GEO и личный бренд эксперта: исследование TexTerra о рекомендациях нейросетей

Если ты до сих пор строишь стратегию поискового продвижения исключительно вокруг подбора ключевых слов, закупки ссылочной массы и вывода страниц в классический ТОП-10 Яндекса и Google, у меня для тебя отрезвляющая новость: привычный органический поиск стремительно теряет монополию на принятие решений.

Поведение пользователей кардинально изменилось. Сегодня человек, столкнувшийся со сложной проблемой — будь то подозрительное новообразование на коже, тяжелый хронический симптом, выбор корпоративного юриста или архитектора высоконагруженных IT-систем, — все реже продирается сквозь рекламные простыни поисковой выдачи. Он открывает диалоговое окно ChatGPT, запускает генеративный режим Алисы или отправляет запрос в Google AI: «Посоветуй лучшего онколога по меланоме в Москве», «Кто ведущий специалист по лечению печени?», «К кому обратиться со сложной беременностью?».

В эту секунду происходит фундаментальный сдвиг. Поисковик больше не отдает пользователю список из десяти синих ссылок на сайты медицинских центров. Он формирует связный текст с конкретными именами экспертов, их профессиональным бэкграундом и прямыми рекомендациями, куда именно нести деньги. Рождается новая реальность — Generative Engine Optimization (GEO), оптимизация под генеративные нейросети.

Но как именно искусственный интеллект принимает решение, какого врача порекомендовать? Понимает ли нейросеть, в какой клинике специалист работает прямо сейчас? И достается ли коммерческий трафик медицинскому центру, который вкладывает миллионы в зарплаты и продвижение своих ключевых кадров?

Чтобы ответить на эти вопросы не умозрительными гипотезами, а строгими цифрами, агентство TexTerra провело масштабное эмпирическое исследование. Команда протестировала рекомендации трех ведущих нейросетей на реальной выборке московских клиник и врачей. Полученные данные вскрыли колоссальный разрыв между личной медийностью специалиста и реальными продажами его работодателя.

Анатомия эксперимента: 360 ответов, 3 нейросети и 5 уровней промптов

Чтобы исключить фактор случайных галлюцинаций моделей, исследователи разработали строгую матричную методологию. В качестве экспериментального поля была выбрана коммерческая медицина — отрасль, где доверие к автору и цена ошибки максимальны, а пациенты выбирают конкретные руки врача не менее придирчиво, чем вывеску клиники.

В выборку вошли пять авторитетных московских медицинских центров разного масштаба и профиля. В каждом из них аналитики отобрали по два специалиста: одного — с широкой публичной известностью и регулярным присутствием в федеральных медиа, второго — с сильной репутацией внутри профессионального сообщества, но меньшим медийным шумом:

• Клиника доктора Ласкова: Михаил Ласков (онколог, руководитель клиники) и Александр Аболмасов (онколог, заместитель руководителя);
• Европейский медицинский центр (ЕМС): Татьяна Полунина (гастроэнтеролог, гепатолог, руководитель профильного центра) и Марина Бережная (руководитель отделения скорой помощи);
• Группа компаний «Мать и дитя»: Марк Курцер (академик РАН, основатель и гендиректор сети) и Нелли Агаронян (исполнительный директор и главврач филиала Лефортово);
• Сеть клиник «Медси»: Геннадий Коновалов (председатель Ученого совета, научный руководитель) и Алексей Баринов (невролог);
• Клиника системной медицины: Зухра Павлова (эндокринолог, доктор медицинских наук, научный руководитель) и Анна Терехова (эндокринолог).

Архитектура тестового промпт-сета повторяла реальный путь пользователя от брендового поиска до холодного выбора в незнакомой тематике. Всего было сформировано 40 сценариев запросов, разделенных на пять функциональных блоков:

1. Блок «Кто это» (10 запросов): прямая проверка идентификации конкретного специалиста («Кто такой врач Михаил Ласков?»);
2. Блок «Где принимает» (10 запросов): поиск навигационной информации и точки записи («В какой клинике принимает эндокринолог Зухра Павлова?»);
3. Блок «Врачи клиники» (5 запросов): проверка знания медицинского состава учреждения («Назови известных врачей Европейского медицинского центра»);
4. Блок «Кого почитать» (10 запросов): запрос на экспертный авторитет и медийность в тематике («Каких врачей почитать по теме гепатологии и болезней печени?»);
5. Блок «Посоветуй врача» (5 запросов): коммерческий категорийный запрос под острую проблему без упоминания конкретных брендов и фамилий («Посоветуй хорошего онколога по химиотерапии в Москве»).

Сбор фактуры проходил 26–28 октября 2026 года. Каждый из 40 промптов скармливался трем языковым системам: ChatGPT (с включенным веб-поиском и очищенной памятью), Алисе от Яндекса (в режиме нового чата с геопривязкой к Москве) и Google AI (в режиме AI Overviews / генеративного поиска через браузерное инкогнито).

Критически важная деталь: каждый вопрос задавался трижды в абсолютно независимых сессиях. В итоге исследователи получили и вручную разметили массив из 360 развернутых ответов нейросетей, сопоставив их с фактическими данными на официальных сайтах клиник по состоянию на 29–30 октября.

Парадокс видимости: почему 96% точности по имени рушатся до 16% в категории

Первый вывод исследования выглядит обнадеживающе, но содержит в себе коварную ловушку.

Когда пользователь формулирует запрос с точным указанием фамилии врача (блоки «Кто это» и «Где принимает»), современные нейросети демонстрируют почти безупречную осведомленность. В 173 ответах из 180 (96,1% случаев) алгоритмы безошибочно назвали текущее место работы специалиста. Если пациент уже знает, кого ищет, искусственный интеллект не мешает ему добраться до клиники.

Но как только мы переходим к коммерческим категорийным запросам, где у пациента есть симптом или задача, но нет конкретной фамилии, система демонстрирует катастрофический провал.

В блоках «Кого почитать» и «Посоветуй врача» отобранные эксперты появились в ответах нейросетей лишь 32 раза из 135 возможных. Но самое тревожное для бизнеса произошло на следующем шаге: вместе со своим текущим местом работы врач был назван всего в 22 ответах из 135 (жалкие 16,3%)!

При этом распределение этих 22 результативных упоминаний по платформам вскрыло глубокие различия в алгоритмах:

• ChatGPT: обеспечил 15 корректных связок «врач + клиника»;
• Google AI: дал 7 упоминаний с указанием клиники;
• Алиса: показала абсолютный ноль — ни в одном тематическом ответе отечественная нейросеть не связала эксперта с его работодателем.

Возникает фундаментальный парадокс публичности. Инвестиции в персональный бренд врача работают преимущественно на самого врача как на самостоятельную медийную фигуру. Пациент читает в выдаче фамилию эксперта, но клиника, которая оплачивает его кабинет и оборудование, остается за кадром.

Наглядно проявились три структурные закономерности ранжирования:

1. Фактор именного совпадения и тяжелой медийности: абсолютными лидерами по числу упоминаний стали Михаил Ласков (чья фамилия совпадает с брендом учреждения), Марк Курцер (основатель огромного публичного холдинга) и Зухра Павлова (автор популярных книг и регулярный спикер федеральных каналов).
2. Барьер внутренней известности: специалисты, чья репутация сосредоточена внутри врачебного сообщества, практически отсутствуют в генеративной выдаче. Научного руководителя «Медси» Геннадия Коновалова нейросети упомянули лишь единожды за весь пул тематических тестов. Высококлассного невролога Алексея Баринова не назвал ни один алгоритм из девяти прогонов о врачах сети.
3. Непереносимость статуса: даже если нейросеть великолепно знает врача внутри клиники, она не проецирует это знание на категорийный поиск. Эндокринолога Анну Терехову все три системы без запинки называли в составе Клиники системной медицины, однако в тематических запросах об эндокринологии она не появилась ни единого раза из 27 повторений.

О том, как устроена архитектура цитирования на уровне поисковых роботов, подробно описано в аналитическом материале продвижение бизнеса в генеративных нейросетях: механики цитирования в ChatGPT и Алисе.

Сравнение платформ: разброс выдачи, длина текста и сокрытие источников

Эксперимент доказал: генеративный поиск невероятно стохастичен. Рассчитывать на то, что один раз проверенный промпт будет всегда возвращать стабильный результат, — опаснейшая иллюзия маркетолога.

В категории «Посоветуй врача» не нашлось ни одной фамилии, которую одновременно назвали бы все три конкурирующие системы! Каждая платформа формирует выдачу на базе собственного обучающего корпуса и специфических поисковых индексов.

Даже внутри одной системы ответы от сессии к сессии расходятся радикально. Аналитики сопоставили списки рекомендованных специалистов между повторными генерациями:

• У ChatGPT пересечение фамилий между двумя ответами на идентичный вопрос составило в среднем 24%;
• У Алисы коэффициент повторяемости зафиксирован на уровне 25%;
• У Google AI стабильность оказалась чуть выше — около 30%.

То есть две трети рекомендаций нейросетей меняются от прогона к прогону. Это означает, что мониторить присутствие бренда в ИИ-выдаче по единичному запросу бессмысленно: объективную картину дает только регулярный прогон матричных промпт-сетов.

Существенно различается и сама анатомия ответов:

Алиса выдает самые длинные и подробные эссе, но практически полностью скрывает первоисточники, не оставляя читателю возможности перейти на сайт клиники в один клик. ChatGPT, напротив, действует как контентный агрегатор: в 30 ответах блока «Кто это» система сгенерировала 626 ссылок на 366 уникальных веб-адресов. Однако в Google AI из-за жесткого лимита объема (~2200 знаков) попадание в список становится самым ценным: мест для упоминаний втрое меньше, чем у конкурентов.

Ловушка агрегаторов: как посредники перехватывают горячий трафик

Если ты думаешь, что упоминание твоего ведущего специалиста в ответе нейросети автоматически приносит звонок в твой колл-центр, приготовься к неприятному открытию. В исследовании вскрылась масштабная паразитическая воронка агрегаторов.

В блоке вопросов «Где принимает врач» значительная часть ответов вообще не содержала ссылок на официальные сайты клиник!

• У ChatGPT 6 ответов из 30 вели исключительно на внешние агрегаторы;
• У Алисы таких ответов набралось 7 из 30;
• У Google AI — 3 ответа.

Но самое разрушительное кроется в контактных телефонах. В 31 ответе нейросетей в качестве номера для записи к врачу был указан подменный виртуальный телефон агрегаторов «НаПоправку», «ПроДокторов» или «СберЗдоровье»!

Доходило до гротеска:

• Для записи к академику Марку Курцеру в семи ответах из девяти нейросети выдали единый телефон сервиса «НаПоправку». Пациент звонит в стороннюю службу, платит комиссию агрегатору или вовсе перенаправляется оператором в другое партнерское учреждение.
• Для Александра Аболмасова искусственный интеллект сгенерировал семь различных телефонных номеров в девяти ответах, собрав солянку из старых филиалов и партнерских колл-центров.

Что это значит в экономике клиники? Бизнес платит зарплату врачу, инвестирует в оборудование, а коммерческий лид из генеративного поиска перехватывает агрегатор, требуя с клиники от 1 500 до 5 000 рублей за каждую подтвержденную запись.

В деталях методологию выявления таких дыр в цифровом поле описывает матрица фактов против галлюцинаций: методология GEO-аудита брендов в нейровыдаче от TexTerra.

Синдром цифрового мусора: почему 70% экспертов обрастают дезинформацией

Откуда нейросети берут эти ложные данные? Они галлюцинируют?

Ручная верификация первоисточников показала: нейросети редко выдумывают факты на пустом месте. Они аккуратно зеркалят тот хаос, который царит на общедоступных сайтах интернета.

У 7 из 10 исследованных врачей в сети были обнаружены противоречивые, неполные или грубо устаревшие сведения. И ровно эти ошибки слово в слово всплывали в генеративных ответах:

1. Фантомные места работы: врач уволился из государственного НИИ или конкурирующего медцентра три года назад, но старый профиль на агрегаторе остался активным. Нейросеть считывает оба источника и сообщает пациенту, что прием ведется в двух конфликтующих организациях.
2. Путаница в должностях и регалиях: расхождения между официальным сайтом клиники и профилями в каталогах приводят к тому, что ИИ путает заведующих отделениями с рядовыми ординаторами.
3. Ложные подписи к фотографиям: поисковые краулеры индексируют картинки из новостных публикаций. Если фотография ведущего хирурга размещена в статье рядом с комментарием другого специалиста, нейросеть приписывает чужую цитату и специализацию нашему герою.
4. Проблема однофамильцев: когда у авторитетного эксперта есть тезки в смежных специальностях, языковая модель с легкостью склеивает их биографии в единого монстра, наделяя онколога навыками мануального терапевта.

Если клиника не занимается санитарией своего цифрового следа, поисковые боты скармливают нейросетям информационную кашу, разрушая репутацию бренда прямо в момент первого касания с клиентом.

E-E-A-T нового поколения: превращаем эксперта в цифровую сущность

Чтобы заставить генеративные модели устойчиво рекомендовать твоих сотрудников и твой бизнес, нужно понять фундаментальный принцип работы современных LLM: переход от индексации страниц по ключевым словам к построению графов знаний (Knowledge Graphs) на основе смысловых сущностей (Entities).

Поисковая система больше не воспринимает текст как набор ключевиков. Для нее клиника — это сущность типа MedicalOrganization, а врач — сущность типа Physician или Person. Между ними должна быть установлена жесткая, многократно подтвержденная предикатная связь: worksFor (работает в), alumniOf (окончил), hasCredential (имеет квалификацию).

Этот сдвиг напрямую опирается на концепцию Google E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness), обновленную летом 2026 года под реалии генеративного поиска. Алгоритмам требуется твердое подтверждение личного практического опыта автора.

Зарубежные замеры сервиса Profound показали, что на профессиональных запросах до 35% цитирований ChatGPT приходится на публикации платформы LinkedIn. А аналитики Meltwater выяснили, что 75% таких цитат ведут на личные профили авторов, причем больше половины из них имеют скромную аудиторию менее 10 000 подписчиков. Нейросети ищут не дутых блогеров-миллионников, а признанных практиков с твердым послужным списком.

В российских реалиях, где доступ к ряду зарубежных платформ ограничен, функции генераторов авторитетности выполняют другие площадки:

• Собственные экспертные блоги на корпоративных доменах;
• Профильные медиа (РБК, Ведомости, Forbes, Хабр, VC);
• Профессиональные отраслевые реестры и базы научных публикаций (eLibrary, КиберЛенинка);
• Независимые верифицированные агрегаторы с жесткой модерацией отзывов.

Пошаговое руководство по адаптации контента под требования алгоритмов нового поколения читай в материале генеративная оптимизация поиска (GEO): как брендам попасть в ответы ChatGPT, Perplexity и Яндекс Нейро.

Регламент GEO-оптимизации: 5 шагов для клиник и B2B-компаний

На основе результатов исследования эксперты TexTerra сформулировали практический чек-лист, который позволяет связать личный бренд эксперта с брендом компании и заставить нейросети отдавать трафик первоисточнику, а не посредникам:

• Шаг 1. Внедрить микроразметку Schema.org на всех посадочных страницах. Каждый профиль сотрудника на сайте должен быть размечен схемой Physician или Person с обязательным заполнением полей worksFor (с прямой ссылкой на корневой домен компании), jobTitle, alumniOf и массивом sameAs со ссылками на профили в Википедии, агрегаторах и социальных сетях. Это формирует однозначную запись в глобальном графе знаний.
• Шаг 2. Ввести правило неразрывной связки в контент-политике. Запрети публикацию любых экспертных колонок, комментариев в прессе и выступлений на конференциях без обязательного указания текущей должности и компании. Формула проста: эксперт нигде не существует как изолированная единица — во всех метаданных, подписях к фото, титрах и дескрипшенах видео он фигурирует исключительно как представитель бренда.
• Шаг 3. Провести генеральную уборку на агрегаторах. Маркетинг обязан взять под контроль карточки врачей на всех платформах-посредниках. Удалить неактуальные профили уволившихся специалистов, актуализировать расписание, вычистить старые филиалы и потребовать замены подменных телефонных номеров на прямой шлюз клиники там, где это позволяет тариф платформы.
• Шаг 4. Создавать контент с уникальной клинической фактурой. Шаблонные рерайты из Википедии алгоритмы игнорируют. Чтобы попасть в обучающую выборку или контекст RAG-поиска, статья должна содержать реальный клинический опыт: разборы атипичных случаев, протоколы лечения, фотофиксацию динамики (с согласия пациентов) и персональные выводы специалиста.
• Шаг 5. Запустить регулярный GEO-мониторинг. Сформируй матричный промпт-сет из 30–50 запросов, охватывающих брендовый, навигационный и проблемный поиск. Прогоняй его раз в квартал минимум в трех независимых итерациях по ChatGPT, Алисе и Google. Отслеживай динамику доли голоса (Share of Voice) и вовремя устраняй всплывающие галлюцинации.