания на сторонних площадках весят больше, чем правки на своей. Модели учатся на Reddit, и это делает сообщества заметным каналом. Работает там только живое присутствие. Бет Чернес, SEO-стратег, сформулировала прямо: «Если на Reddit вы звучите как ИИ, вас забанят. Нужно приходить человеком».
Третье: мелкая нарезка текста и файл llms.txt для Google не нужны. Google пишет, что специальные машиночитаемые файлы для ИИ-функций не требуются, и llms.txt поиск игнорирует. Разбивать текст на куски по одному предложению тоже не требуется: нужны ясные заголовки и короткие вводные абзацы.
Что это значит для бизнеса
AI-оптимизация сайта не заменяет SEO. Техническая база остаётся: страница в индексе, контент в начальном HTML, роботы пропускают OAI-SearchBot и ChatGPT-User. Сверху добавляется дисциплина структуры, и она дешевле, чем кажется.
Проверка на один вечер: отключите JavaScript и перезагрузите главную. Что осталось на экране, то и видит краулер. Если описания услуг и ответы на вопросы исчезли, именно за них вас не цитируют. Второй шаг - прогнать название компании через ChatGPT и Perplexity и посмотреть, чьи страницы модель берёт в основу: обзоры, рейтинги, треды на Reddit. Этот список полезнее отчёта по ключевым словам, потому что это и есть ваши цели для работы с упоминаниями.
Для компаний Владивостока и Дальнего Востока ставка на AI-поиск даёт двойной эффект. Региональный спрос узкий, и попадание в ответ по запросу «внедрение искусственного интеллекта во Владивостоке» приносит обращения без бюджета на контекст. При этом сам ответ ИИ требует тех же блоков, что и обычная страница услуги: конкретика, цифры, разобранные кейсы.