1 сентября 2026

Научные статьи о GEO и AEO: подборка исследований

Восемь работ о видимости сайтов в ответах нейросетей: что проверяли авторы, какие выводы получили и почему результаты нельзя считать универсальной инструкцией.

Чем GEO отличается от AEO в исследованиях

GEO расшифровывается как Generative Engine Optimization. Под этим термином авторы обычно понимают работу над видимостью материала в ответах генеративных поисковых систем.

AEO расшифровывается как Answer Engine Optimization. Этот термин шире и может относиться к любым системам, которые сразу дают готовый ответ вместо списка ссылок.

В научных публикациях термин GEO встречается чаще. Исследователи измеряют цитирование, место источника, долю текста в ответе и влияние документа на содержание ответа. AEO чаще появляется в работах о трафике и практических изменениях сайта.

Граница между терминами остаётся размытой. Поэтому полезнее смотреть не на название подхода, а на то, какой этап изучает работа: обнаружение страницы, выбор источника, цитирование, использование фактов или переход пользователя.

1. GEO: Generative Engine Optimization

Статус: рецензируемая статья, конференция ACM KDD 2024.

Базовая работа GEO: Generative Engine Optimization ввела сам термин GEO и предложила GEO-bench — набор из 10 000 запросов и связанных с ними веб-источников.

Авторы изменяли один документ из набора, который уже был передан генеративной системе. Затем они измеряли, насколько заметно система использовала этот документ в ответе. Среди проверенных подходов были добавление цитат, статистики, ссылок на источники и изменение стиля.

В экспериментальной среде отдельные стратегии увеличивали видимость до 40%. Проверка на Perplexity показала рост до 37% для части вариантов.

Главное ограничение: документ уже находился среди доступных системе источников. Исследование показывает, что содержание может повлиять на использование полученной страницы. Оно не доказывает, что такая правка поможет поисковому боту найти страницу, повысит её органическую позицию или принесёт больше переходов.

2. Generative Engine Optimization: How to Dominate AI Search

Статус: препринт на arXiv, сентябрь 2025 года.

Работа Generative Engine Optimization: How to Dominate AI Search сравнивает источники генеративных систем в разных регионах, языках и формулировках запросов.

Авторы разделили источники на собственные площадки брендов, социальные платформы и независимые публикации. В исследованной выборке AI-поиск чаще обращался к независимым источникам, чем к сайтам самих брендов. Состав доменов также менялся между системами и языками.

Практический вывод состоит в том, что страница бренда нужна для точных характеристик, цены и условий. Независимые обзоры и отраслевые материалы могут дополнительно подтвердить репутацию и сравнение с конкурентами.

Исследование наблюдательное. Оно показывает различия в уже полученных ответах, но не доказывает, что публикация материала на стороннем сайте сама по себе вызовет рост цитирования.

3. E-GEO: A Testbed for Generative Engine Optimization in E-Commerce

Статус: препринт на arXiv, ноябрь 2025 года.

E-GEO переносит GEO в электронную коммерцию. Набор данных содержит 13 747 покупательских запросов. Для каждого запроса исследователи подготовили десять найденных карточек товаров Amazon.

Авторы сравнили пять генеративных систем, семь моделей для переписывания и пятнадцать ручных стратегий. Работа показывает, что рекомендации для информационных статей нельзя автоматически переносить на карточки товаров. В товарном поиске важны ограничения запроса: цена, характеристики, сценарий использования и предпочтения покупателя.

E-GEO полезен интернет-магазинам как модель эксперимента. Однако набор состоит из карточек Amazon и не описывает весь путь обычного сайта от обхода поисковым ботом до цитирования в реальном сервисе.

4. What Gets Cited: Competitive GEO in AI Answer Engines

Статус: рецензируемая статья, конференция ACM SIGIR 2026.

Исследование What Gets Cited: Competitive GEO in AI Answer Engines изучает прямую конкуренцию двух документов за первую цитату. Авторы провели 252 000 испытаний на шести языковых моделях. В каждом испытании два источника отличались только по одному признаку.

Наиболее сильными факторами оказались соответствие теме и положение документа в переданном модели списке. Наличие цены и свежей даты тоже повышало вероятность первой цитаты. Полнота и признаки доверия давали меньший эффект, а изменение оформления почти не влияло на результат.

Работа помогает понять этап после получения документов: модель уже видит два источника и выбирает между ними. Положение документа в контексте контролирует сама поисковая система, поэтому владелец сайта не может напрямую поставить страницу первой.

5. From Citation Selection to Citation Absorption

Статус: препринт на arXiv, апрель 2026 года.

Авторы From Citation Selection to Citation Absorption разделяют два события. Citation selection означает, что система добавила страницу в список источников. Citation absorption означает, что факты, формулировки или структура страницы действительно повлияли на готовый ответ.

Исследование анализирует 602 запроса, 21 143 ссылки поискового слоя и 18 151 загруженную страницу из ChatGPT, Google AI Overview, Gemini и Perplexity.

В полученной выборке платформы различались по ширине и глубине цитирования. Страницы с заметным влиянием чаще содержали определения, числа, сравнения и последовательности действий. Формат вопросов и ответов сам по себе не улучшал использование материала.

Авторы прямо отделяют описательные связи от причинных выводов. По статическому набору нельзя доказать, что добавление определений или чисел обязательно вызовет рост видимости.

6. Quantifying Uncertainty in AI Visibility

Статус: препринт на arXiv, март 2026 года.

Quantifying Uncertainty in AI Visibility проверяет, насколько устойчивы показатели цитирования. Исследователи повторяли запросы в Perplexity Search, OpenAI SearchGPT и Google Gemini по трём категориям потребительских товаров.

Одинаковые запросы давали разные ответы и источники. Во многих случаях видимое различие между доменами оставалось внутри статистической погрешности. Авторы предлагают считать видимость оценкой вероятности, а не фиксированным свойством сайта.

Для практического замера одного запуска недостаточно. Запрос нужно повторять, а результат — показывать вместе с разбросом или доверительным интервалом. Иначе случайное изменение ответа можно принять за эффект оптимизации.

Исследование ограничено тремя темами и короткими периодами наблюдения. Оно не устанавливает универсальное количество повторов для любого рынка.

7. Disentangling Answer Engine Optimization from Platform Growth

Статус: препринт на arXiv, июнь 2026 года.

Disentangling Answer Engine Optimization from Platform Growth — полевая работа об AEO и переходах из ChatGPT. Авторы изучили один крупный сайт, где часть страниц получила набор изменений в январе 2026 года. Остальные страницы того же домена стали контрольной группой.

Общий трафик из ChatGPT вырос в 5,7 раза, но необработанные страницы за тот же период выросли в 3,5 раза. После поправки на общий рост платформы авторы оценили изменение для обработанной группы примерно в 1,8–2,3 раза.

Результат нельзя считать окончательным доказательством. Консервативная проверка со сдвигом даты дала p = 0,16, а период до вмешательства был коротким. Авторы называют эффект предварительным.

Работа показывает важный принцип измерения: рост AI-трафика нужно сравнивать с контрольной группой. Иначе увеличение аудитории ChatGPT можно ошибочно записать в результат правок сайта.

8. Optimizing Visibility in Generative Engines: A Critical Survey

Статус: обзорный препринт на arXiv, июль 2026 года.

Optimizing Visibility in Generative Engines рассматривает 45 исследований, опубликованных с конца 2023 до июля 2026 года, а также смежные работы о поиске и оценке ответов.

Авторы описывают GEO как цепочку этапов:

AI-сервис решает, нужен ли веб-поиск.
Поисковый бот находит и индексирует страницу.
Система извлекает и сортирует документы.
Модель распределяет внимание между источниками.
Страница получает ссылку или влияет на текст ответа.
Пользователь замечает бренд и может перейти на сайт.

Оптимизация одного этапа не гарантирует результат на следующем. Страница может хорошо работать внутри уже собранного контекста, но не попадать в поиск. Она может получить цитату, но не передать в ответ нужный факт. Цитата также не гарантирует переход или продажу.

Обзор приходит к осторожному выводу: исследования подтверждают, что изменение уже найденного материала может влиять на его использование. Однако ни одна рассмотренная техника пока не показала устойчивый долгосрочный эффект одновременно для разных платформ, органического обнаружения и поведения пользователей.

Что исследования позволяют применять на практике

Результаты работ не дают универсальной формулы, но помогают выстроить проверяемый процесс.

Разделяйте этапы

Сначала проверьте, может ли поисковый бот открыть и проиндексировать страницу. Затем выясните, появляется ли страница среди источников. После этого смотрите, использует ли нейросеть нужный факт и замечает ли пользователь бренд.

Работайте с ответом на конкретный запрос

Соответствие теме повторяется как сильный фактор в разных работах. Страница должна раскрывать задачу пользователя, а не ограничиваться похожими ключевыми словами.

Добавляйте доказательства по смыслу

Числа, цитаты и ссылки помогали в отдельных экспериментах, когда дополняли ответ. Вымышленная статистика или случайная цитата не делает материал надёжнее.

Не переоценивайте формат

FAQ, таблица и короткие абзацы могут упростить чтение, но сами по себе не гарантируют цитирование. Важны содержание, соответствие запросу и доступность страницы.

Повторяйте измерения

Генеративные ответы меняются между запусками. Сравнивайте одинаковый набор запросов, делайте несколько повторов и сохраняйте ответы со ссылками. Для оценки правок используйте контрольную группу, если это возможно.

Источники

Можно замерить видимость бренда в ChatGPT, Gemini и Perplexity.

Разовый отчёт Демо