Вашего сайта нет в ответах AI? Разбираем причины и исправляем ошибки. Материал Wunder Digital.

Откуда ChatGPT берет информацию
Когда мы говорим о видимости в AI-поиске, важно понимать: нейросети не оценивают сайты так, как это делают SEO-специалисты. Они работают с источниками информации, и у разных AI-систем эти источники (ChatGPT и другие LLM-чаты, такие как Gemini, Claude) принципиально различаются.
Большие языковые модели формируют ответы на основе нескольких типов данных.

1. Обучающие данные – то, на чем модель «выросла»
Перед запуском модель обучают на огромных массивах текстов: открытых сайтах, статьях, книгах, форумах, технической документации и других публичных источниках. На основе этих данных модель формирует статистическое понимание языка, фактов и взаимосвязей между ними.

2. Актуальная информация из интернета
Современные версии чат-моделей могут получать свежие данные из сети: например, через встроенный поиск или интеграцию с поисковыми системами. Это используется для информации, которая быстро меняется: новости, курсы валют, погода и т.д. В таких случаях ответ формируется как комбинация внутренних знаний модели и найденных в данный момент внешних источников.

3. Файлы и корпоративные базы знаний
Если пользователь загружает документы — PDF, DOCX, таблицы — или подключает собственную базу знаний (например, через RAG-систему), модель может использовать эти материалы как локальный источник информации в рамках конкретного ассистента.

Елена Салтыкова, тимлид команды SEO Wunder Digital:
– ChatGPT не «заходит» на конкретный сайт каждый раз, когда пользователь задает вопрос. Он опирается либо на знания, сформированные в процессе обучения, либо на результаты внешнего поиска, если такая функция используется. Поэтому вероятность того, что информация из вашего контента повлияет на ответы модели, зависит от качества и авторитетности источника.

Чем сильнее контент с точки зрения E-E-A-T (экспертиза, опыт, авторитетность и доверие), ссылочного профиля и цитируемости, тем выше шанс, что похожие материалы будут присутствовать в обучающих данных или подтягиваться при онлайн-поиске.

Важно понимать ограничения таких модели:
● они не имеют доступа к закрытым базам данных
● не видят личных данных пользователей
● не помнят конкретных сайтов или статей
● не обновляют знания самостоятельно

Модель не «знает», из какого именно источника взят факт. Она просто генерирует наиболее правдоподобный и логичный ответ на основе обучения.

Как Google AI Overviews выбирает источники
Генеративный поиск Google – AI Overviews (ранее SGE) – работает иначе. В отличие от чат-моделей, он напрямую опирается на поисковый индекс Google, а языковая модель лишь формирует итоговый ответ и связывает его с источниками.

Все цитируемые страницы берутся из обычного органического индекса Google – тех же документов, которые участвуют в классическом ранжировании. Система сначала формирует пул кандидатов по запросу и его возможным подзапросам. Этот процесс называют fan-out: сложный вопрос разбивается на несколько подтем, для каждой из которых подбираются релевантные документы.

Google подтверждает, что в AI Overviews используются те же сигналы качества, что и в обычном поиске, но дополнительно учитывается фактор извлекаемости информации: насколько удобно системе взять конкретный факт со страницы.

К ключевым факторам обычно относят:

1. Топическая релевантность и полнота ответа
2. Страницы, которые максимально точно закрывают конкретную подтему и дают завершенное объяснение.
3. Авторитет и E-E-A-T-сигналы
4. Сильный домен, уникальный и полезный контент, экспертные авторы, репутация бренда и качественные внешние ссылки на сайт.
5. Актуальность информации
6. Для цен, новостей, обзоров и быстро меняющихся тем преимущество получают обновленные материалы.
7. Структура и извлекаемость данных
8. Четкие заголовки, списки, таблицы, FAQ-блоки и прямые ответы на вопросы облегчают извлечение фрагментов для генеративного блока.
9. Разнообразие доменов
10. Google старается показывать несколько разных источников, а не ссылаться только на один сайт.

Исследования показывают, что большинство цитируемых страниц уже находятся в топ-10 органической выдачи по этому или близкому запросу.

Как происходит генерация ответа:

1. Как происходит генерация ответа:Модель формирует структуру на основе запроса пользователя.
2. Система извлекает релевантные документы из индекса (retrieval + semantic ranking).
3. Модель объединяет знания из предобучения и факты из найденных страниц.
4. К каждому фрагменту ответа прикрепляются ссылки на 1-3 источника, которые лучше всего подтверждают конкретный тезис.

В интерфейсе эти ссылки отображаются рядом с абзацами или под ними, позволяя пользователю перейти к первоисточнику.

Пример генерации ответа Google AI Overviews

По наблюдениям специалистов и рекомендациям для вебмастеров, вероятность цитирования в AI Overviews повышают несколько факторов:

• фокусирование на семантике и намерениях пользователя
• сильные E-E-A-T-сигналы: авторы, бренд, ссылочный профиль, прозрачные источники
• структурированный и легко извлекаемый контент: Q&A-формат, списки, таблицы, FAQ
• использование структурированной разметки (FAQ, HowTo, Article, Organization, Person)
• регулярное обновление контента в темах, где важна актуальность

Ключевые отличия источников и поиска

По каким принципам AI доверяет источникам

И генеративный поиск Google (AI Overviews), и чат-модели стремятся выбирать источники, которые выглядят опытными, экспертными, авторитетными и надежными. Это снижает риск дезинформации и повышает качество ответа.

При этом ни одна система не использует E-E-A-T как единый «фактор». Он распознается через множество косвенных сигналов, например:

Experience (опыт)
Практические кейсы, конкретные примеры, демонстрация реального опыта работы с темой.

Expertise (экспертиза)
Терминологическая точность, глубина объяснений, ссылки на исследования или первоисточники.

Authority (авторитет)
Упоминания бренда, внешний ссылочный профиль, репутация домена.

Trust (доверие)
Согласованность информации, прозрачность источников, корректность фактов и данных.

Иными словами, и поисковые системы, и AI-ассистенты пытаются определить, насколько источнику можно доверять. Главное отличие заключается в том, какие сигналы оказываются решающими.

Елена Салтыкова, тимлид команды SEO Wunder Digital:
– Для LLM-систем важен и фактор Brand Authority — насколько часто бренд упоминается в профессиональной среде: в медиа, исследованиях, обзорах и обсуждениях. Чем чаще название фигурирует в разных источниках, тем выше вероятность, что AI-модель будет воспринимать его как надежный источник.

Google: сильная зависимость от индекса и внешних сигналов
Для Google E-E-A-T — это результат сочетания нескольких типов факторов:

• качество контента
• ссылочный профиль
• поведенческие сигналы
• брендовые запросы
• общая репутация домена

Поэтому сайты с сильным SEO часто получают преимущество в ранжировании.

LLM-модели: фокус на читаемости и структуре текста
Чат-модели гораздо сильнее зависят от того, как устроен сам текст. Для них важны:

• четкая структура
• логическая связность
• полнота объяснений
• наличие явных ссылок на источники
• контекст об авторе или бренде

Другими словами, модель должна легко «понять» материал и извлечь из него факты.

Елена Салтыкова, тимлид команды SEO Wunder Digital:
– Прокачка E-E-A-T почти всегда одновременно повышает шансы и на хороший ранкинг в Google, и на то, что AI-ассистенты будут ссылаться на ваш сайт. Но это не означает полного совпадения алгоритмов.

Почему AI игнорирует ваш контент

Есть несколько распространенных причин, из-за которых даже хорошие сайты не становятся источниками для AI-ответов.

1. Нет коротких и прямых ответов.
2. Весь смысл утоплен в длинных вступлениях и «простынях» текста, поэтому модели сложно извлечь конкретный факт.
3. Слабая структура контента.
4. Мало подзаголовков, списков, таблиц, FAQ-блоков. Иногда отсутствует или неправильно настроена разметка Schema.org.
5. Контент не добавляет новой информации.
6. Если текст – это рерайт того, что уже есть у конкурентов, без кейсов, данных или исследований, у системы нет причины выбирать именно его.
7. Несовпадение пользовательского интента.
8. Страница пытается продавать, тогда как пользователь и ИИ ищут объяснение, инструкцию или чек-лист.
9. Слабые сигналы доверия.
10. Мало внешних упоминаний, неясные авторы, нет ссылок на авторитетные источники, бренд практически не присутствует за пределами сайта.

Как нейросети оценивают AI-контент
Нейросети не определяют текст как AI-контент по самому факту его происхождения, они оценивают качество текста по паттернам. К типичным признакам слабого контента относятся:

• высокая предсказуемость формулировок
• повторяемость и шаблонные конструкции
• низкая информационная плотность
• отсутствие фактов, цифр и конкретики
• одинаковый ритм и тон текста

Елена Салтыкова, тимлид команды SEO Wunder Digital:
– Если текст состоит в основном из общих фраз и не содержит новой информации, он будет восприниматься как низкокачественный. Независимо от того, писал его человек или ИИ.

Важно понимать: AI-текст сам по себе не является проблемой. Проблема – это бессодержательный, неоригинальный и бесполезный контент.

Вывод
AI-поиск не отменяет базовые принципы качественного контента. И Google, и чат-модели стремятся опираться на источники, которые выглядят экспертными, авторитетными и надежными. Однако способы определения этих качеств различаются.

Google в большей степени зависит от классических SEO-сигналов – ссылочного профиля, структуры сайта, поведенческих факторов и авторитета домена.
Чат-модели сильнее ориентируются на понятность и полноту текста, а также на то, насколько легко из него извлечь конкретные факты.

Поэтому для видимости в AI-поиске важно сочетать два подхода:

• развивать сильное SEO-присутствие и бренд-авторитет,
• создавать структурированный и содержательный контент, из которого системе легко извлекать ответы.

В новой поисковой реальности выигрывают сайты, которые не просто оптимизированы под алгоритмы, а действительно становятся источником знаний в своей теме.