Geo Aeo Ru

GEO / AEO / LLM SEO — видимость бренда в AI-ответах (RU)

Playbook по Generative Engine Optimization: как сделать так, чтобы твой бренд/продукт появлялся в ответах ChatGPT, Claude, Perplexity, Gemini, Google AI Overviews, а в российском контуре — GigaChat, YandexGPT, Яндекс Нейро.

Это не редакционный и не программатический скилл про создание контента. Это стратегия видимости: измерить, где ты сейчас в AI-ответах, понять как LLM выбирают источники, применить тактики попадания, замерить рост Citation Share.

Источник истины: references/geo-llm-seo-research.md (локальная копия research'а, все цифры со ссылками на Princeton/Ahrefs/Semrush/Conductor). Цифры в этом скилле — оттуда. Не выдумывай новых бенчмарков — если числа нет в research, говори «нет данных».

Перед началом прочитай ~/.claude/business-context.md — разделы «Продукт» (как называется бренд, за какими словами его должны находить), «Позиционирование» (в какой категории хочешь, чтобы тебя искали, и с кем сравнивают) и «ICP» (кто задаёт вопрос модели). Файла нет — заведи из ~/.claude/templates/business-context.md.

Без него замерять нечего: Citation Share считается по конкретным бренду и категории запросов, и «посмотрим, что ответит модель про AI-обучение вообще» — это не замер, а любопытство. Список конкурентов для сравнения тоже берётся оттуда, иначе окажется, что ты выиграл долю у тех, с кем не пересекаешься.

Границы со смежными скиллами (читай перед стартом)

Этот скилл отвечает на: «мой бренд вообще видят в AI?», «как измерить?», «как попасть?», «чем GigaChat отличается?». Стратегия и измерение, не текст.

Что такое GEO / AEO / LLM SEO

Три названия — одна суть: оптимизация контента под видимость в ответах генеративных AI.

GEO и AEO — синонимы на ~90%. GEO про модель, AEO про UX-формат ответа. Используем GEO как зонтик (первым появился в академии).

Почему это новый рынок, а не extension SEO

• GEO ≠ SEO. Только 12% URL, цитируемых AI, пересекаются с топ-10 Google. Только 62% совпадение между ранжированием Google и видимостью ChatGPT. Это два разных рынка.
• Brand mentions обогнали backlinks. Ahrefs (75K брендов): brand mentions коррелируют с AI Overview presence в 3:1 над backlinks. YouTube mentions — 0.737 корреляция, web mentions 0.664, классический Domain Rating — всего 0.218.
• Что НЕ работает: keyword stuffing (Princeton: «no improvement»), технический жаргон, авторитетный тон без подтверждений. Часть классических SEO-приёмов в GEO бесполезна.

Кризис, который это породил (аргумент перед клиентом/руководством)

• Zero-click: 60% запросов в 2024 → 80-83% на запросах с AI Overviews в 2026.
• HubSpot потерял 70-80% органики (13.5M → 6-7M → <1M) за 2024-2025. Канонический кейс.
• Но AI-трафик конвертит в 4-14× выше Google organic (ChatGPT B2B 14-16% vs 1.76%). Объём пока ~1% веба, но рост +527% за 5 месяцев. Маленький, но качественный и быстрорастущий канал.

→ детали и все источники: references/tactics.md (раздел «Кризис и цифры»).

Как LLM выбирают источники (3 канала + citation pipeline)

Три фундаментально разных пути попасть в ответ:

1. Training data — модель «запомнила» бренд при обучении (Common Crawl, Reddit, Wikipedia, лицензированные датасеты). Долгая ставка. Главный сигнал для Claude.
2. RAG / live browsing — модель лезет в индекс в момент ответа (ChatGPT→Bing, Perplexity→свой краул, Gemini→Google, Яндекс Нейро→Яндекс). Быстрорастущая ставка.
3. Citation в видимом ответе — то самое «попасть в [1], [2], [3]». Perplexity, иногда ChatGPT/Gemini, Claude через Citations API.

Большинство тактик целят в #2 + #3 (быстро), но настоящий moat — #1 (массовые упоминания на цитируемых доменах → попасть в обучающие данные следующего поколения моделей).

Citation pipeline (4 стадии): query fan-out (запрос → 8-12 sub-queries) → chunking & retrieval → passage selection (claim density, entity clarity, recency) → attribution. Большинство SEO-контента валится на retrieval, потому что «зарывает ответ» в середину статьи — LLM не дочитает.

Кто что любит цитировать (краткая матрица)

Концентрация авторитета: top-15 доменов = 68% всех AI-цитат (5W Index 2026). Source dominance (Semrush, 17M citations): Reddit 40.1%, Wikipedia 26.3%, YouTube 23.5%.

→ полный разбор каждого движка: references/tactics.md (раздел «Как движки выбирают источники»).

Тактики попадания (что реально работает)

Princeton GEO study (9 тактик на GEO-bench, 10K queries). Что даёт +30-40% к visibility:

Контент-принципы: BLUF (главный ответ в первых 100 словах — 90% выигравших Perplexity-цитат), chunk-friendly структура (блоки по 150 слов), density of claims (один параграф = одно проверяемое утверждение с числом), original research (корреляция 0.79 с visibility), recency stamps, FAQ-секции, comparison-контент («vs», «best», «top»).

Distribution (где публиковать, Tier 1): Reddit (40% цитат), Wikipedia (26%), YouTube (0.737 корреляция), Quora, Substack/Medium. Нельзя постить про себя с brand-аккаунта — модерация банит.

Технические артефакты: schema (Article + FAQPage + Person + Organization — hygiene, не magic), llms.txt (только 3.2% сайтов, downside нулевой, upside спекулятивный — делать «на всякий случай»), robots.txt allow для GPTBot/ClaudeBot/PerplexityBot/Google-Extended/CCBot (блокировка = самоубийство в долгую). SSR обязателен — AI-краулеры не рендерят JavaScript.

→ полный список тактик с приоритетами и числами: references/tactics.md.

Workflow: аудит видимости бренда в AI

Базовая последовательность (применима к любому бренду):

1. Собрать prompt-set (50 промптов, 5 типов):

   • Brand direct: «Расскажи про [Бренд]» — проверка training data inclusion
   • Category: «Лучшие [категория] для [задача]» — в шортлисте ли ты
   • Comparison: «[Бренд] vs [Конкурент]» — наличие и тон
   • Problem-aware: «Как решить [проблему, которую решает бренд]?» — самый сильный сигнал фита
   • Niche / long-tail: специфические запросы из реальных юз-кейсов клиентов

2. Прогнать через 6 платформ: ChatGPT, Claude, Perplexity, Gemini, GigaChat, YandexGPT (+ Яндекс Нейро для РФ). Инструмент — multi-model-gateway, perplexity или любой агрегатор LLM. 50 промптов × 6 платформ = базовый аудит.

3. Зафиксировать baseline по чеклисту (для каждого ответа):

   • Бренд упомянут напрямую? Со ссылкой на оф. сайт?
   • Из какого источника LLM взял бренд (Wikipedia/Reddit/личный сайт)?
   • Тон (позитив/нейтрал/негатив)? Корректна ли категория/USP?
   • Не путается ли с конкурентом? Какие конкуренты рядом? В какой позиции?

4. Посчитать метрики: Citation Share (% ответов с упоминанием), Share of Voice (доля vs конкуренты), Sentiment, Top sources. → методология: references/measurement-tools.md.

5. Найти гэпы → план: где конкуренты есть, а тебя нет = что создать/где засеяться.

6. Поставить трекинг: Otterly ($29/мес), Profound ($499), или свой prompt-runner на API. Перемерить через квартал, сравнить с baseline.

→ метрики, инструменты с ценами, методология промпт-аудита: references/measurement-tools.md.

Скрипты (исполняемая механика, scripts/)

Методология выше — «что проверять»; скрипты — реально проверяют. Все выводят JSON в stdout, зависимости: requests + beautifulsoup4 (уже стоят). Портировано из geo-seo-claude (MIT) с RU-адаптацией (кириллица-паттерны, YandexBot, ru-wiki, Habr/vc.ru).

cd ~/.claude/skills/geo-aeo-ru/scripts

# 1. Citability: скоринг пассажей страницы 0-100 (134-167 слов, BLUF, цифры, self-containment)
python citability_scorer.py https://site.ru/article

# 2. llms.txt: проверить наличие/формат ИЛИ сгенерировать по главной
python llmstxt_generator.py https://site.ru            # validate
python llmstxt_generator.py https://site.ru generate   # → generated_llmstxt в JSON

# 3. Технический фетч: страница/robots (доступ 16 AI-краулеров, вкл. YandexBot)/llms/sitemap/всё
python fetch_page.py https://site.ru robots
python fetch_page.py https://site.ru full

# 4. Brand mentions: Wikipedia en+ru / Wikidata (API-проверка) + чек-листы YouTube/Reddit/LinkedIn/Habr
python brand_scanner.py "YourBrand" yourbrand.ru

Куда смотреть в выводе: average_citability_score + bottom_5_citable (что переписать), ai_crawler_status (BLOCKED = невидимость), has_ssr_content: false = AI-краулеры видят пустоту, has_wikipedia_page_ru/en + has_wikidata_entry (training-data блокер).

Скрипты НЕ заменяют промпт-аудит (workflow выше) — они проверяют сайт, а не ответы LLM.

Российская специфика (главное отличие этого скилла)

Западные GEO-тулы (Profound, Otterly, Peec AI, AthenaHQ) НЕ мониторят GigaChat / YandexGPT / Яндекс Нейро. Это слепая зона — и одновременно возможность.

• GigaChat vs YandexGPT/Alice: одни и те же бренды показывают 2-3× разную Share of Voice между ними (GeoScout). → отдельный мониторинг каждой русской платформы обязателен.
• GigaChat: обучен на русскоязычных данных, бизнес-фокус, экосистема банка-вендора. Любит присутствие в RU-инфополе (vc.ru, Habr, новости). Training-weight высокий.
• YandexGPT / Alice / Нейро: поверх Яндекс-индекса. Оптимизация = классический SEO под Яндекс (см. seo-machine-ru + yandex) + структурированные ответы + FAQ + recency. 12% пользователей нейросетей в РФ выбирают YandexGPT.

→ полный разбор русских LLM + почему западные тулы их не видят + стратегия под русские платформы: references/russian-llm.md.

Как применить это к своему продукту (двойная игра)

GEO обычно даёт две параллельные выгоды — используй обе:

(1) Попасть в ответы как рекомендуемый вариант в своей категории. Цель: на категорийный или problem-aware запрос («какие есть [категория] для [задача]?», «чем решить [проблема]?») твой бренд оказывается в ответе ChatGPT/Perplexity/Claude рядом с конкурентами, желательно в выгодной формулировке категории. Типовые блокеры: нет Wikipedia-страницы (критично для Claude/ChatGPT training data), нет sustained Reddit/Habr presence, нет оригинального исследования как citation-магнита. Прогони workflow-аудит выше, найди свой блокер и закрой его.

(2) Тот же движок можно продавать. Скрипты из scripts/ + промпт-аудит по шести платформам собираются в услугу «AI Visibility»: клиент называет бренд и 20 промптов → прогон → Citation Share и отчёт. На RU-рынке это пока незанято ровно потому, что западные тулы не ходят в GigaChat/YandexGPT/Нейро. Структуру коммерческого предложения бери в sales-enablement-ru, рендер отчёта — в slides / pptx, цену калибруй через pricing-strategy-ru: отдельного шаблона КП здесь нет и не нужно.

→ План работ на квартал складывай сам: P0 — то, что чинится за неделю (robots, llms.txt, schema), P1 — переписывание топ-страниц под цитируемость, P2 — работа на упоминания. По каждому пункту заранее запиши метрику из references/measurement-tools.md и дату повторного замера, иначе результат нечем будет предъявить.

References (читать по необходимости)

Связки (не дублировать — звать существующее)

• Написание контента под цитируемость → seo-machine-ru (роли + Python-пайплайн).
• Массовая генерация страниц под long-tail → ai-seo-agent-pipeline.
• JSON-LD разметка (Article/FAQPage/Person/Organization) → schema-markup-ru.
• Прогон промптов через модели → multi-model-gateway / perplexity.
• Публикация на площадки (Habr/VC/RBC/LinkedIn) для distribution → скиллы публикации постов, tilda.

Реальный опыт (changelog/уроки)

• v1.1 (2026-07-18): добавлена исполняемая механика scripts/ (citability_scorer / llmstxt_generator / fetch_page / brand_scanner) — порт из zubair-trabzada/geo-seo-claude (MIT, 9K★) с RU-адаптацией: кириллица-паттерны в скоринге, YandexBot в robots-чеке, ru-wiki + Habr/vc.ru в brand-скане, UTF-8 stdout под Windows, lxml опционален. Смок пройден (py_compile + usage).
• v1.0 (2026-06-22): создан из research'а по GEO/LLM SEO. Все бенчмарки — из research. Отделён от seo-machine-ru (контент под Яндекс) и ai-seo-agent-pipeline (программатическая фабрика): этот скилл — про ИЗМЕРЕНИЕ видимости и СТРАТЕГИЮ попадания в LLM-ответы + российскую специфику.
• Главный инсайт для РФ: западные GEO-тулы не видят GigaChat/YandexGPT/Нейро → у любого RU-бренда есть уникальная возможность для GEO-мониторинга этих платформ.