Парадокс консенсуса в ИИ-поиске: почему блендированные AEO-метрики бесполезны
Маркетологи и SEO-специалисты долгое время жили в относительно понятном мире поисковой оптимизации, где главной задачей было попадание на первую страницу выдачи Google. С приходом генеративного искусственного интеллекта и появлением концепции оптимизации под ИИ-ответы (AI Engine Optimization или AEO) возник соблазн перенести старые привычки в новую эпоху. Многие компании поспешили внедрить усредненные (блендированные) дашборды «ИИ-видимости», которые якобы показывают общую долю бренда в ответах популярных умных ассистентов.
Однако масштабное аналитическое исследование более 3,7 млн URL-цитирований в ChatGPT от OpenAI, Perplexity и Google AI Overviews выявило критический разрыв в данных, который ставит под сомнение целесообразность единых метрик. Оказалось, что никакой общей «выдачи ИИ» не существует. Разные поисковые движки на базе больших языковых моделей (LLM) используют абсолютно разные логики извлечения информации и почти не имеют консенсуса в источниках даже по одинаковым запросам.
Реальный масштаб фрагментации выдачи
Для исследования эксперты проанализировали репрезентативную выборку из 20 000 поисковых промптов, собранных в режиме реального времени. Результаты оказались ошеломляющими: только 2,37% цитируемых адресов веб-страниц появлялись во всех трех поисковых системах одновременно для одного и того же запроса. В то же время 91,07% ссылок были эксклюзивными — они встречались только в одном конкретном ИИ-движке и полностью игнорировались остальными.
Оставшиеся примерно 6,5% ссылок распределились в виде попарных пересечений между отдельными парами платформ. Это доказывает, что мы имеем дело не с мелким расхождением в ранжировании одного пула авторитетных сайтов, а с фундаментально разными подходами к извлечению данных. Каждый движок формирует собственную, изолированную картину интернет-пространства.
Маркетинговые команды, которые полагаются на блендированные отчеты, попадают в ловушку иллюзии благополучия. Такой общий дашборд может показывать высокую «видимость бренда», маскируя тот факт, что домен полностью зависит от одного источника трафика — например, хорошо отображается в Perplexity, но остается абсолютно невидимым в ChatGPT и Google AI Overviews. При малейшем изменении алгоритмов этой платформы видимость компании мгновенно рухнет до нуля.
Временная динамика сближения алгоритмов
Анализ когорт промптов за длительный период (с третьего квартала 2025 года по первый квартал 2026 года) показывает крайне медленный рост конвергенции. В третьем квартале 2025 года доля универсального перекрытия источников составляла всего 2,2%. К началу 2026 года этот показатель незначительно вырос до 2,7%, а доля уникальных для одной платформы ссылок снизилась с 90,1% до примерно 88%.
Хотя определенное сближение поисковых систем присутствует из-за постепенного улучшения алгоритмов веб-кроулинга, фрагментация рынка по-прежнему доминирует. Движки продолжают оперировать независимыми механизмами отбора, и до полноценной унификации поисковых ИИ-стандартов еще очень далеко.
Поведение систем по типам интентов
Существовала гипотеза, что коммерческие поисковые запросы, где пользователи ищут конкретные услуги или товары, должны приводить ИИ-системы к согласию из-за ограниченного круга авторитетных брендов. Однако на практике коммерческие промпты показали лишь 2,4% универсального пересечения источников, в то время как информационные (обучающие и справочные) запросы удержались на уровне 2,0%.
Даже при вводе таких популярных запросов, как «лучшая CRM-система для бизнеса» или «лучшие беговые кроссовки для марафона», платформы ChatGPT, Perplexity и Google AI Overviews ссылались на абсолютно разные обзоры, блоги и продуктовые страницы. Отсутствие единого мнения систем по коммерческим темам лишний раз подчеркивает необходимость локальной оптимизации под конкретные ИИ-платформы.
Какие форматы контента переносятся лучше всего
Тип создаваемой веб-страницы напрямую влияет на вероятность ее попадания в цитаты нескольких поисковых систем одновременно. В рамках анализа более 4,1 млн упоминаний были выделены следующие показатели универсального перекрытия (cross-engine overlap) по форматам:
- Подробные руководства и обучающие материалы (guides / tutorials) — 2,3%
- Тематические блоги и аналитические статьи (blogs) — 1,8%
- Категорийные страницы каталогов (category pages) — 1,6%
- Индивидуальные продуктовые карточки (product pages) — 1,2%
- Главные страницы корпоративных сайтов (homepages) — 1,1%
Обучающий и объясняющий контент переносится между алгоритмами почти в два раза лучше, чем главные страницы брендов или прямые карточки товаров. ИИ-системы предпочитают ссылаться на экспертные информационные хабы, которые отвечают на конкретный вопрос пользователя, а не на самопрезентации компаний. Тем не менее даже для самого эффективного формата (инструкций) абсолютный показатель перекрытия в 2,3% остается чрезвычайно низким.
Интересно, что общая популярность платформы в интернете никак не гарантирует ее универсального цитирования. Например, Википедия собрала в исследовании внушительные 16 073 упоминания, но ее показатель сквозного перекрытия составил всего 1,3%. Платформа Reddit упоминалась 14 267 раз с перекрытием лишь 0,1%. У авторитетного новостного агентства Reuters при 1 202 упоминаниях сквозной консенсус равен ровно 0,0%. Социальные сети и пользовательский контент (UGC) также показали минимальный консенсус: у LinkedIn и TikTok этот показатель равен 0,1%, а у Facebook и Quora — 0,0%.
Методология и границы исследования
Данные для анализа собирались с помощью специализированного мониторингового пула Omnia, отслеживающего реальные промпты коммерческих компаний. Временной охват включал замеры по трем когортам промптов (начиная с января 2025, июля 2025 и января 2026 года соответственно), запускаемым дважды в день одновременно в течение одной минуты. Географически исследование ориентировано на рынки Европейского Союза (включая Испанию, Великобританию, страны Северной Европы), из-за чего испаноязычный сегмент оказался представлен несколько шире обычного. Исследуемые индустрии охватывали сферы финансовых технологий (fintech), страхования (insurtech), туризма (travel), облачного софта (SaaS) и B2B-услуг.
Запросы к системам выполнялись в дефолтном веб-интерфейсе без авторизации пользователей. Perplexity тестировался на базе семейства моделей Sonar, специально оптимизированных для поиска в реальном времени. ChatGPT и Google AI Overviews использовали стандартные производственные версии для веб-серфинга без авторизации (хотя OpenAI и Google публично не фиксируют точные версии внутренних моделей для такого режима). Классификация интентов и типов страниц выполнялась на основе регулярных выражений, что позволило обработать огромный массив данных в миллионы строк, но может содержать небольшие погрешности на границах категорий.
Руководство для маркетологов: переход к точечной оптимизации
Чтобы выйти из иллюзии «общего ИИ-присутствия» и защитить бизнес от невидимых рисков, маркетинговым командам необходимо внедрить тройную систему оценки эффективности, отказавшись от блендированных дашбордов:
- Присутствие (Presence) — измеряет общую долю целевых промптов, по которым ваш домен получает упоминание хотя бы в одном из ключевых ИИ-ассистентов.
- Переносимость (Portability) — показывает долю ваших ссылок, которые цитируются всеми тремя движками одновременно.
- Концентрация (Concentration) — отражает распределение ваших упоминаний между платформами.
Практическая контент-стратегия должна сместиться от попыток создать универсальный «AEO-текст» к пониманию архитектуры конкретных продуктов. Согласно официальной документации Google Search Central, интеграция сайтов в AI Overviews и AI Mode происходит через стандартные процессы сканирования, индексации и контроля превью Google Search. Здесь не существует специальной секретной разметки для ИИ — важно соответствовать общим критериям полезности контента (E-E-A-T) и техническим правилам поисковой системы.
В то же время документация OpenAI описывает ChatGPT Search как отдельную экосистему внутри чат-интерфейса, ориентированную на быстрое предоставление ответов с активным цитированием первоисточников. Архитектура Perplexity Sonar изначально спроектирована как надстройка над поисковым слоем в реальном времени.
Понимание этой разницы позволяет создавать таргетированные активы: глубокие экспертные руководства для повышения переносимости, быстрые новостные разборы для оперативного поиска в Perplexity и технически оптимизированные страницы для стабильного попадания в выдачу Google AI Overviews. Только детальная диагностика на уровне каждого конкретного ИИ-движка поможет бренду построить долгосрочную видимость в эпоху генеративного поиска.