Сео оптимизация под один поисковик устарела: модель MEO охватывает 8 классов алгоритмов

Специалист по поисковому продвижению Михаил (автор концепции) предложил рабочую модель MEO (Multiple Engine Optimization, оптимизация под множество движков), которая описывает техническую проблему: у страницы или бренда больше нет единого алгоритма-судьи, решающего, покажут ли контент пользователю. Автор подчёркивает, что MEO пока не отраслевой стандарт, не спецификация и не метрика, а именно рабочая модель для систематизации задач. Публикация важна на фоне того, что генеративные ответы уже встроены в Яндекс и Google, а авторы Дзена всё чаще замечают, что трафик приходит не из привычной выдачи.

Восемь классов алгоритмов вместо одного

Автор выделяет восемь классов, каждый со своей механикой извлечения и ранжирования контента:

• Поиск. Инвертированный индекс плюс ранжирующая модель: ссылочная масса, поведенческие факторы, релевантность запросу. Привычная сео оптимизация работает именно здесь.
• Ответы. Расширенные сниппеты и голосовые ответы. Почти всегда опираются на разметку schema.org и структуру заголовков, из которых движок вырезает самодостаточный фрагмент.
• Генеративные системы. LLM (большая языковая модель, программа, которая генерирует текст) с параметрическими знаниями (то, что «зашито» в веса модели при обучении) и/или RAG-контуром (Retrieval-Augmented Generation, когда модель сначала ищет документы, а потом формулирует ответ поверх найденного).
• Рекомендация. Коллаборативная фильтрация (система угадывает интересы по похожим пользователям) и векторные представления пользователей и объектов в одном пространстве.
• Коммерческие сигналы. Ранжирование по структурированным фидам: характеристики товара, атрибуты, доступность. Собственная модель релевантности «запрос плюс товар».
• Карты и графы. Геопривязанные базы POI (point of interest, точка интереса) плюс локальные сигналы: расстояние, рейтинг, актуальность карточки.
• Социальная привязка. Ранжирование внутри графа связей плюс поисковый слой поверх пользовательского контента (UGC).
• Агентная работа. ИИ-агент (программа, которая сама выполняет действия от имени пользователя) вызывает функции через API и машиночитаемые фиды, не показывая список вариантов, а сразу совершая действие.

Ключевое разделение внутри генеративного класса: на параметрические знания можно повлиять только через присутствие текстов в обучающих данных (training data) до очередного претрейна. На RAG-системы влияют через индексируемость и структурированность контента прямо сейчас, похоже на классическую сео оптимизацию, но с другими требованиями к разбивке текста на смысловые блоки.

Зачем нужна согласованность сущностей?

Автор отдельно разбирает проблему брендов с неуникальными именами. Если в разных источниках факты о компании или авторе не совпадают, система связывания сущностей не может однозначно соединить упоминания с одним объектом. Модель путает вас с «однофамильцами».

Что может снизить неоднозначность:

• Структурированная разметка schema.org типов Organization или Product с полем sameAs, которое связывает все профили сущности.
• Одинаковые факты (имена, категории, домены) во всех независимых источниках, не только на основном сайте.
• Присутствие в источниках-якорях: открытые энциклопедические базы, отраслевые справочники.

Автор честно оговаривает: это не гарантирует «автоматического веса» бренду, но вероятность ошибочной атрибуции снижает.

Четыре уровня оценки MEO

Автор предлагает четырёхуровневую модель метрик (пока не общепринятую):

1. «Находимость». Показывает ли вас движок вообще по релевантному запросу. Бинарная или шкальная оценка.
2. Представленность. Частота корректного цитирования, точность фактов, согласованность категории.
3. Конкурентная позиция. Метрика Share of Model: доля упоминаний бренда среди конкурентов по фиксированному набору запросов в разных генеративных системах. Аналог старого Share of Voice, но метод сбора данных пока не стандартизирован.
4. Итог. Визиты, лиды, продажи, стоимость привлечения клиента, возврат на маркетинговые инвестиции.

Мифы, которые автор сознательно не использует

• «Классический поиск умирает.» Автор возражает: каналы сосуществуют, а «SEO умирает» уже двадцать лет.
• «Все генеративные системы используют RAG.» Нет, часть работает только на параметрических знаниях, есть и комбинации.
• «Векторное представление обязательно для любого ИИ-поиска.» Автор указывает, что это распространённое заблуждение.

Как попробовать применить модель MEO к своему проекту?

1. Выпишите все точки, где пользователь может встретить ваш бренд, и сопоставьте каждую с одним из восьми классов (поиск, ответы, генеративные системы, рекомендации, коммерция, карты, соцсети, агенты).
2. Проверьте согласованность: одинаковы ли название, категория и описание вашего проекта на сайте, в Яндекс Бизнесе, в социальных сетях, в справочниках.
3. Добавьте разметку schema.org с полем sameAs на главные профили, чтобы алгоритмы связывания сущностей не путали вас с «однофамильцами».
4. Оцените «находимость»: задайте ChatGPT, YandexGPT или GigaChat вопрос о вашем продукте и посмотрите, упоминает ли модель вас корректно.

Сравнение с российскими реалиями

Для авторов из РФ модель MEO особенно наглядна, потому что Яндекс уже совмещает классический поиск, генеративные ответы (нейро-сниппеты), рекомендательную ленту Дзена, Карты и Маркет в одной экосистеме. Это значит, что один и тот же бренд или автор оценивается разными алгоритмами Яндекса одновременно, и рассогласованность между профилями бьёт сильнее, чем в системе с одним движком.

Что делать с этим прямо сейчас, по ролям?

Автору Дзена. Проверьте, как YandexGPT отвечает на вопросы по вашей теме. Если модель не упоминает вас или путает с другим автором, начните с согласованности: одинаковое имя и описание экспертизы на канале Дзена, в соцсетях и на личном сайте. Структурируйте статьи так, чтобы каждый блок был самодостаточным ответом на конкретный вопрос.

Маркетологу. Классическая сео оптимизация остаётся необходимой, но уже недостаточной. Добавьте в чек-лист аудит генеративных систем: какие факты о бренде выдают ChatGPT, YandexGPT, GigaChat. Расхождения между ответами разных моделей покажут, где сущность бренда «размыта».

Предпринимателю РФ и СНГ. Если у вашего бизнеса неуникальное название, приоритет номер один: разметка schema.org и единообразие данных в Яндекс Бизнесе, 2ГИС, справочниках. Это бесплатно и снижает вероятность того, что алгоритм перепутает вас с конкурентом-«однофамильцем».

Частые вопросы

MEO заменяет классическое SEO?

Нет. Автор концепции прямо говорит, что классический поиск не умирает, каналы сосуществуют. MEO расширяет рамку: вместо одного алгоритма вы учитываете восемь классов. Привычная сео оптимизация остаётся фундаментом, но перестаёт быть единственной задачей.

Как повлиять на то, что генеративная модель говорит о моём бренде?

Зависит от механики. Если модель работает на параметрических знаниях (данные «зашиты» при обучении), повлиять можно только через присутствие в текстах, которые попадут в следующий цикл обучения: публикации в авторитетных источниках, справочниках, энциклопедических базах. Если система использует RAG (ищет документы и генерирует ответ поверх них), работают структурированность контента и разметка, здесь и сейчас.

Есть ли готовые инструменты для измерения MEO?

Автор признаёт, что метрики пока не стандартизированы. Метрика Share of Model (доля упоминаний бренда в генеративных ответах) уже используется отдельными исследователями, но сравнивать данные между разными методологиями напрямую нельзя. Готового сервиса «MEO-аудит» на рынке пока нет.

Концепция сырая, автор не скрывает этого. Но она даёт язык для разговора о проблеме, которая уже реальна: ваш контент оценивают восемь разных судей, а вы готовились только к одному.