ИИ-ответы…довольно забавная технология. И, кажется, сегодня каждый бизнес хочет туда попасть.
Содержание:
А где есть спрос, там рождается предложение. Поэтому уже можно встретить обещания вроде «добавим ваш сайт в ответы ИИ» и «оптимизируем сайт под нейросети». Для придания экспертности в ход идёт сложная терминология. Например, Query Fan-out.
Я не продаю GEO, я проверяю — насколько вообще это целесообразно, и правда ли, что сегодня можно просто взять и попасть в Гемини, Грок и другие модные поисковые ИИ ответы, поэтому мне стало любопытно: а что именно сегодня делают специалисты, которые обещают туда попасть? И насколько их рекомендации подтверждаются практикой?
Начнём с Query Fan-out.
Query Fan-out — это механизм, а не кнопка попадания в ответы
Сам по себе Query Fan-out (ветвление запросов) действительно существует. Упрощённо: вместо того чтобы искать информацию только по исходному вопросу пользователя, система может сформировать дополнительные запросы, чтобы собрать информацию по разным аспектам темы.
Но есть нюанс, который в рекламных обещаниях почему-то теряется: это лишь один из механизмов, участвующих в поиске информации и формировании ответа. Знание о механизме не означает, что мы знаем все условия, при которых конкретный сайт будет процитирован.
SEO-аналитик Майкл Мартинес, например, довольно жёстко высказался об увлечении специалистов Query Fan-out, назвав подобные эксперименты пустой тратой времени. Вот его мнение.
Можно соглашаться с ним или нет, но сам вопрос интересный: не переоцениваем ли мы значение одной известной механики только потому, что она получила новое название и стала предметом обсуждения?
Есть и любопытные данные о повторяемости дополнительных запросов. В материале Sitefire со ссылкой на Similarweb приводится оценка, согласно которой при повторении одного и того же промпта стабильными оставались около 27% запросов, сформированных системой.
Это не означает, что каждый ответ обязательно будет другим. Но это хороший повод не воспринимать однажды полученный список подзапросов как постоянное семантическое ядро, по которому можно раз и навсегда оптимизировать сайт.
К тому же нужно разделять поиск источников и генерацию ответа. На результат могут влиять контекст диалога, доступные поисковые результаты, отбор источников и особенности самой модели. Сама по себе RAG — генерация с использованием извлечённой информации — не гарантирует ни разнообразия, ни повторяемости цитируемых источников.
Иными словами, механизм существует. А вот универсальный рецепт «сделайте X, чтобы гарантированно попасть в ответы» из его существования не следует.
И чего теперь?
Вокруг ИИ-поиска уже хватает тревожных прогнозов.
Например, исследование Pew Research Center, опубликованное в июле 2025 года, показало, что пользователи переходили по обычным результатам Google в 8% посещений страниц с AI Overview против 15% посещений страниц без такого блока. По ссылкам непосредственно внутри AI Overview переходили примерно в 1% посещений.
Звучит неприятно для владельцев сайтов. Но здесь важно не подменять выводы исследования более широкими утверждениями: это данные конкретной выборки американских пользователей и конкретного периода, а не универсальная статистика всего AI-поиска.
При этом я встречал и другие утверждения: пользователи стали формулировать запросы в три раза длиннее, чат-сессии растут на 40% ежемесячно, время взаимодействия с поисковиком увеличилось на 65%, а ИИ якобы закрывает все потребности пользователя без перехода на сайты.
Без первоисточников, методики измерения и понимания того, к каким продуктам относятся эти показатели, я бы не стал складывать их в одну картину будущего поиска.
Но даже если принять, что поведение пользователей действительно меняется, возникает следующий вопрос.
Обязательно ли сайту нужна специальная оптимизация под ИИ, чтобы стать источником ответа?
Мне стало интересно проверить это на собственном опыте.
Mitsubishi Outlander, проставки под пружины и старый SEO-проект
Я придумал легенду: у меня Mitsubishi Outlander и мне нужны проставки под пружины.
Я не собираюсь вводить один идеально сформулированный запрос и останавливаться на первой странице выдачи. Я начинаю диалог, уточняю потребность, задаю следующие вопросы. Причём намеренно формулирую их неидеально: допускаю опечатки и кривые конструкции, как это бывает в обычной переписке.
Надо, тем не менее сделать поправку — для этой марки предусмотрены алюминиевые типы изделия.
Чтож, наверное стоит посмотреть и другой пример.
Наркоклиника, и попытки вылечить друга от зависимости
Разумеется, есть и негативные примеры, где я вводил марку авто, для которой ИИ советовал полиуретановые проставки, или рекомендовал другие клиники, частично добавляя и мои проекты, но тезисно, вроде «кодировка Двойной блок».
В сети гуляет достаточно интересный кейс — рейтинг поролона. Автор заточил страницу под тот самый веер запросов (Query Fan-out), он сам об этом говорит.
Но здесь, как мне кажется, есть одна уязвимость.
Если я, будучи владельцем Mitsubishi Outlander, не знаю, какие проставки мне подойдут, и Gemini сначала объясняет различия между вариантами, а затем рекомендует магазин, это интересное наблюдение. Пользователь пришёл с конкретной потребностью, ИИ помог её уточнить, а сайт оказался частью пути к решению.
Но в кейсе с поролоном всё может сломаться при первой же смене формулировки. Допустим, пользователь спрашивает: «Какие материалы лучше использовать для мягкости дивана?» Он ещё не выбирает конкретный поролон и даже не обязательно решил, что ему нужен именно этот материал. Станет ли рейтинг поролона источником ответа? А если вопрос будет звучать иначе — например, «Как сделать диван мягче?» — сохранится ли рекомендация того же сайта? Спойлер — нет.
Иными словами, важно не только то, попадает ли страница в ИИ-ответ по конкретному запросу, но и то, насколько устойчиво это происходит при изменении формулировки и пользовательского намерения.
Кстати, один из косвенных признаков, что LLM способна, прежде всего, «размышлять» в пространстве, а не на точках — мини кейс про VC. Легенда: банк заблокировал мне карту, куда написать в интернете про это. Обычный вопрос, тем не менее:
Мне стало интересно проверить все свои текущие проекты (NDA) и оказалось, что в ответы Алисы и Гемини попадают даже те, с которыми я не работал более года.
Теперь о неприятном
Универсального ключа к попаданию в ответы ИИ не существует. И вряд ли когда-нибудь появится. Модный фразы типа Query Fan Out, эмбеддинги, дообучение — это лишь механизмы. Как в свое время были ссылочные графы, коэффициенты затухания и пр.
Ответы ИИ — результат взаимодействия множества факторов: поискового индекса, графов знаний, контекста диалога, формулировки запроса, механизма поиска и отбора источников. Их сочетание зависит от конкретной системы и ситуации.
Поэтому, если ваш сайт появился в ответе ИИ с первого же запроса, не спешите праздновать победу. Немного остыньте и продолжите диалог. Попробуйте изменить формулировку, уточнить потребность, сменить направление поиска. Посмотрите, останется ли сайт среди источников на третьем, четвёртом или пятом шаге.
Один удачный ответ показывает, что сайт может попасть в выборку источников при определённых условиях. Но только серия проверок поможет понять, насколько устойчиво это присутствие.
Пока это наблюдения, а не доказанные объяснения.
Но если сайт, созданный и продвигавшийся по обычным SEO-принципам, уже способен попадать в такие ответы, прежде чем массово внедрять новые рецепты, стоит хотя бы разобраться, что именно они должны улучшить.
#seo_продвижение #aiагенты #google #иивбизнесе
Источник: vc.ru