GEO и AI-поиск: обзор исследований о времени индексации и сложностях измерения эффекта оптимизации
Свежие исследования заставляют пересмотреть привычные подходы к оценке эффективности генеративной оптимизации (GEO). Данные LoudFace и Glasp демонстрируют: реальные сроки попадания контента в ответы языковых моделей значительно длиннее заявленных в отчётах, а рост трафика из AI-поиска часто объясняется общими трендами, а не конкретными действиями оптимизаторов.
Исследование LoudFace: реальные сроки попадания контента в AI-ответы и ошибка выжившего
Команда LoudFace проанализировала 493 новые статьи на восьми сайтах, отслеживая их цитирование в ChatGPT, Google AI Overviews, Perplexity и Gemini. Результаты показывают существенную разницу между медианным временем для успешных страниц и оценкой с учётом всех опубликованных материалов.
За первую неделю после публикации цитирование получили 25,5% страниц. К 30-му дню доля выросла до 46,3%, а через 60 дней — до 56,7%. Если считать медианное время до первого цитирования только по страницам, которые в итоге попали в ответы, получается 14 дней. Однако при учёте всех 493 страниц, включая те, что так и не были процитированы, оценка увеличивается до 42 дней.
Эта разница — классический пример ошибки выжившего. Исключение неудачных наблюдений из выборки даёт заведомо оптимистичную картину. Оценивать эффективность GEO через неделю после публикации и делать выводы только по процитированным страницам методологически некорректно: значительная часть контента просто не успела попасть в индексы или обучающие выборки моделей к моменту замеров.
Исследование Glasp: рост трафика из ChatGPT в 6 раз и проваленный плацебо-тест
Исследователи Glasp сравнили страницы с внедрёнными GEO-изменениями и контрольную группу без модификаций. За период наблюдения переходы из ChatGPT на изменённых страницах выросли в 6,1 раза, а на неизменённых — в 3,5 раза. С учётом контрольной группы модель оценила дополнительный эффект оптимизации в 1,82 раза.
Результат выглядел убедительно, но авторы провели плацебо-тест: проверили модель на фиктивных датах внедрения изменений. Оказалось, что похожие скачки трафика наблюдались и до реальных правок. Плацебо-тест не позволил уверенно подтвердить причинную связь между GEO-действиями и ростом посещаемости.
Вывод исследования не в том, что GEO не работает, а в том, насколько сложно изолировать его эффект. Трафик из AI-поиска растёт органически по мере расширения охвата моделей и роста популярности самих сервисов. При простом сравнении «до/после» этот фоновый рост очень легко записать в заслуги оптимизации. Оригинальный научный препринт был опубликован в июне, а разбор Glasp вышел 7 ноября.
Общие выводы: базовые требования к аналитике в эпоху AI-поиска
Оба исследования напоминают о фундаментальных принципах качественной аналитики, которые не потеряли актуальности с появлением генеративного поиска. Первое — необходимость учитывать провальные наблюдения: страницы, не попавшие в цитирование, несут не менее важную информацию о распределении сроков, чем успешные. Второе — обязательность контрольных групп для отделения эффекта оптимизации от общих трендов роста трафика. Третье — различение корреляции и причинности: временное совпадение роста метрик и SEO-работ не доказывает их причинную связь без дополнительных проверок вроде плацебо-тестов.
Новые метрики и инструменты для работы с AI-поиском появляются регулярно, но требования к строгости аналитики остаются прежними. Игнорирование базовых статистических принципов приводит к систематической переоценке результатов GEO-кампаний и неоправданным выводам об эффективности конкретных тактик.
Вопросы и ответы
Какое реальное время нужно контенту, чтобы попасть в AI-ответы?
Медианное время для успешных страниц — 14 дней, но с учётом всех опубликованных материалов, включая не процитированные, оценка возрастает до 42 дней. Через 60 дней в AI-ответах оказывается лишь 56,7% страниц.
Почему рост трафика из ChatGPT в 6 раз не доказывает эффективность GEO?
В контрольной группе без изменений трафик также вырос в 3,5 раза. Плацебо-тест на фиктивных датах показал похожие скачки до внедрения оптимизации, что указывает на фоновый рост популярности AI-поиска, а не на эффект конкретных действий.
Какие методологические ошибки чаще всего допускают при оценке GEO?
Основные ошибки: исключение неудачных наблюдений (ошибка выжившего), отсутствие контрольных групп, путаница между корреляцией и причинностью, оценка результатов через слишком короткие промежутки (неделя) без учёта распределения сроков индексации.