Product Radar
Всем привет! Я Александр Шерстов, основатель агентства SherNet и CEO GeoAist. В SherNet мы занимаемся поисковым продвижением, контентом и репутацией компаний. Когда клиенты заговорили о ChatGPT, Алисе и других нейросетях, я поначалу считал это ещё одной услугой агентства.
Скоро стало ясно, что привычной SEO-аналитики здесь мало. Модель правильно писала название компании, перечисляла услуги и даже ссылалась на сайт, но когда её просили назвать нескольких подходящих исполнителей, бренд из списка пропадал. Клиент резонно спрашивал, что с этим делать, а нам не хватало данных, чтобы уверенно ответить. Тогда мы и решили сделать собственный продукт, который отвечал бы на этот вопрос. Так появился GeoAist, и дальше я расскажу, как всё было.
Мы на Product Radar:
GeoAist — платформа инструментов для комплексного продвижения в ответах ИИ/нейросетей (GEO).
Сначала мы разбирали ответы нейросетей вручную
В SherNet любой проект начинается с запросов, по которым бизнес хочет получать клиентов. С GEO мы поступили так же: собрали формулировки, которые человек мог бы написать в ChatGPT или Алисе, и проверяли ответы. Записывали, какие компании упоминает модель, кого она советует, на какие страницы ссылается. Потом открывали сайты компаний из этих подборок и сравнивали, что на них опубликовано.
Ручной разбор отнимал больше времени, чем мы рассчитывали: на одного клиента приходилось 20–30 запросов, каждый мы прогоняли через 5–7 нейросетей, и одна только проверка занимала от часа до полутора. На один запрос модель называла клиента, на другой — конкурента, на третий выдавала длинный список общих советов. При повторной проверке ответ мог измениться. С такими наблюдениями трудно прийти к заказчику и сказать: «Перепишите эту страницу, здесь добавьте подтверждения экспертизы, а эту тему раскройте на внешней площадке».
Такое повторялось в нескольких проектах. Обиднее всего было с отчётами: мы собирали ответы, тратили часы, а при следующей проверке разбирали те же вопросы заново. Нам был нужен инструмент, который хранит историю замеров и показывает, что поправить дальше. Готовых сервисов для этого тогда ещё не было, так что его пришлось делать самим.
Маркетолог и физик: кто делает GeoAist
GeoAist мы делаем вдвоём со Всеволодом Сиваковым. Я отвечаю за маркетинг, SEO и контент-стратегию, а ещё преподаю маркетинг в ВШЭ и МСП. Всеволод — CTO, он окончил магистратуру МГТУ имени Баумана по фундаментальной физике и отвечает за всю техническую часть. В клиентских проектах нам помогают специалисты SherNet по контенту, SEO и внешним публикациям.
Новая функция обычно появляется из клиентского вопроса, на который с ходу не ответишь. Например: почему нейросеть не включила компанию в подборку подрядчиков? Я разбираю случай с точки зрения продвижения, а Всеволод придумывает, как проверить его технически и показать результат в кабинете. Потом мы договариваемся о деталях: какой ответ считать рекомендацией, где хранить оригинал, как сопоставлять повторные проверки. На такие решения уходит гораздо больше времени, чем на название функции. Споров о продукте у нас при этом не возникало: Всеволод видел техническую концепцию, я — коммерческую, и каждый занимался своей частью.
Почему одна цифра ничего не объясняла
Сначала мы сводили результат к одной цифре: сколько раз модель назвала компанию. Но в этой сумме смешивались разные ответы. Где-то бренд мелькал в справке, где-то его прямо советовали пользователю, а иногда модель ссылалась на сайт компании, хотя в тексте её не называла. Для клиента это три разные ситуации.
Поэтому в GeoAist мы считаем упоминания, рекомендации и ссылки на домен отдельно. Классифицировать ответы стало сложнее, зато объяснять результат клиенту — проще. Из любого замера открывается исходный ответ: видно, почему он попал в эту категорию. Платформа сохраняет дату и модель, без них цифра быстро теряет смысл.
Больше всего хлопот доставили нестабильные ответы. Одна и та же модель на один и тот же запрос выдаёт разные подборки: в среднем содержимое ответа меняется на 30–40% при каждом новом запуске. К тому же API и поисковые AI-интерфейсы отдают данные по-разному. Мы зафиксировали набор запросов и правила оценки и сохраняем исходные ответы, чтобы сравнивать периоды. Если результат изменился, мы открываем оба ответа рядом и ищем разницу.
Когда данные появились, встал следующий вопрос: что исправлять?
Хорошо это видно на примере самого GeoAist. Когда мы боролись за рынок, на вопрос, какой сервис выбрать для мониторинга видимости бренда, нейросеть называла трёх конкурентов, а нас в ответе не было. Таблица с этим результатом мало что даёт, пока команда не понимает, почему модель выбрала конкурентов. В клиентских проектах после такого мы снова вручную разбирали сайт, описание услуг, публикации и источники.
Так появилась AI-оценка бренда. Инструмент спрашивает модели о компании, её специализации и сайте: что непонятно, каких сведений не хватает, что смущает при выборе. Иногда ответ подсказывает вполне земную задачу: объяснить услугу простыми словами или добавить факты об опыте команды. Например, модель заметила, что клиент в одном месте сайта называет себя лидером рынка, а в другом предлагает скидки 90%. Для нейросети это явное противоречие. Модель может ошибаться в своей оценке, а доступа к алгоритмам ChatGPT у нас нет, поэтому её замечания мы проверяем по фактам.
Второй инструмент сравнивает страницу с запросом, по которому её продвигают. Он переводит оба текста в векторные представления и проверяет, насколько близок их смысл. Бывает, что страница набита тематическими словами, а человек с конкретным вопросом ответа на ней не находит. Проверка быстро показывает такое расхождение и подсказывает, что дописать или перестроить. Дальше всё равно нужен редактор: оценка в цифрах сама текст не исправит.
Потом к этим проверкам добавились технический аудит, работа с FAQ, структурированными данными, контентом и публикациями. Большинству пользователей хватает результатов: они передают их своей команде, и та вносит правки. Около 1,5% отдают нам всю работу, и тогда SherNet от лица GeoAist ведёт GEO-продвижение под ключ: диагностирует сайт, дорабатывает его, готовит материалы, размещает публикации и проверяет результат в GeoAist после каждой серии правок.
Прижилось не всё. Мы пробовали сделать полноценный генератор контента для GEO, но модуль вышел очень дорогим, а пользоваться им никто не стал: у всех уже были свои подписки на нейросети.
Как мы проверили метод на себе: с 7 до 27 рекомендаций
Ту же схему мы проверили на самом GeoAist, начав в июле 2026 года. Составили список из 36 коммерческих и навигационных запросов про GEO, AI Search и мониторинг нейросетей, например «сервис GEO-продвижения», «мониторинг видимости в ChatGPT» и «платформа для AI Search мониторинга».
Проверяли во всех 13 моделях, которые отслеживает платформа. Рекомендацией считали запрос, по которому GeoAist советовали больше шести моделей из 13. В начале таких запросов было 7, через 16 недель — 27. По каждому запросу мы читали ответ целиком: если модель назвала продукт, это ещё не значит, что она его посоветовала. В начале и в конце рекомендации считали по одним правилам. Это результат на конкретной выборке, на все вопросы пользователей его не перенесёшь.
Сначала мы перечитали исходные ответы. Иногда модели описывали GeoAist слишком широко, как ещё один AI-сервис, и не связывали его с задачами маркетолога. Мы составили карту запросов и выписали конкурентов, которых модели чаще всего называли рядом. Так стало понятнее, какие формулировки на сайте слишком общие и каких объяснений не хватает.
Потом взялись за сайт. Переписали описание функций и сценариев, уточнили страницы продукта, FAQ и материалы об экспертизе команды. Главный вопрос звучал буднично: поймёт ли человек за пару минут, зачем ему GeoAist и что он получит после первой проверки? Некоторые тексты мы переделывали, пока ответ не стал понятен прямо со страницы, без менеджера. Например, вместо «Сервис GEO-продвижения» на сайте теперь написано «Платформа для ИИ-мониторинга и продвижения в ответах нейросетей».
Параллельно мы составили контент-план: 31 тематический кластер и 58 экспертных материалов про GEO, коммерческие запросы, AI Search, подготовку сайта и источники, на которые ссылаются модели. Все материалы писала наша команда, а выходили они на площадках 12 типов, от Хабра, vc.ru и Sostav до Дзена и TenChat: нам было важно, чтобы о специализации GeoAist знали и там, где люди ищут информацию о GEO.
Раз в неделю мы прогоняли те же 36 запросов, сохраняли ответы и отмечали, где бренда по-прежнему нет. Следили, как разные модели описывают GeoAist, и по результатам правили страницы и контент-план. За 16 недель сложился обычный для продвижения цикл: проверка, правки, публикации, новый замер. Резкого скачка после какой-то одной правки не было.
У этого кейса есть ограничение, о котором я всегда говорю. Контрольной группы у нас не было, а сами модели за эти месяцы успели обновиться. Поэтому я не могу честно разложить прирост по статьям или сказать, какая правка принесла какую рекомендацию. Зато у нас сохранились список действий с датами, исходные ответы и повторные замеры по тому же набору запросов. Причинность это не доказывает, для этого нужен отдельный эксперимент. Но разбирать сделанную работу можно по записям, а не по памяти.
Чего не видно в SEO-отчётах
Чем дольше смотришь на ответы нейросетей, тем больше замечаешь того, что не укладывается в обычные SEO-отчёты. Бренд может упоминаться в ответе, но переходов на сайт это не даёт. Где-то модель берёт сведения из внешней публикации, где-то с официальной страницы. Такие случаи мы разбираем отдельно, сверяем с исследованиями рынка и публикуем разборы на Хабре. Это заодно приучает нас строже относиться к собственным выводам: у красивой цифры должен быть понятный способ подсчёта.
Сейчас мы делаем модуль, который считает трафик из нейросетей, и запустим его в ближайшие две-три недели. Клиенты давно об этом просят: человек видит компанию в ChatGPT, потом открывает поиск, вбивает название бренда и приходит на сайт как будто из поиска. В аналитике такой путь распадается на отдельные события. Модуль будет учитывать прямые переходы из AI-систем и собирать данные, по которым видно влияние GEO. Точную атрибуцию каждого обращения не обещаем: часть пути пользователя остаётся невидимой.
Чего я теперь жду от отчёта
За время разработки я поменял отношение к отчётам. Раньше меня убеждала таблица с динамикой упоминаний. Теперь я первым делом проверяю, открывается ли исходный ответ и понятно ли, почему команда взялась за следующую задачу. Если рекомендаций стало больше, я смотрю, по каким запросам и что мы делали между замерами. А если результата нет, мне полезнее увидеть конкретную проблему, чем ещё один оптимистичный график.
Зачем мы пришли на Product Radar
Сейчас на платформе больше 9 000 регистраций, тарифы начинаются от 30 рублей. GeoAist отслеживает 13 ИИ-систем, оценивает, как модели воспринимают бренд, и сравнивает страницы с целевыми запросами. Тем, кому нужна помощь с внедрением, мы делаем GEO-продвижение под ключ. То, что мы сами работаем с клиентами, помогает: каждый новый запрос показывает, какой функции в кабинете не хватает. Но функций становится всё больше, и я боюсь, что местами мы перегружаем кабинет. Мы привыкли к профессиональным терминам и часами разбираемся в показателях, а новичок открывает сервис и ждёт понятного результата сразу. Поэтому нам особенно важно мнение тех, кто увидит продукт впервые.
На Product Radar мы пришли за обратной связью от основателей и маркетологов и за знакомствами с будущими пользователями и партнёрами. Если вы уже проверяли свой бренд в ChatGPT или Алисе, расскажите, что после проверки осталось непонятным, и разберём ваш случай прямо в комментариях. Отвечу сам: такие разговоры дают нам больше идей для доработок, чем обсуждение очередного красивого экрана.
Будем рады поддержке лайком и комментом на Product Radar:
GeoAist — платформа инструментов для комплексного продвижения в ответах ИИ/нейросетей (GEO).
⭐️ Эту статью написал «Друг Радара». Вы можете добавить свою статью или обсудить ее идею с нами в боте. Мы поможем на всех этапах подготовки и публикации статьи, а также разметим ее в сторисах нашего Telegram-канала @productradar_official. Редакция Блогов Product Radar бережно сохранила авторский стиль, орфографию и пунктуацию.
