Разбор 7 советов по продвижению в нейросетях — ни один не работает

Эксперимент с анализом 73 страниц, которые семь популярных ИИ-моделей использовали в своих ответах на подрядчиков по нейросетям, не выявил ни одного работающего совета из семи стандартных рекомендаций по оптимизации под генеративные движки (GEO). Исследование показало, что модели чаще цитируют страницы с независимыми рейтингами и обзорами, а не сами компании-заказчики. Это противоречит устоявшимся представлениям о том, какие страницы должны попадать в источники нейросетей.

Список из семи советов был составлен на основе повторяющихся рекомендаций в материалах про GEO: использование ключевых слов в начале title и h1, добавление блока вопросов и ответов, наличие разметки JSON-LD, чистые URL без параметров, публикация даты, добавление видимого автора и создание длинных структурированных текстов. Для проверки каждый совет анализировался на 73 страницах, которые ИИ выдали в ответ на семь тестовых запросов. Страницы делились на две группы: цитируемые минимум двумя разными моделями (34 страницы) и процитированные только один раз (39 страниц). Для сравнения использовался точный тест Фишера, учитывающий небольшие выборки.

Результаты оказались неожиданными. Почти все советы не показали статистически значимой разницы между двумя группами. Например, ключевые слова в начале title и h1 встречались у 94% и 82% страниц соответственно, а разница в 12 процентных пунктов не была значимой (p = 0,162). Блок вопросов и ответов присутствовал у 76% цитируемых страниц и у 79% разовых, что также не дало значимого различия (p = 0,784). Даже наличие разметки JSON-LD не показало сильной разницы: 85% против 69%, но p = 0,165 не преодолело порог значимости 0,05.

Единственным заметным отклонением стала разметка авторства. В кросс-модельной группе чаще встречались типы Article и Person, что указывает на страницы с указанным автором. В группе разовых страниц преобладали Organization и WebPage, что характерно для карточек компаний. Однако формально этот признак не анализировался через тест Фишера, а стал качественным наблюдением. Это совпадает с распространённым советом использовать видимого автора (часть концепции E-E-A-T), который в технических чек-листах GEO упоминается реже, чем разметка или блоки вопросов и ответов.

Другие советы также не выдержали проверки. Наличие даты публикации или обновления не дало разницы между группами (59% против 51%, p = 0,638), как и чистые URL (100% против 92%, p = 0,243). Более того, разовые страницы даже превосходили цитируемые по таким параметрам, как объём текста, количество подзаголовков и пунктов списков. Единственным исключением стала длина title, где цитируемые страницы были длиннее на 10 символов.

Эксперимент выявил несколько слабых мест в методологии. Во-первых, выборка в 73 страницы слишком мала, чтобы делать однозначные выводы. Во-вторых, группы сравнивались не с нецитируемыми страницами, а между собой, что не отражает реальное распределение сигналов. В-третьих, часть советов проверялась только на наличии признака, без учёта его качества или расположения. Наконец, семь проверок на одних и тех же данных повышают риск случайных значимых результатов.

Тем не менее, исследование ставит под сомнение эффективность большинства стандартных советов по GEO. Особенно удивительным оказался приоритет независимых рейтингов и обзоров над прямыми материалами компаний. Возможно, модели отдают предпочтение страницам, которые выглядят объективно и нейтрально, а не тем, которые активно продвигают себя. Это ставит новые вопросы о том, как на самом деле работают генеративные движки, и какие страницы они считают надёжными источниками.