А почему бы и нет? Нулевой проект, 30 дней и GEO-эксперимент с нуля
Глава 1 Часть 1 - Вступление (исследование)
Глава 1. Часть 2 - Ресерч / Построение общего беклога
Глава 1. Часть 3 - Ресерч / Построение беклога циклов
Глава 2 Часть 1 - Практическая реализация первого цикла GEO продвижения
Глава 2 Часть 2 - Результаты первого цикла GEO продвижения
Глава 2 Часть 3 - Факапы первого цикла GEO продвижения
Глава 3 Часть 1 - Планирование/построение второго цикла GEO продвижения
Финальный вывод: Архитектура внимания и победа над «нулевой точкой»
Глава 1 Часть 1. Вступление (исследование)
Доброго дня, Уважаемые участники и гости конференции Optimization.
Мое имя Влад Аксютин, и сегодня вместе с командой Reconversia Group мы попробуем вас удивить.
Дело в том, что о премии GEO Heroes мы узнали примерно за месяц до окончания приёма заявок и, к сожалению, на тот момент готового GEO-кейса у нас не было. Зато был практически нулевой B2B SaaS с PLG-моделью, созданный буквально этим летом, команда и профессиональное любопытство.
Можно было решить, что начинать уже поздно, но чувство азарта и жажда приключений взяли над «исключительно рациональным» вверх, и мы пришли к мысли: а почему бы и нет?
Почему бы нам не взять нулевой проект, о котором поисковые и генеративные системы ничего не знают, зафиксировать нулевую точку и попробовать за один месяц построить вокруг него управляемую GEO-стратегию? Не подготовить красивый рассказ постфактум, а публично пройти первый исследовательский цикл со всеми гипотезами, ошибками, ограничениями и промежуточными результатами.
При этом у эксперимента были бы вполне прагматичные бизнес-задачи. На уровне выбранного B2B-продукта сформировать цифровое присутствие и стать понятным поисковым и генеративным системам. На уровне Reconversia вынести формирующийся подход к управлению вниманием из внутренних процессов в публичное поле, проверить его на реальном проекте и сделать понятным потенциальным партнёрам.
Конференция дала эксперименту площадку и жёсткий дедлайн, но более долгосрочная задача эксперимента - это сформировать представление о Reconversia через реальные решения, а не через декларации.
Звучит достаточно авантюрно, да? А теперь давайте сформулируем главный вопрос кейса более ясным языком:
Можно ли системно сформировать присутствие нового B2B-продукта в нейропоиске, если у языковых моделей нет исходных знаний о нём, а у команды есть всего один месяц?
В качестве экспериментальной среды мы выбрали NativBrowser.com. Не потому, что он уже обладал сильными результатами, известным брендом или удобной для публикации историей. Наоборот: ничего этого не было. Ведь нам был нужен не идеальный кейс, а реальная нулевая точка.
На этом авантюрная часть истории закончилась и началась инженерная. Чтобы за 30 дней не превратить эксперимент в хаотичный набор SEO / GEO-задач, нам требовалась единая логика управления исследованиями. В её основу мы положили Attention Management Framework. В рамках фреймворка внимание рассматривается как стратегический ресурс, маршрут внимания - как единица анализа, а исследование, гипотеза и эксперимент - как последовательные элементы управленческого цикла.
Полная архитектура AMF описывает путь от исследования внимания до формирования продукта и организационных способностей, однако в этом кейсе мы сознательно ограничимся первым исследовательским контуром: маршрут внимания, исследование, гипотеза, эксперимент, измерение, валидация, следующий цикл.
За один месяц невозможно доказать устойчивое конкурентное преимущество или превратить отдельные результаты в зрелую организационную способность. Но этого времени достаточно, чтобы проверить другое: позволяет ли фреймворк последовательно разложить неопределённую GEO-задачу на наблюдения, опровержимые гипотезы и измеримые эксперименты.
Для этого предстоит отделить бизнес-задачу от технической и построить рабочую модель присутствия нового продукта в нейропоиске.
Поэтому следующий раздел начинается не с перечня выполненных работ, а с изучения доступных данных посредством осинт разведки и реверс-инженеринга найденных проектов.
Глава 1. Часть 2 Ресерч / Построение общего беклога
В основу нашей модели присутствия в нейропоиске мы положили итеративно-инкрементальный подход (это важное уточнение для понимания на основе чего будут строится и улучшаться циклы разработки / продвижения продукта).
Ниже, вы найдете R&D-сводку по Generative Engine Optimization / Answer Engine Optimization. География: RU-сегмент (Яндекс Нейро / Поиск с Алисой) и EU/Western-сегмент (Google AI Overviews, Perplexity, ChatGPT Search, Bing Copilot). Полная таблица с ресерчем: https://docs.google.com/document/d/1f8FutLeCOfue8nylOy1jRMcYK2JDN089P2XGd3lbcD0/edit?tab=t.0
В таблицу включены только конкретные кейсы, зарегистрированные эксперименты, подтвержденные наблюдения и разборы патентной логики. Каждая строка содержит прямую рабочую ссылку на первоисточник.
Глава 1. Часть 3 Ресерч / Построение беклога циклов
Каждый из найденных материалов послужил прото-беклогом проекта Nativbrowser, учитывая наш основополагающий вопрос, мы решили декомпозировать беклог, используя матрицу Эйзенхауэра, и в графу «важно-срочно» попали 5 следующих материалов:
Почему именно эти материалы?
Очевидно, что перед тем как решить задачу, нужно выяснить сопутствующие ограничения и поставить проблемы, конкретно в нашем случае проблемы были две:
Первая — системная коллизия имени. Пишешь Nativ-browser, поисковик предлагает Native Browser, модели уходят рассказывать про встроенный браузер где-то там. Пока марка не отделена от категории, любой текст по ключу работает на чужое слово.
Вторая — отсутствие сущности. Моделям не к чему приклеить бренд, кроме одного сайта, которого нет в индексе.
Т.к в процессе поиска / изучения материалов мы наткнулись на одну интересную мысль, основанную на мнение, что GEO продвижение - это фикция и вообще обычное SEO под новым соусом, мы решили слегка усложнить задачу добавив к нашему вопросу, одну пикантную деталь:
Можно ли системно сформировать присутствие нового B2B-продукта в нейропоиске, если у языковых моделей нет исходных знаний о нём, а у команды есть всего один месяц? не используя классическое SEO.
Глава 2 Часть 1 (гипотеза / эксперимент) Практическая реализация первого цикла GEO продвижения
На основании поставленных нами проблем, в качества мета-гипотезы под флагом которой пройдет весь цикл, стал материал Евгения Молдовану - Как я получил Google Knowledge Graph Panel без Википедии, Wikidata и публикаций в СМИ
Фактически декомпозиция этого кейса позволила заложить фундамент под решение двух основополагающих проблем, особенно учитывая тот факт, что мы решили не использовать классическое SEO, но оставить открытым robots и прописать правильные hreflang на подпапках.
Евгений предложил достаточно очевидно-интересный альтернативный вариант получения сущности в Knowledge Graph, чем помог нам сформировать кусок беклога
Зерно кейса. Google умеет собрать сущность из набора согласованных данных на чужих доверенных доменах. Википедия не единственная дверь. Сам по себе Knowledge Graph - есть база сущностей Google, где описывается сам объект, его свойства и с чем он связан. И если говорить о Knowledge Panel ( той штуке, которую Google показывает в выдаче) - так это только маленький кусочек всей базы.
Пример: человек спрашивает «лучший антидетект». Системе нужно понять, что NativBrowser — отдельный продукт, а не ошибка вместо native browser. Если сущности нет, даже чужая цитата про него схлопывается в общую категорию.
Исходя из этого, формируем Гипотезу №1: Для формирования сущности в цифровых средах, необходимы согласованные материалы на трастовых площадках, которые служат источником для формирования сущности продукта быстрее, чем свой домен успевает набрать траст и дополнительно повышает вероятность цитирования в llm моделях в обход классического SEO.
P/s
И да, кстати, если разгонять тему классического сео, оно так или иначе в основном будет крутится вокруг on-page оптимизации, в то время как GEO продвижение в основном будет крутится вокруг off-page оптимизации, но это будет работать только в том случае, если мы будем разделять классическое SEO на off-page и на on-page.
Что, если говорить о «современном» seo как о нечто неделимом? получится, что GEO это все тоже SEO только под новым соусом?
Теперь вернемся к основной части этой главы: для обработки гипотезы мы собрали простой пайплайн с некоторым тюнингом состоящий из следующих основных векторов:
1.1 Формирование образа бренда за счет паразитного SEO:
https://journal.topvisor.com/ru/championship/2025-earned-11-millions-on-affiliate-mfo/
1.2 Формирование образа бренда за счет EMD доменов:
https://journal.topvisor.com/ru/championship/2026-granite-workshop-geo-promotion/
Каждый из векторов запускался параллельно, но в рамках этого кейса каждый из векторов мы раскроем последовательно, чтобы не нарушать общий ход повествования.
Итак, паразитное сео. Почему мы начинаем именно с него?
Если не качать свой домен, а собрать согласованный поток статей на уже трастовой площадке, часть материалов быстро попадет в индекс и начнёт работать как источник.
Пример статьи: http://vc.ru/marketing/3100253-tarify-antidetekt-brauzerov-sravnenie-i-osobennosti-populyarnykh-servisov
Само наличие индекса является стартовой точкой для продвижения документа с помощью поведенческих факторов, к тому же, траст ресурса нивелирует агрессивные тактики ссылочного спама с помощью хрума и прочих “низкокачественных” ссылок.
Таким образом, мы в процессе планирования уже расширили пул тасков в беклоге и заложили фундамент под второй цикл на основе инкрементального подхода.
Для поиска подходящих площадок взяли за правило сделай лучше, чем у конкурента, и в качестве дополнительного источника поиска решили использовать в том числе память и ответы интересующих нас LLM моделей.
Задав ряд запросов во множество llm-ок по своим конкурентам, нехитрым образом получаем основные источники их цитирования, среди которых находим дополнительные подходящие нам площадки, одновременно с этим получая ключевую информацию о том, какие площадки лучше всего использовать для получения цитирования и упоминаний. Регистрируем площадки / прогреваем площадки.
На момент формирования роадмапа, мы планировали закрыть задачу по производству контента на собственном генераторе сайтов, наивно предполагая, что сможем без привлечения внимания отдела разработки допилить весь необходимый функционал.
Если кратко, эта идея провалилась, и мы пошли по пути уже готовых решений.
Чтобы не затягивать процесс производства, для первичной выкладки решили использовать инструмент Олега Шестакова: https://app.seo-agents.io/. 30+ статей на разных пайплайнах, с разной структурой и коннотацией, в основном именно эти 30 статей послужили прогревочным материалом для увеличения траста профилей.
В процессе выполнения спринта, столкнулись с рядом ограничений со стороны платформы и в качестве альтернативы, решили разбавить тесты с производством контента системой промтов GIST завернутых в скилл, который помогает отсеять шум и дать LLM дополняющую выдачу информацию, а не просто очередную статью, которыми и так переполнен SERM. В результате роадмап этой гипотезы разросся до:
Подробнее о GIST можно почерпнуть из этого док-та: https://arxiv.org/pdf/2405.18754, данный документ разбирал dr.max на телеконференции Миши Шакина от 10 июля 2026го на https://www.youtube.com/watch?v=3djkSrTHZLg и именно его интерпретация GIST в виде скилла, послужила основанием для диверсификации источников генерации трафика.
Сам скилл лежит здесь: https://t.me/drmaxprompt/71 к нему можно прикрутить нечто похожее на github.com/blader/humanizer или любой другой промт для очеловечивания получаемых материалов, сверху это все можно затюнить библиотекой готовых модулей github.com/Affitor/affiliate-skills
Пример статьи: https://habr.com/ru/articles/1076144/
После того как построили процессы на векторе с паразитным seo, переходим к следующей крайности той же сущности, а именно: Формирование образа бренда за счет EMD доменов. Формулируем гипотезу №2:
Если поднять сетку рейтингов на отдельных EMD-доменах и дать каждому свою методологию, модели начнут воспринимать их как тематически и структурно обособленные источники , что само по себе может усилить консенсус продвигаемой сущности на паразитных ресурсах.
На этом векторе была своя хорошая новость, дело в том что суть задачи подразумевает создание web-документов с обзорами, листингами, запросами сравнения на своих ресурсах, и под эту задачу у нас был разработанный инструмент с доступом к начинке под капотом, возможностью кастомно влиять на пресеты с методологией построения структуры: формирующие контекст, критерии обзоров, прочие условия и таблицы.
Сетку Emd доменов делаем по образу и подобию PBN сети, степень конфиденциальности сети определяя уровнем своей паранойи и общими знаниями о устройстве анти-фрод / детект систем.
Пример EMD домена: https://best-antidetect-browsers.com/
Учитывая свежий опыт Дмитрия Дамарнацкого, изложенным в кейсе «Как заставить нейросети рекомендовать ваш бизнес», мы выяснили, что модели охотнее цитируют не сайт компании, а внешние рейтинги. И это вывод подтверждается еще как минимум двумя авторитетными мнениями из индустрии: Олег Шестаков (Founder Rush Agency & Black Flag SEO) https://t.me/oshestakovdigital/1404 и мнение зарубежного коллеги Эксперт ИИ-поиска, криминалист глубокого технического SEO Дэвид Квейд в гостях у Эдварда Штурма https://youtu.be/MvbVisdUAZ0?si=khdCWwUkYnuJi6-D
Если такие рейтинги стоят на разных доменах и собраны по разной методологии, они перестают схлопываться в один источник и начинают работать как отдельные подтверждения. К тому же, при реализации данного подхода, всегда остается опция залинковать emd домены с паразитными источниками.
Предлагаю на этом векторе рассмотреть более подробно этапы “проверки” гипотезы. Итак, продолжая идти по пути разделения векторов, отдельно поднимаем emd домены под бурж, отдельно СНГ.
Чтобы не брать домены наугад, сначала собрали небольшое семантическое ядро. Смотрели, какие запросы живые, какие обзорные сайты уже стоят в нише, какие похожие проекты реально работают, какие имена свободны и не схлопываются в чужой бренд. На каждый вектор взяли по четыре домена.
Методики придумывали отдельно. Сначала форматы, потом посадка на адреса. Набросали несколько каркасов: баллы по цифрам вендоров, подборки под задачу без короны «лучший в мире», каталог платформ, справочник, сравнения, карточки обзоров.
Про top / best / review тоже не забыли. На выходе восемь ролей по одной на домен.
Review считает баллы. Best собирает подборки и оценки не ставит. TOP держит каталог. Rating отвечает за отпечаток и детект. Русские зеркала закрывают справочник, листинг, карточки и сравнения.
Когда роли сели, пошли в генератор. Задавали тип сайта, язык, гео и шаблон под методику. Это не один лендинг, размноженный на восемь адресов: у каждого свой каркас. Дальше обычная цепочка: генерация, правка, деплой, привязка домена, пинг и проверка в вебмастерах. Индексацию не оставляли на самотёк. Без этого сетка существует только в таблице.
Потом началась грязная часть. Где-то не сел шаблон. Где-то поехала структура. Где-то текст оказался слишком похож на соседний домен, и мы его пересобрали. Для нас «ноль совпадающих предложений между сайтами» не пожелание, а правило. На все страницы натягивали Schema.org. Если разметка не вставала или врала, правили точечно. Если каркас не держался, страницу пересобирали целиком, чтобы в индекс уходил нормальный вариант.
Материал с витрин не умирал на восьми сайтах. Тексты, таблицы и формулировки уходили в статьи для паразитки. Один и тот же факт (команды, тариф, сравнение с AdsPower) должен был жить и на EMD, и на чужой площадке. Иначе два контура снова рассказывают разное.
Итого восемь доменов: четыре бурж, четыре СНГ. Четыре личности, у каждой по два сайта, без перекрестных ссылок внутри пары. На конец августа собрано 46 страниц из 150 в плане. Руками масштабировать это направление нереально. Поэтому собрали вне рабочего контура мрг (минимально рабочий генератор ). Он берёт тип сайта, домен, нишу, бренд, язык и гео, собирает каркас и гонит через фильтр и редактора. На площадку ничего не уходит без апрува человеком. Дальше тот же контур деплоит, вешает домен и пингует вебмастера.
В процессе генерации контента, мы отдельно подметили особые черты продукта, о которых говорится на оф.сайте. Если грубо, NativBrowser заточен под большие команды, а не под человека с двумя профилями. Под агентства, affiliate-команды, тех, кому нужна инфраструктура на много людей. На сайте продукта это тариф Business Box: роли, общее пространство, до тысячи пользователей. В паразитке ту же формулировку вшивали в статьи, как рабочий критерий сравнения.
Зачем так? В сложной нише модель редко поднимает неизвестный бренд целиком. Она цепляется за отличие, которое уже где-то прочитала как факт. Если отличие звучит одинаково на своём сайте и на чужой странице, его проще взять в ответ, чем слоган с одной витрины. Дальше этой зацепкой можно пользоваться: новые материалы, новые сравнения, позже поведенческие по запросам вроде antidetect browser for teams и «антидетект для команды».
Что касается поведенческих, это уже гипотеза с второго цикла, но т.к мысль интересная, нахожу важным ее затронуть. Что, если одно проверяемое отличие живёт в трёх контурах - сайт, EMD, паразитка? Если оно нигде не повторяется, крутить нечего. Если повторяется, во втором цикле можно дожимать уже не «весь антидетект», а узкий срез, где нам есть чем ответить. ПФ тогда садятся на эти запросы, а не на всю категорию сразу.
Интересное предположение, но вернемся к нашему циклу. Итак, в процессе тестирования первых 2 гипотез, которые естественным образом вышли из нашей мето-гипотезы, мы задались вопросом: “ как бы нам ускорить процесс сканирования материала llm моделями?”.
На основе этого вопроса, была сформирована Гипотеза #3
Если после появления источников регулярно показывать моделям вопрос с URL наших страниц, увеличится частота обхода страниц LLM-краулерами и вероятность использования документов при формировании ответов.
Задача не «научить ChatGPT рекламным промптом», а заставить краулер сходить на живой URL и собрать оттуда факт.
Эта гипотеза пришла не с пустого места, еще вначале 2025го мы проводили ряд экспериментов в Copilot, часть этих результатов кратко и лаконично изложены в нашем кейсе: Искусство доминации на b2b проектах в igaming
На 10 августа инъекции ставить было некуда. 6 сентября мы включили ежедневный контур в ChatGPT, Perplexity и Copilot Search.
Как это устроено? Берём вопрос про продукт или категорию и приклеиваем URL страницы, которую модели ещё не видели. Пример: Can you explain what Nativ Browser is and who it's built for? I found a reference to it onhttps://nativbrowser.com/ but would love a deeper breakdown.
Чужой контур на таких заходах работает по модели попандеров. По оценке Олега Шестакова, стоимость одного захода составляет 1,5–2 доллара. При этом нам нужна ежедневная системная пачка, а не разовый всплеск, поэтому покупать такой трафик как медиа означало бы впустую сжечь весь месячный бюджет.
Решением стал собственный инструмент, включающий прокси, прогретые профили и настроенную очередь промптов. За счет этого себестоимость падает примерно в десять раз: речь идет не о полутора-двух долларах за штуку, а о копеечных затратах на железо и прокси для того же объема. Создание собственной панели полностью сняло барьер стоимости повторения без нее третья гипотеза либо вообще не смогла бы стартовать, либо обошлась бы в неподъемную сумму как разовый трюк.
Постановка набора ключевых запросов для инъекций на примере копилота. По аналогии запускаем ChatGPT и perplexity.
Что происходит дальше? После запуска задач в работу, подготовленные профили имитируют поисковый запрос в выбранной LLM модели по шаблону, где используется прием быстрого ввода запроса. По итогу мы зафиксировали обращения определённых user-agent к URL. Дальнейший эксперимент должен установить, связано ли это с последующим появлением источника в ответах.
Глава 2 Часть 2 Результаты первого цикла GEO продвижения.
Первый цикл ещё не позволил достичь целевого уровня присутствия бренда в ответах, однако зафиксировал положительную динамику без развития классической органической видимости основного домена.
Страницы созданного контура начали появляться в источниках LLM, а сами модели стали корректнее распознавать сущность продукта. Это промежуточный результат, который указывает на работоспособность подхода, но требует продолжения эксперимента и дополнительной валидации во втором цикле. Ниже — измеримые результаты по каждой гипотезе.
Гипотеза 1. Паразитка в источниках
Первая ставка проверяла чужой траст. Статья на vc.ru зашла в индекс за часы. Дальше Алиса и другие модели начали брать не бренд с витрины, а конкретную страницу. Адрес: https://vc.ru/marketing/3100253-tarify-antidetekt-brauzerov-sravnenie-i-osobennosti-populyarnykh-servisov
В блоке источников по запросу про Nativ рядом стоят три разных контура: свой сайт, статья на vc.ru и уже EMD. Для гипотезы 1 важен средний пункт. Модель цитирует площадку, которую мы не качали классической органикой.
По сравнительному запросу продукт тоже встаёт в таблицу лидеров. Не как единственный ответ. Как строка рядом с Dolphin, AdsPower, Multilogin. Для нуля за месяц это и есть рабочий сигнал гипотезы 1: страница на чужом домене извлекается.
Таким образом можно говорить о подтверждении первой гипотезы.
Вторая ставка - свои витрины на чужих по смыслу доменах. Модели начали брать не только vc.ru. В источниках появляются antidetect-browser-review.com и best-antidetect-browsers.com и другие поднятые EMD домены. Это ровно то, что гипотеза обещала: рейтинг на EMD воспринимается системой как отдельный тематический документ
По запросу Nativ Browser ответ уже собирается с нашего EMD, а не с NativUSA. В сайдбаре тот же review-домен.
Зацепка «большие команды» тоже всплывает. По запросу про антидетект для больших команд Nativ стоит в сравнительной таблице с лимитом Business Box. Это ещё не победа ниши. Это факт, который модель уже умеет достать.
Гипотеза 3. Обход ботов и граф Copilot
Инъекции были запущены 6 сентября в момент, когда у источников появился готовый контент для отдачи. Исходная гипотеза о том, что промпты мгновенно изменят ответы чата, не подтвердилась. Однако после запуска инъекций мы зафиксировали рост обращений LLM-краулеров к целевым URL, включая GPTBot, что согласуется с инсайтами Олега Шестакова. Это подтверждает влияние контура на обход документов, однако связь между обходом и последующим появлением источников в ответах требует продолжения эксперимента во втором цикле.
Положительная динамика также видна в Copilot AI Performance. График домена rating-antidetect-browser.com появился 7 сентября, а к 10 сентября система зафиксировала около 1,5 тыс. цитирований и две страницы в графе.
По состоянию на 10 сентября основной сайт получил около 2,5 тыс. цитирований.
Подводя общую черту по первому циклу работ и проверке представленных гипотез:
Полновесную сущность за месяц собрать не удалось, при этом по результатам первой и второй гипотезы видно, что сущность формируется, и мы движемся в верном направлении. Встает только вопрос кол-ва дополнительных источников для цитирования и подпиткой LLM моделей полезной и уникальной информацией.
В тоже время, то что касаемо коллизии имени. Bing по запросу nativ browser предлагал native browser. ChatGPT уходил во встроенный браузер, Perplexity в чужой продукт.
После того как поле источников появилось и боты пошли на URL, часть систем перестала предлагать исправление.
В Bing подсказка native пропадает, в выдаче остаётся nativbrowser.com. В ответе ChatGPT и Perplexity: Nativ Browser — антидетект, не фильтр и не встроенный браузер. В источниках — наш сайт и наш EMD. На что дополнительно указывают подтверждения 2 и 3тьей представленных гипотез.
Глава 2 Часть 3 Факапы первого цикла GEO продвижения.
Факап гипотезы 1: Узкий пул площадок для формирования сущности
Для закрепления сущности (бренда) в памяти ИИ оказалось критически важно количество уникальных площадок, а не плотность упоминаний на одних и тех же ресурсах. Мы пренебрегли базовым правилом классического SEO: важен фактор присутствия, то есть максимально широкий количественный охват.
Ошибка в ресерче: Изначально мы искали площадки через стандартный поиск (SERP) и прямые запросы к ИИ («какие площадки ты цитируешь?»). Это дало искаженную картину.
Как нужно было делать: Следовало сразу составить матрицу коротких и длинных промптов и прогнать их через разные модели в разных ГЕО. Это моментально показало бы реальные источники цитирования и частоту их использования нейросетями.
Инсайт: В основном ИИ берет информацию из трастовых блогов уже устоявшихся в его базе брендов антидетект-браузеров.
Факап гипотезы 2: Игра в «Честный рейтинг»
На старте сетки EMD-обзорников мы заложили жесткие правила: использовать разные методологии, брать реальные цифры вендоров и не врать в таблицах. Звучит этично, но в выдаче это оказалось не единственным и не главным путем.
Реальность выдачи: если посмотреть на тех, кто уже стоит в категории как обзорник, картина другая. Большинство таких EMD не независимые редакции, а сетки под конкретный продукт. Показатели приукрашены, недостатки конкурентов раздуты, а свой бренд всегда стоит в удобной строке.
Критерии ИИ: Достоверность данных - не критерий для попадания в индекс или в ответ LLM. Главные критерии: живой URL, легко извлекаемый пассаж и структура документа, выглядящая как типичный рейтинг.
Потеря времени: Мы потратили целый цикл на выверку цифр (например, AdsPower), проверку документации (офлайн/облако) и попытки удержать ноль одинаковых предложений между доменами.
Вывод для второго цикла: Объективное взвешивание плюсов и минусов - не единственный способ собрать EMD-обзорник. В этой нише модель цитирует формат рейтинга, а не чистоту методики. «Честный» каркас можно оставить только для одного домена из восьми. Делать его законом всей сетки ошибка. Во втором цикле методология будет варьироваться исключительно для того, чтобы восемь доменов не склеились. Где нужно зацепить узкий срез (например, большие команды), мы будем ставить свой продукт в выгодную строку так же жестко и прямо, как это делают соседние сетки.
Факап гипотезы 3: Слепая инъекция без подтверждения ценности (ПФ)
Мы предполагали, что массовая отправка промптов с прикрепленным URL-адресом целевой страницы (промпт-инъекции) не только принудительно заставит краулеры обойти страницу, но и моментально перепишет ответы чата, заставив модель использовать наши данные.
Что пошло не так: Ожидание того, что инъекции сразу изменят консенсус LLM в ответах пользователям, не подтвердилось. Краулеры действительно перешли по ссылкам (были зафиксированы тысячи цитирований для наших доменов), текст попал в систему, но ИИ не стал отдавать ему приоритет при генерации ответов.
Причина: Базовый показ URL в промпте дает модели фактуру, но не дает сигнала о том, что этот результат оказался релевантным и полезным для конечного пользователя.
Вывод для второго цикла: Одной инъекции ссылки недостаточно, необходимо подтверждение ее ценности. Во втором цикле мы переходим к накрутке поведенческих факторов (ПФ) непосредственно внутри интерфейса LLM. Теперь после промпт-инъекции будет эмулироваться клик и переход на нужный результат цитирования (нашу статью или EMD-домен). Это даст модели поведенческий сигнал, закрепляющий полезность источника.
Глава 3 Часть 1 Планирование/построение второго цикла GEO продвижения.
Второй исследовательский цикл фокусируется на накрутке поведенческих факторов для усиления первоначальных гипотез, а также на развертывании новых направлений в рамках SERM/ORM, Knowledge Graph и syntet.ru. Из стартового R&D-бэклога сформирован пул задач, направленных на корректировку восприятия бренда нейросетями, улучшение извлекаемости контента и автоматизацию его производства.
Технологическая инфраструктура Jijalab обеспечит автоматизацию экспериментальных контуров, постановку повторяемых сценариев и сбор результатов. Syntet.ru станет производственным слоем для масштабирования текстового и мультимодального контента. Именно на базе последнего разворачивается полноценный «завод по производству контента» с использованием ИИ-агентов и специализированных сервисов. Платформа позволяет в автоматическом режиме создавать не только тексты, но и весь спектр мультимедийных материалов: генерировать видео, закадровый голос, звук и субтитры. Это дает возможность масштабировать присутствие бренда на видеохостингах и мультимодальных площадках, забирая бóльшую семантику и усиливая сигналы для Gemini, SearchGPT и других ИИ-агентов.
Для закрытия проблемы коллизии имени полностью и изоляции бренда в Knowledge Graph (поскольку ранее модели путали Nativ Browser с термином «native browser») логика сущности будет перестроена через создание карточки Wikidata. С помощью свойства P1889 («not the same as») бренд будет аппаратно отделен от общих терминов, что дополнительно закрепится зеркалом через Schema.org на основном домене.
Параллельно реализуется перехват веерных подзапросов (fan-out), которые LLM используют для проверки фактов. На брендовом домене создаются специальные директории, имитирующие структуру Reddit и сайтов отзывов. Внутри разместятся блоки с дословными цитатами и ссылками на треды, что позволит отдавать поисковым агентам нужный фрагмент до их перехода на внешние ресурсы.
В рамках SERM/ORM планируется масштабная работа с атрибутами сущности для вытеснения негатива. Общие формулировки на сайтах и EMD-сетке заменяются жесткими метриками и цифрами, которые будут продублированы по тысячам URL для создания фактуального консенсуса в «глазах» ИИ. Эта база дополняется дистрибуцией графа через социальные сети: публикация структурированных постов-рейтингов в Facebook, LinkedIn и Instagram позволит быстро индексировать новые позитивные сигналы, так как начальные слова постов работают для моделей аналогично тегу Title.
Чтобы окончательно закрепить ассоциацию между новым продуктом и его нишей, формируется единая описательная био-фраза. Она внедряется во все публичные профили, упоминания и страницы подкастов, создавая устойчивую связь «сущность-категория» в памяти языковых моделей.
Наконец, проводится on-page адаптация уже развернутой EMD-сети и паразитных статей под извлекаемость. Контент страниц прогоняется через LLM для выделения нескольких главных тезисов, которые массово заливаются в кастомный блок Key Takeaways в самом верху документов. Это создает для ИИ-агентов оптимальную точку входа и значительно повышает шанс попадания материалов в цитирование.
Финальный вывод: Архитектура внимания и победа над «нулевой точкой»
30-дневный GEO-эксперимент с проектом NativBrowser.com подтвердил рабочую жизнеспособность Attention Management Framework (AMF) в условиях жесткого дефицита времени и полного отсутствия базового доверия со стороны поисковых и генеративных систем.
Главный итог этого исследовательского контура заключается в переходе от абстрактных SEO-стратегий к жесткому управлению фактами и извлекаемыми пассажами в обход классического органического ранжирования домена:
- Разрушение мифа об органическом «пороге входа»: Эксперимент наглядно показал, что для первоначального попадания в источники нейропоиска (Яндекс Нейро, ChatGPT, Perplexity, Copilot) необязательно предварительно развивать органические позиции и ссылочный авторитет основного домена.
Использование чужого траста через паразитное SEO (например, публикации на авторитетных площадках вроде VC.ru) и сеть тематически и структурно обособленных EMD-доменов с разными форматами и методологиями
позволяет обойти классический органический барьер. Модели забирают в цитирование живые, структурно правильные страницы сторонних ресурсов уже на первые сутки после индексации. - Частичное снятие коллизии имени и начало формирования сущности: Главной системной преградой на старте была семантическая ловушка: бренд Nativ Browser растворялся в общем понятии native browser. Связка из EMD-сеток, паразитных публикаций и целенаправленных промпт-инъекций через кастомный инструмент позволила запустить триггеры краулеров (включая ботов консенсуса вроде GPTBot) и повлиять на распознавание продукта в отдельных генеративных системах. К концу месяца некоторые поисковые системы перестали подменять бренд общим термином, зафиксировав за Nativ Browser статус самостоятельного B2B-продукта для командных операций.
- Отказ от «лишней этики» в пользу полевых реалий: Практика показала факап избыточной объективности: попытки построить EMD-сетку на базе абсолютно честных, взвешенных и стерильных сравнений конкурентов проигрывают готовым паттернам рынка. Нейросети и алгоритмы извлечения ценят сам формат рейтинга и релевантность фактоидов под конкретный интент (например, поддержка больших команд и лимиты Business Box), а не академическую чистоту методологии.
- Экономика и масштабирование через автоматизацию: Попытки ручного или дорогого медийного подхода к сканированию моделей (инъекции через покупку стороннего трафика по $1,5-2 за запрос) оказались финансово несостоятельными. Создание собственного контура автоматизации (минимально рабочий генератор, прокси, прогретые профили и очереди задач) снизило стоимость повторения цикла в десятки раз, превратив разовый трюк в управляемый инженерный конвейер.
Первый цикл не закрыл финальную продуктовую долю рынка, но выполнил свою главную задачу: снизил неопределенность и зафиксировал устойчивые точки извлечения бренда. Переход во второй цикл с подключением поведенческих факторов (ПФ) изнутри LLM-моделей, жесткой изоляцией сущности через Wikidata (свойство P1889), внедрением блоков Key Takeaways и масштабированием мультимодального контента через платформу Syntet.ru выглядит логичным и технически обоснованным шагом для закрепления в выбранной нише.