GEO, Generative Engine Optimisation, — это оптимизация бренда под ответы нейросетей. Термин ввёл Kantar в отчёте Marketing Trends 2026, и логика там жёсткая: если модель тебя не знает, она тебя не выберет. Главное отличие от SEO в том, что в генеративной выдаче нет списка из десяти ссылок — есть один ответ, в который помещается два-три бренда.
Коротко
- GEO — оптимизация под ответы генеративных моделей. Термин из отчёта Kantar Marketing Trends 2026.
- 74% пользователей ИИ-ассистентов регулярно спрашивают у них рекомендации перед покупкой — данные того же отчёта.
- Проиграть в SEO означало уехать на третью страницу. Проиграть в GEO означает отсутствовать в момент выбора.
- Что работает: прямые формулировки о том, кто вы и для кого, структура «вопрос — ответ», проверяемые цифры, упоминания на внешних площадках.
- Обратная сторона той же скорости: проверять идеи неделями больше не выйдет. Синтетические тесты дают результат за часы при совпадении с живыми опросами по лидеру 87%.
Что изменилось в пути клиента
Двадцать лет реклама училась понимать человека. Мы искали инсайты, спорили о тональности, считали охваты и частоту. Всё это работало, пока на другом конце коммуникации стоял человек.
Теперь там всё чаще стоит машина. Покупатель спрашивает у нейросети, какие кроссовки взять для широкой стопы, какую CRM выбрать для отдела из пяти человек, куда съездить в октябре с детьми. И получает три варианта с аргументами. Рекламы он не видел, на сайт не заходил, а выбор уже сузился до трёх названий.
Понимать человека по-прежнему нужно. Но к этому добавился навык, которого в профессии раньше не было: понимать, как думает машина, которая понимает человека.
Почему GEO — это не переименованный SEO
Легко решить, что это старая оптимизация в новой упаковке, и отдать задачу тому же подрядчику. Так делать не стоит.
Поисковая оптимизация боролась за место в списке. Пользователь всё равно видел десять ссылок и выбирал сам, а бренду нужно было попасть повыше и выглядеть кликабельнее соседей. Проиграть означало уехать на третью страницу: видимость плохая, но вы существуете.
В генеративной выдаче списка нет. Модель даёт ответ, в ответ помещается два-три бренда. Решает не позиция в индексе, а то, что модель про вас поняла: чем вы занимаетесь, для кого работаете, чем отличаетесь и можно ли вам верить. Если уверенного ответа у неё нет, она назовёт того, про кого он есть.
Проиграть в SEO означало получать меньше трафика. Проиграть в GEO означает отсутствовать в тот момент, когда человек выбирает.
Почему именно сейчас
Отложить хочется, и я понимаю почему: мы видели десяток технологий, которые обещали перевернуть индустрию и тихо исчезли.
Но 74% пользователей ИИ-ассистентов регулярно спрашивают у них рекомендации. Это данные Kantar, и речь не про интерес к технологии, а про обычный способ выбирать. Ранние адоптеры закончились, началось нормальное потребительское поведение, к которому мы просто ещё не привыкли профессионально.
Стоит посмотреть и на то, кто об этом говорит. Kantar, Ipsos и NielsenIQ зарабатывают на классических исследованиях и рекламных замерах. Им меньше всех выгодно объявлять, что правила меняются. Когда о сдвиге пишут те, кому он невыгоден, это надёжнее любого стартап-манифеста.
Есть и практический аргумент. В русскоязычном поле GEO сейчас почти никто не занимается осознанно. Попасть в ответ модели по своей категории сегодня стоит дёшево — примерно как поисковая оптимизация в 2007 году, когда хватало нормальных текстов и отсутствия воровства. Через год конкуренция за это место будет другой.
Что делает бренд видимым для модели
Секретных приёмов здесь нет. Есть довольно скучная работа, которую большинство брендов не делает. Модель собирает представление о вас из текстов: вашего сайта, отраслевых публикаций, отзывов, справочников, чужих статей с упоминаниями. Подтекст она не считывает и метафору не оценит. Ей нужны прямые утверждения: кто вы, что делаете, для кого, чем отличаетесь и чем это подтверждается.
1. Пишите понятно
Главная страница с надписью «мы создаём смыслы» и фоновым видео человеку кажется солидной, а модель не извлечёт из неё ни категорию, ни аудиторию, ни отличие. Бренд, который не может объяснить себя простыми предложениями, из ответа выпадает.
2. Структурируйте
Модели хорошо читают понятные заголовки, вопросы с ответами, разделы, где один блок закрывает одну тему целиком. Раздел FAQ обычным человеческим языком сработает лучше десяти страниц вдохновляющего текста. Причина техническая: модель забирает из источника связный фрагмент, и чем меньше ему нужен контекст, тем выше шанс, что возьмут именно его.
3. Давайте проверяемое
«Мы лидеры рынка» не значит ничего. «По результатам ста сравнительных тестов совпадение составило 87%» значит, потому что это можно проверить. Цифры, методика, ссылки на источники и честно названные ограничения повышают шанс цитирования.
4. Следите за внешними упоминаниями
Для модели чужие тексты о вас весят больше вашего сайта. Здесь приведу свой кейс вместе с ошибкой. Мы в Fair Lab сделали для себя то, что советуем клиентам: переписали сайт под машинное чтение и собрали большой раздел вопросов и ответов, где каждый ответ понятен без остального сайта. Потом проверили, что нейросети реально о нас говорят, и обнаружили, что они называют цифру из пресс-релиза о запуске, а не актуальные 87% совпадения с сайта. Модель знала нас по публикациям годичной давности.
Вывод дороже самого сайта: старая публикация в сильном медиа перевешивает свежую правду на вашем ресурсе. GEO начинается не с переписывания главной страницы, а с инвентаризации всего, что о вас уже написано.
Обратная сторона той же скорости
У этой истории есть второй конец, о котором говорят реже. Если клиент принимает решение быстрее, то и бренд обязан решать быстрее. Схема, в которой проверка идеи занимает три недели, а ответ приходит после того, как кампания ушла в продакшн, перестаёт работать не потому, что она плохая, а потому что она не успевает.
Отсюда интерес к синтетическим исследованиям, и о них в том же отчёте Kantar пишет отдельно, называя переход «от синтетического хайпа к практическому применению». Цифровые респонденты дают обратную связь по концепциям за часы вместо недель; в валидационных тестах Fair Lab совпадение с живыми опросами по выбору лидирующего варианта составило 87%. Это не отменяет полевые исследования — это меняет то, на каком этапе проверка вообще случается.
Получается, что искусственный интеллект зашёл в маркетинг с двух концов сразу. На входе он меняет то, как клиент находит бренды. На старте — то, как бренды решают, что выпускать. А посередине остаётся маркетолог, и пространство вокруг него сжимается с обеих сторон. Хорошая новость в том, что оба конца сейчас дёшевы: и место в ответе модели, и скорость проверки идей. Через год будет дороже.