Видимость в нейросетях: тест 73 страниц не подтвердил ни один популярный совет
Автор протестировал семь распространённых рекомендаций по видимости в нейросетях на 73 реальных русскоязычных страницах и обнаружил, что ни один из популярных советов не дал статистически значимой разницы между страницами, которые нейросети цитируют часто, и теми, что попали в источники лишь раз.
Рынок GEO (Generative Engine Optimization, оптимизация контента под ответы нейросетей) растёт на советах, которые никто не проверял на русскоязычном материале. Первый открытый эксперимент с точными числами показывает: чек-лист из семи пунктов, кочующий из статьи в статью, не подтверждается данными.
Материалы про видимость в нейросетях обычно сводятся к набору технических рецептов: добавьте подзаголовки, поставьте разметку Schema.org, уберите параметры из адреса. Автор эксперимента решил не пересказывать эти советы, а проверить каждый из них на собственных логах шести моделей: ChatGPT, Claude, Perplexity, Gemini, GigaChat и «Алиса AI». Результат оказался неожиданным: ни один совет не прошёл статистическую проверку.
Как был устроен эксперимент?
Автор взял логи собственного прогона: шесть моделей, 20 запросов, по три повтора каждого. Для анализа он отобрал семь запросов про выбор подрядчика по продвижению в нейросетях. В ответах набралось 199 читаемых адресов страниц.
Страницы разбили на две группы:
- Кросс-модельная группа: страницы, которые попали в источники минимум двух разных моделей. Таких оказалось 36, из них открылось 34.
- Разовая группа: страницы, которые процитировала ровно одна модель ровно один раз. Первые 40 по алфавиту, открылось 39.
Итого 73 страницы для анализа. Ещё 160 адресов автор исключил: это были редиректы Gemini через служебный домен, за которыми не виден реальный адрес.
Важная оговорка, которую автор подчёркивает сам: он сравнивает не «цитируемые против нецитируемых», а «цитируемые часто против цитируемых один раз». Настоящий контроль потребовал бы страницы, которые модели видели и отвергли, а такие данные из логов не извлечь.
Какие советы проверялись?
Автор собрал семь рекомендаций, которые повторяются почти в любом материале про GEO:
- Структурированный текст с подзаголовками.
- Блок вопросов и ответов.
- Разметка Schema.org (способ разметки HTML, который помогает поисковикам и нейросетям «понимать» структуру страницы).
- Чистый адрес без параметров и расширений.
- Ключевое слово в заголовке.
- Свежая дата публикации.
- Достаточный объём текста.
Восьмой пункт автор добавил сам: видимый автор на странице. В разговорах про E-E-A-T (сигналы опыта, экспертности, авторитетности и доверия, по которым поисковые системы оценивают качество контента) авторство звучит постоянно, но в технические чек-листы попадает реже.
Точный тест Фишера не подтвердил ни одного совета
Для каждой страницы автор скачивал HTML и разбирал разметку без браузера. Считались только признаки, видимые в коде, который сервер отдаёт сразу: длина заголовка, наличие ключевого слова в первых 40 знаках, объём текста, число подзаголовков, наличие блока вопросов и ответов, типы JSON-LD, чистота адреса, дата и автор.
Различия между двумя группами автор проверял точным тестом Фишера. Это статистический метод для маленьких выборок: он показывает, случайно ли различие между двумя группами или закономерно. Обычный хи-квадрат на таких объёмах уже ненадёжен.
Пример: видимый автор стоял на 100% страниц кросс-модельной группы и на 82% страниц разовой группы. Выглядит как разница, но тест Фишера на 34 и 39 страницах не позволяет считать её статистически значимой.
Ни один из семи (плюс восьмой) признаков не показал значимого различия между группами.
Что цитируют нейросети на самом деле?
Самые частые попадания в кросс-модельную группу: рейтинговые и обзорные материалы, а не сайты самих агентств. Страница с независимым рейтингом на dtf.ru набрала 27 упоминаний у четырёх моделей, материал про 12 агентств на vc.ru получил 25 упоминаний у четырёх, подборка на sostav.ru собрала 24 у трёх.
Автор делает наблюдение: цитируется не столько сама компания, сколько чужой обзорный текст о рынке компаний. Формат «подборка», «рейтинг», «обзор рынка» оказывается важнее технической оптимизации отдельной страницы.
Что делать с этим прямо сейчас?
Авторам Дзена. Прежде чем переделывать статьи под чек-листы из статей про GEO, учитывайте: на русском материале эти советы не подтвердились. Это не значит, что подзаголовки бесполезны для читателя, но рассчитывать на попадание в источники нейросетей только из-за структуры текста рано.
Маркетологам. Если подрядчик продаёт «оптимизацию под нейросети» по стандартному чек-листу из семи пунктов, попросите показать данные. Пока единственный открытый эксперимент на русскоязычном материале говорит, что эти пункты не работают как обещано.
Предпринимателям. Нейросети цитируют обзорные материалы на площадках вроде vc.ru, dtf.ru и sostav.ru. Попасть в чужой рейтинг или обзор рынка может оказаться полезнее, чем дорабатывать разметку собственного сайта.
Автор скачивал HTML каждой страницы через curl и разбирал признаки скриптом на Python. Вот фрагмент кода, который делит страницы на две группы по числу моделей, сославшихся на них:
cross = sorted(u for u in hits if len(plats[u]) >= args.min_platforms)
once = sorted(u for u in hits if hits[u] == 1 and len(plats[u]) == 1)[:args.control]
Параметр min_platforms равен 2: минимум две разные модели должны сослаться на страницу, чтобы она попала в кросс-модельную группу. Для проверки статистической значимости использовался fisher_exact из библиотеки SciPy.
- Путать «процитировано один раз» и «не цитируется вообще». Автор честно предупреждает: его вторая группа состоит из страниц, которые всё-таки попали в источники. Настоящий контроль потребовал бы страниц, которые модели видели и отвергли, а эти данные из логов не извлечь.
- Делать выводы по маленькой выборке. 73 страницы и 7 запросов из одной тематики. Автор называет это «лишь экспериментом на небольшой выборке». Не стоит экстраполировать результат на весь рынок.
- Игнорировать формат контента. Техническая оптимизация может не сработать, если сам формат материала не совпадает с тем, что нейросети предпочитают цитировать. По данным этого эксперимента, обзоры и рейтинги побеждают.
Эксперимент маленький, выборка узкая, тематика одна. И всё-таки это первый случай, когда кто-то взял популярные советы по видимости в нейросетях и проверил их с конкретными числами на русскоязычных страницах. Результат отрезвляет: привычные рецепты GEO пока остаются гипотезами, а не доказанными методами.
По моим наблюдениям, нейросети действительно чаще ссылаются на агрегирующие материалы, чем на страницы отдельных компаний. Для авторов это практический вывод: писать обзорный, сравнительный контент может быть полезнее, чем вылизывать Schema.org на лендинге.
Честная оговорка: даже этот эксперимент не доказывает, что советы бесполезны в принципе. Он доказывает, что на 73 страницах и 7 запросах различие не обнаружено. Более масштабное исследование может показать другое. Но пока платить за «GEO-оптимизацию по чек-листу» я бы точно не стал.
Проверьте, как нейросети видят ваш контент
Инструменты dzen.guru помогут оценить, цитируют ли нейросети ваши материалы и какие форматы работают лучше.
Попробовать бесплатно
Основатель dzen.guru. Эксперт по монетизации и продвижению на Дзен. Автор курса «Старт на Дзен 2026».
Читайте также
Многоагентные системы ломаются не из-за промптов: два скрытых свойства, которые нужно искать
Многоагентные системы (MAS, multi-agent systems, когда несколько ИИ-агентов работают в цепочке, передавая задачу друг другу) всё чаще ломаются не из-за слабого…
Искусственный интеллект на производстве руды дал +10% к выработке без дня простоя
Искусственный интеллект на горнодобывающем комбинате заменил лабораторный контроль руды непрерывным мониторингом через компьютерное зрение, и предприятие…
DFlash 2 показал 6-кратное ускорение нейросетей, обогнав встроенный MTP DeepSeek V3
Компания Inco AI совместно с z-lab представила DFlash 2, параллельный драфтер для ускорения нейросетей, который при тестировании показал шестикратный прирост…
Комментарии