Этим летом я сделал паузу в публикациях. Не специально — запуск нового software-продукта съел почти всё время, которое обычно уходило на контент. Позиционирование, тексты для сайта, аналитика, кампании и бесконечные таблицы. Но именно этот запуск дал мне больше, чем десятки статей: он изменил представление о digital-видимости.
Раньше я смотрел на эту тему как маркетолог со стажем. Теперь посмотрел с операционной стороны. Когда вы отвечаете за то, чтобы новый продукт нашли, поняли и порекомендовали, теория быстро превращается в практику.
Почему классическая digital-видимость перестала быть полной
Большую часть карьеры digital-видимость имела рабочее определение: сайт должен появляться в поиске, привлекать нужных посетителей и превращать часть из них в клиентов. Позиции, платный трафик, охват, конверсия — все эти метрики показывали, работает ли система. Путь никогда не был простым, но его форма была понятной.
Во время запуска я понял, что эта форма больше не описывает реальность. Люди не только ищут в Google или Яндексе. Они спрашивают ChatGPT, Gemini, Perplexity и другие платформы: просят объяснить категорию, сравнить продукты, сформировать шорт-лист.
Компания может быть обнаружена, оценена или исключена из рассмотрения внутри ИИ-ответа — ещё до того, как пользователь зайдёт на её сайт.
Это не гипотеза, а наблюдаемый сдвиг. Поэтому классическая SEO-модель «запрос — выдача — клик» уже недостаточна. Важно, как бренд интерпретируется и цитируется в ответах ИИ.
От SEO к AEO и GEO: новая механика выбора
Традиционный поиск выдаёт список. Пользователь сканирует результаты, открывает несколько вкладок и решает, какие источники релевантны. ИИ-поиск сжимает этот процесс в один диалог: он сам изучает, сравнивает, резюмирует и предлагает лучший вариант под задачу.
Оценка всё ещё происходит. Но она происходит внутри ИИ-системы на основе информации, которую та может найти, интерпретировать и согласовать между собой.
SEO, AEO и GEO — не конкуренты, а уровни одной системы
SEO отвечает на вопрос, может ли пользователь найти страницу. AEO — достаточно ли ясно контент отвечает на конкретный вопрос. GEO — может ли генеративная система понять организацию, отличить её от конкурентов и уверенно включить в ответ.
Я не считаю их тремя отдельными дисциплинами. Это разные способы, которыми информация может быть обнаружена и использована. В основе всех трёх по-прежнему лежат доступный контент, понятный язык, подтверждённые факты и глубокое понимание аудитории.
Что такое llms.txt и чему меня научил этот файл
Одним из самых интересных экспериментов лета стал файл llms.txt. Он размещается в корне сайта как Markdown-файл и описывает, что важно для ИИ-агента и где находится наиболее понятная информация о компании или продукте.
Внешне это напоминает связку sitemap.xml и robots.txt. Карта сайта говорит поисковику, какие URL нужно обойти. Файл robots.txt указывает, куда краулеру заходить не следует. Файл llms.txt пытается объяснить ИИ-инструменту, что в приоритете и где лежат самые точные данные.
Важно разделять контексты. Google прямо заявляет, что llms.txt не является сигналом ранжирования для поиска, включая AI Overviews и AI Mode. Для Google фундаментальные принципы SEO остаются основой: доступность, индексируемость, перелинковка, техническая корректность и надёжный контент. Но другие ИИ-агенты и сервисы могут работать иначе. Некоторые из них специально ищут llms.txt, чтобы быстрее сориентироваться на сайте.
Я с помощью нескольких ИИ-агентов создал такой файл для продукта и обновлял его каждую неделю по мере изменения функций, цен и документации. Неожиданный эффект оказался внутренним: сбор важной информации в одном месте подсветил расхождения в терминологии, позиционировании и описаниях, которые раньше были незаметны.
Для компаний, которые уже двигаются в сторону автоматизации, имеет смысл рассматривать внедрение ИИ-агентов и n8n воркфлоу. Такие инструменты помогают не только собирать данные, но и выстраивать процессы, в которых ИИ-агенты регулярно обновляют и проверяют ключевые файлы.
Сайт — только одна часть видимости
Технически сильный сайт всё ещё важен, но он представляет только то, что компания говорит о себе сама. ИИ-ответы могут опираться на пресс-покрытие, каталоги продуктов, обзоры, соцпрофили, отраслевые публикации и обсуждения. Независимые источники добавляют контекст и повышают доверие.
Во время запуска я заметил: когда появлялись детальные сторонние упоминания, ИИ-ответы начинали описывать продукт точнее. Прямую причинно-следственную связь доказать сложно, но паттерн очевиден. Поэтому SEO, AEO, GEO, PR, продуктовый маркетинг и управление репутацией больше не могут существовать изолированно.
Цель — не повторять один и тот же слоган везде. Цель — чтобы человек или машина, читая разные источники, приходили к одному и тому же пониманию: кто эта компания, что она предлагает и кому она помогает.
Почему измерения не поспевают за реальностью
Маркетологи привыкли измерять показы, позиции, клики, сессии, регистрации и конверсии. Эти метрики важны, но они не показывают полного влияния ИИ-открытия.
Представьте: пользователь просит ИИ сравнить пять продуктов. Один из них попадает в шорт-лист. Затем человек вводит название бренда напрямую в браузер и скачивает продукт. Аналитика зафиксирует прямой визит, но разговор с ИИ, который повлиял на выбор, останется невидимым.
Ещё сложнее измерить обратное: как часто компанию не включили в ответ, потому что позиционирование было размыто или не хватало достоверной информации. Стандартного отчёта о шорт-листе, в который бренд не попал, не существует.
Здесь критически важна настройка сквозной аналитики и лидгена. Она позволяет хотя бы частично связать неявные касания с брендом, контентом и последующими действиями, не полагаясь только на последний клик.
Инструменты мониторинга AI-видимости появляются, но рынок пока развивается. Я бы с осторожностью относился к обещаниям сделать AI-видимость такой же предсказуемой и измеримой, как традиционный поиск.
Что я бы делал сейчас: четыре вопроса
Скорость изменений подталкивает гнаться за каждой новой платформой и техникой. Но главный вывод лета для меня такой: эксперименты важны, фундамент важнее.
Теперь я задаю четыре базовых вопроса:
1. Может ли ИИ-система ясно понять, что мы делаем и для кого? Если позиционирование размыто, никакой llms.txt не спасёт.
2. Может ли она отличить нас от конкурентов? Для этого нужны не только описания, но и доказательства: кейсы, цифры, сравнения.
3. Есть ли независимые источники, подтверждающие наши заявления? Собственный сайт — это лишь одна точка в информационном поле.
4. Может ли пользователь без трения сделать следующий шаг? Короткий путь от ответа ИИ к действию важнее, чем просто попадание в выдачу.
Создание llms.txt — разумный эксперимент, особенно для сайтов с большим объёмом технической документации. Но это не верх стратегии, а одна из её частей.
Вывод: фундамент устоял, но среда изменилась
ИИ ускорил то, как люди собирают информацию, сравнивают альтернативы и формируют мнение. Он также ускорил то, как маркетологам приходится учиться. Но основы хорошего маркетинга не изменились: компании по-прежнему нужны ясное позиционирование, понимание аудитории, ответы на значимые вопросы, подтверждённые заявления и доверие.
Годами мы строили сайты, чтобы коммуницировать с людьми и быть найденными через поиск. Теперь эти сайты стали частью информационной среды, которую интерпретируют и пересказывают ИИ-системы.
Вопрос больше не только в том, появляется ли компания в поисковой выдаче. Вопрос в том, могут ли люди и машины одинаково прийти к ясному и достоверному пониманию, почему эта компания важна.
Именно такой подход применяет маркетинговое агентство Dragon Farm — мы соединяем классический performance-маркетинг с новой реальностью генеративного поиска, не разрушая проверенные механики ради хайповых аббревиатур.
