Я изучаю AEO/GEO (продвижение брендов в ответах нейросетей) и наткнулся на разбор про странную вещь: нейросети называют одни бренды и будто не замечают другие, причём качество продукта тут ни при чём (SearchAtlas). Объясняют это через понятие сущности: и поиск, и нейросети воспринимают бренд как отдельный объект знания со своими свойствами и связями.
Тема показалась любопытной, и я полез в первоисточники: доки Google, schema.org, Wikidata, замеры Ahrefs и Frase, пару работ с arXiv. Там и уткнулся в неожиданное. Знание о бренде у машины устроено двумя совершенно разными способами, и их постоянно путают. Один способ работает у обычного поиска Google, это Knowledge Graph. Другой у языковых моделей вроде ChatGPT, это память в весах нейросети.
Единого первоисточника у этого разбора нет, я собрал его из перечисленного под наш контекст, ссылки стоят по тексту. Дальше разложу оба механизма простым языком и покажу, что с каждым можно сделать.
Строки против смысла
Начну издалека, с 2012 года. Тогда Google выпустил Knowledge Graph и объяснил идею фразой «things, not strings», вещи вместо строк. До этого поиск сравнивал буквы: брал запрос, искал такие же наборы символов в индексе и ранжировал по совпадениям. Он не понимал, что Тадж‑Махал бывает и мавзолеем, и блюзменом, а различал их кое‑как, по соседним словам.
Knowledge Graph научил поиск работать с сущностями. Сущностью считается любая опознаваемая вещь: компания, человек, продукт, место. У неё есть свой узел с идентификатором, свойствами и связями с другими узлами. Компания в этой картине превращается в точку на карте знаний. Набор страниц с ключевыми словами уходит на второй план.
Механизм первый: Knowledge Graph
Здесь всё строго и предсказуемо. У сущности есть узел с уникальным идентификатором и проверенные свойства: когда основана, где находится, кто руководит. Данные поиск берёт из Wikipedia, Wikidata, официальных реестров и разметки на самих сайтах. Когда пользователь ищет компанию, система находит её узел и показывает карточку, тот самый блок сбоку выдачи. Если узла нет, то и карточки нет. Так же устроены ответы Gemini и Google. Если компании нет в графе, она не появится и в них.
Попасть в граф можно по понятным шагам. Основную роль играет разметка Schema.org на сайте и поле sameAs, которое связывает ваш сайт с профилями в авторитетных базах. Вот минимальная разметка компании:
{ "@context": "https://schema.org", "@type": "Organization", "@id": "https://example.com/#organization", "name": "Acme", "url": "https://example.com", "foundingDate": "2018", "sameAs": [ "https://www.wikidata.org/wiki/Q12345678", "https://ru.wikipedia.org/wiki/Acme", "https://www.linkedin.com/company/acme" ] }
Поле sameAs хранит ссылки на другие ваши профили в сети. Сначала указывают Wikidata, потом Wikipedia, потом деловые профили. Дальше поиск читает разметку, сверяет её с Wikidata и заводит узел. И пишите название везде одинаково. Если на сайте «Acme», в Wikidata «Acme Inc.», а в каталоге «ЭЙКМ», система видит три разные компании и путается. Одинаковые название, адрес и описание на всех площадках дают половину успеха.
Механизм второй: языковая модель
С ChatGPT всё иначе, и здесь начинается самое непонятное для многих. У языковой модели нет графа с узлами и идентификаторами. Всё, что модель знает, зашито в веса нейросети во время обучения. Знание про вашу компанию не лежит отдельной строчкой в базе. Это статистический след, размазанный по миллиардам параметров.
Чем чаще про компанию пишут в текстах, на которых училась модель, и чем авторитетнее эти тексты, тем крепче след и тем охотнее модель вспомнит компанию в ответе. У механизма есть название: совместная встречаемость, по‑английски co‑occurrence. Работает она буквально. Если в статьях про вашу тему рядом регулярно стоит имя вашего бренда, модель привыкает называть его, когда её об этой теме спрашивают. Если такой связи в текстах нет, то и в ответе бренда не будет.
Прямого способа вписать себя в языковую модель, как в Knowledge Graph, не существует. Никакой разметкой на своём сайте вес в чужой нейросети не сдвинешь. Повлиять можно только через то, что про вас написано в мире: сколько раз, где и в каком окружении.
Ещё одна вещь, которая многих удивляет. Тексты, из которых ChatGPT берёт ответы, почти не совпадают с топом обычной выдачи Google. По замеру Ahrefs пересечение всего около 8% (Brand Radar). Быть в топе Google полезно, но само по себе оно не затаскивает вас в ответы нейросетей. Это две разные работы.
Что с этим делать
Собрал порядок действий, коротко.
Сначала наведите порядок в названии. Пройдитесь по своим страницам: сайт, карточка в Google, профили в соцсетях и каталогах. Выберите одно каноническое написание имени и адреса и приведите всё к нему.
Дальше заведите или проверьте запись в Wikidata. Это открытая база, попасть в неё проще, чем в Wikipedia, а для графа она первый по важности источник. Минимум: тип организации, страна, официальный сайт, дата основания. Каждое утверждение подкрепите ссылкой, иначе запись удалят.
Потом добавьте на сайт разметку Schema.org с полем sameAs и проверьте её через Rich Results Test у Google. На этом управляемая часть заканчивается, дальше вы уже не контролируете результат напрямую.
Оставшееся про упоминания на стороне. Публикации в отраслевых изданиях, экспертные статьи, партнёрские материалы, где ваш бренд стоит рядом с темой. Отдача тут долгая. По оценкам Frase, заметный сдвиг занимает пару‑тройку месяцев (Frase.io). Поиск с живым обходом вроде Perplexity подхватывает быстрее, ChatGPT медленнее, потому что ждёт следующего цикла обучения.
Честно про пределы
Пара оговорок, чтобы это не выглядело волшебной таблеткой. Точный вес каждого сигнала для языковых моделей снаружи никто не знает: есть косвенные наблюдения и здравый смысл, но не формула. Сроки я привёл средние, по чужим замерам, у вас может выйти иначе. Всё упирается в то, насколько авторитетны площадки, где вас упоминают.
Что проверено экспериментально: академическая работа по генеративным ответам показала, что цитаты, цифры и ссылки поднимают видимость примерно на 40%, а набивка ключевыми словами её роняет (arXiv).
Перестаньте считать себя набором страниц с ключами. Для машины вы либо чёткая узнаваемая сущность с одинаковыми данными везде, либо шум, который она пропустит.