Как Google и Microsoft отбирают контент для AI-ответов: реальные механики и паттерны

Время прочтения: 7 минут

Теги: продвижение в ИИ, SEO

О чем статья:

Всем привет! Я Анастасия Курдюкова, руководитель департамента поискового продвижения «Ашманов и партнеры». Решила сегодня поговорить о том, как страницы и бренды попадают в нейроответы.

Мы в «Ашманов и партнеры» уделяем большое внимание экспертной базе для наших стратегий SEO и GEO. Мы не один год проводим исследования факторов ранжирования в различных тематиках, у нас работают и расширяются отраслевые рейтинги. Именно исследовательская, аналитическая база знаний помогает нам проводить успешную работу для бизнеса.

С появлением нейроответов в выдаче мы немедленно взялись за их изучение. Первая часть исследования по Алисе Яндекса уже доступна к бесплатному скачиванию, вторая часть будет опубликована весной 2026 года. Для зарубежных систем Google AI Overviews, ранее SGE, и Microsoft Copilot таких исследований пока нет. Но их патенты, которые раскрывают архитектуру поиска, технические механизмы, цели разработки, опубликованы в открытых источниках. Изучив их, можно сделать выводы, как эти поисковые системы выполняют свои задачи.

Как работает генеративный поиск

Нейропоиск применяет генерацию, дополненную поиском, или RAG-архитектуру.

Упрощенно процесс выглядит так:

• система получает запрос от пользователя;

• находит релевантные документы в индексе поиска;

• разрезает документы на смысловые фрагменты (чанки);

• определяет степень смысловой близости фрагментов запросу;

• генерирует ответ, при необходимости — сверяет с документами в поиске.

Обзор ИИ (Google AI Overviews) и Microsoft Copilot используют сходные принципы, но с разными акцентами.

Как ИИ выбирает контент: ключевые паттерны

Патент Google на тематический поиск (US12158907B1) описывает архитектуру таких функций, как Обзор ИИ/Google AIO. Система анализирует документы, занимающие верхние позиции в выдаче для выявления общих тем.

В патенте Microsoft «Глубокий поиск с использованием больших языковых моделей» (US20250321968A1) описано, что система определяет интент запроса, отбирает результаты, релевантные интенту, а не ключевым словам.

Мнение эксперта

Анастасия Курдюкова, руководитель отдела поисковой оптимизации «Ашманов и партнеры»:

«Знание патентов позволяет проводить генеративную оптимизацию GEO на основе гипотез. Понимание технических деталей помогает формулировать проверяемые гипотезы, например, как структура контента, разбивка на фрагменты или метаданные могут повлиять на поиск, ранжирование и цитируемость, а также проводить небольшие эксперименты для их подтверждения».

Таким образом, генеративный поиск работает совместно с существующими системами поиска, включая алгоритмы качества/ранжирования. Он использует результаты из индекса как поддержку для  нейросетей в подборе контенте. Дальше генеративные системы не ранжируют страницы целиком— они ищут фрагменты, которые соответствуют интенту и контексту запроса и поэтому подходят для построения ответа.

Далее рассмотрим конкретные паттерны.

Query Fan-out: почему одного ключа недостаточно

Query fan-out — механизм, при котором AI-поисковик разбивает один пользовательский запрос на множество субзапросов. Например, судя по некоторым кейсам, Обзор ИИ Google на пользовательский запрос генерирует в среднем 8–12 подзапросов. Они по отдельности отправляются в поисковые системы. Нейросеть собирает подходящие тексты, очищает от дублей, разрезает, переранжирует, генерирует ответ.

Нейропоиск по одному основному запросу уступает Query fan-out в полноте охвата. Он ищет:

• по точному совпадению ключевых слов;

• по вектору семантического смысла;

• гибридно.

Если страница отвечает на основной запрос, но не покрывает подзапросы, вероятность попадания в цитаты падает. По данным ALM Corp, искусственный интеллект на 161% чаще ссылается на страницы, которые ранжируются как по основному запросу, так и по разветвленным подзапросам, чем на страницы без подзапросов. А ранжирование только по расширенным запросам повышает вероятность того, что вас упомянут, на 49%.

Работа с фрагментами 

AI не загружают целые страницы. Они разбивают документы на фрагменты чанки, которые затем превращают в семантические векторы и сохраняют их в векторной базе. При запросе система находит наиболее релевантные фрагменты по смысловому сходству, а не по позиции страницы в выдаче.

Microsoft Copilot оценивает чанки по трем параметрам: релевантность, авторитетность, свежесть. После процесса оценки в большую языковую модель отправляются только наиболее релевантные фрагменты.

Также Copilot оценивает структурированность фрагментов. По мнению некоторых исследователей, алгоритм предпочитает тексты, где есть:

• абзацы длиной до 90 английских слов;

• подзаголовки каждые 250 слов;

• ответы на вопросы (ЧаВо).

Если в абзаце не более трех предложений, снижается риск галлюцинаций по данным исследователя Венсана Жосса.

Приоритет фактов над текстами

ИИ-поисковики не пересказывают тексты, а извлекают из них факты. Copilot при делении на фрагменты оценивает плотность сущностей — слов, определяющих тематику, — фактическую точность и доверие к автору. Вероятность цитирования повышается при использовании:

• имен собственных — брендов, персон, названий, продуктов;

• табличного формата данных;

• кликабельных ссылок на первичные данные.

Обзор ИИ от Google оценивает похожие параметры, в том числе:

• верифицируемость заявлений, т. е. наличие подтверждений в других источниках;

• низкорисковые формулировки в YMYL-тематиках;

• структурированные данные.

Страницы с признаками предвзятости, хайпа, излишней рекламы, вводящей в заблуждение или двусмысленной информации, не цитируются.

Согласованность информации

AI поисковики не доверяют единичным источникам. Они собирают подтверждения от множества верифицированных сайтов и проверяют, насколько данные разных площадок совпадают.

Для этого система извлекает из текстов максимально мелкие фактологические единицы. Далее она проводит процесс кросс-проверки их согласованности. Финальная оценка достоверности вычисляется на основе веса площадки и степени согласованности утверждения.

Роль структуры текста

Структура контента помогает ИИ извлекать чанки. Обзор ИИ Google отдает приоритет тексту, который может быть преобразован в шаги, списки, определения.

Copilot извлекает информацию из определенных типов блоков: списки, пошаговые инструкции, определения, фактологические блоки, короткие параграфы. Длинные повествовательные тексты хуже извлекаются и реже цитируются. Присутствие машинно-читаемых ЧаВо на 12% повышает цитирование в Copilot.

При этом структура с глубиной вложенности более трех уровней снижает вероятность того, что нижние тексты будут найдены и использованы.

Влияние внутренней перелинковки

Внутренняя перелинковка в ИИ-поиске помогает ИИ-краулерам строить семантическую карту сайта, понимать, как связаны сущности и темы. Модели строят семантические кластеры на основе направления ссылок, релевантности анкора тексту по ссылке и расстояния между сущностями (тематическими словами).

Перелинковка должна учитывать интент текста, на который она ведет, при этом в анкорах ИИ ищет сущности. Внутренние ссылки должны размещаться внутри основного контента, а не в футере или сайдбаре.

Почему одни сайты цитируются, а другие нет

Исследование Surfer SEO выявило: 70% источников Google AIO берутся из топ-10 органической выдачи. Но позиция — не единственный фактор попадания в нейроответы.

На попадание в генерацию и частоту цитирования влияют:

• Доверие нейросетей. Встречаются страницы, которые используются в нескольких генерациях Обзора ИИ по одному запросу. Так называемые ядерные источники составляют всего 9–12% от общего числа. Попадание в эту группу — более сильный сигнал доверия, чем случайное цитирование.

• Авторитет в нише. Так, в YMYL-тематиках Google отдает предпочтение правительственным сайтам и известным организациям. В результате пересечение Обзора ИИ и органики здесь в основном выше.

• Поведенческие сигналы. Google учитывает, на какие типы контента пользователи кликают и с каким контентом взаимодействуют.

• Актуальность. ИИ предпочитают страницы, которые обновлялись не позднее 60 дней перед обращением. Добавьте метку «Последнее обновление», отправляйте страницы на переиндексацию при каждом изменении.

Как оптимизировать контент под ИИ-ответы

Приведу практические приемы для попадания в генеративные ответы.

1. Закрывайте подзапросы. Покрывайте несколько вариантов запросов вокруг вашей основной темы. Используйте инструменты анализа связанных запросов, чтобы их выявить. Интегрируйте смежные темы в блоки ЧаВо.

2. Структурируйте контент для фрагментации. Сделайте каждый абзац законченной смысловой единицей, которую можно извлечь независимо от контекста. Избегайте длинных абзацев, используйте таблицы.

3. Повышайте плотность фактов. Каждое утверждение должно быть проверяемым. Добавляйте ссылки на первичные источники, повышайте плотность именованных сущностей — брендов, названий, дат, персон.

4. Добивайтесь консенсуса с источниками. Ваш контент не должен противоречить авторитетным сайтам. Но уникальная аналитика и первичные данные — конкурентное преимущество, если они подкреплены доказательствами.

5. Управляйте темами через перелинковку. Включите в работу страницы канонических определений для каждой ключевой сущности. Используйте постоянные анкоры — один и тот же текст для одинаковой темы или сущности на всех страницах.

6. Обновляйте контент. Разные ИИ-платформы требуют разной частоты обновления, в среднем желательно это делать раз в 30—180 дней.

7. Внедряйте структурированные данные. Они помогают нейросети узнавать сущности, проверять авторство, связывать ответы с брендом. Страницы с микроразметкой занимают до 72% в Обзорах ИИ Google по данным Backlinko.

8. Присутствуйте в поисковом пространстве. В GEO есть понятие «цитатный гэп» — это ситуация, когда ИИ платформы цитируют страницы, упоминающие конкурентов, но не вас. Проанализируйте, какие внешние ресурсы используют нейросети в вашей тематике, добейтесь упоминаний на них.

9. Используйте llms.txt. Это текстовый файл с простой разметкой, который помогает нейросетям ориентироваться в вашем контенте. Он не является обязательным стандартом, например, Google утверждает, что нет специальных требований для попадания в AI сверх базовой индексируемости и соответствия техническим требованиям поиска. Тем не менее в ряде кейсов он показал свою эффективность.

10. Учитывайте предпочтения платформ. По данным Hashmeta.Ai, Perplexity отдает предпочтение новостям и медиа. ChatGPT — документации и официальным источникам. Claude — академическим публикациям. Copilot — ресурсам экосистемы Microsoft.

Фокус на главное

• Классические факторы ранжирования обеспечивают только попадание сайта в индекс. Далее ИИ извлекает контент со страниц и разрезает его на чанки.

• Нейросети чаще цитируют контент, которые закрывает не только основной запрос, но и более узкие подзапросы. 

• ИИ воспринимает страницу лишь как контейнер для фактов. Фактура приоритетнее текста, в который она входит.

• Внутренняя перелинковка позволяет искусственному интеллекту понять структуру контента. В работе нужно учитывать интент страниц и размещать сущности в анкорах.

• Контент должен иметь четкую структуру, удобную для машинной обработки текста. В приоритете короткие абзацы до трех предложений, подзаголовки каждый 250 слов.

• Компании, адаптирующие свои стратегии маркетинга к паттернам ИИ-отбора сегодня, получают преимущество перед конкурентами, остающимися в парадигме классического продвижения через ключевые слова.

Частые вопросы

Что такое Query Fan-out?

Это механизм, при котором нейросеть разбивает один ваш запрос на десятки подзапросов и ищет ответы на них в разных местах. Например, при вопросе «лучший ноутбук для программиста» ИИ одновременно ищет характеристики, отзывы, цену, сравнения и гарантию, потом собирает ответ из кусочков. Страницы может хорошо ранжироваться по основному ключу, но если она не закрывает подзапросы, ИИ может ее не использовать.

Почему сайт не цитируется нейросетями?

Нейросети отбирают не страницы целиком, а отдельные фрагменты (чанки) с фактами. Если на сайте длинные тексты без подзаголовков, списков, таблиц, определений, ИИ не сможет извлечь полезные факты. Также распространенная причина — машинный интеллект видит, что ваши данные расходятся с авторитетными площадками.

Как Google выбирает источники для AI Overviews?

Google использует RAG-поиск. Сначала он ищет релевантные запросу фрагменты в своем индексе. Затем LLM ранжирует их по нескольким критериям, в том числе непротиворечивость, авторитетность, актуальность. Google отдает приоритет контенту, который легко преобразовать в шаги, списки или короткие определения, а также проверяет согласованность информации с другими источниками.

Почему Google AI Overviews не показывает мой сайт?

Причин может быть несколько. Например, ваш контент не разбит на абзацы, подзаголовки, списки, нет перелинковки. Тогда искусственному интеллекту нужно его интерпретировать, разделить на чанки и использовать для генерации ответов. Возможно, что ваша страница не обновлялась более 60 дней — ИИ-системы отдают приоритет свежим данным. Также проверьте тексты на соответствие факторам E-E-A-T — это надежный способ повысить доверие.

Как Microsoft Copilot выбирает источники для ответов?

Он сначала разбивает страницы на пассажи до 90 слов. Затем оценивает релевантность, авторитетность и свежесть. После этого делает кросс-проверку фактов по разным источникам, отфильтровывает те, что содержат признаки предвзятости, рекламы или двусмысленности. Copilot чаще цитирует бренды с прозрачной, технически точной информацией, особенно если данные представлены в виде таблиц, списков или определений с внешними ссылками на первичные источники.