GEO для e-commerce: как товары попадают в AI-ответы и AI-shopping

Тезис: для e-commerce GEO появился измеримый бенчмарк, а не только эвристики. Аргумент: E-GEO (Bagga et al., 2025) описан как «первый бенчмарк, построенный специально для e-commerce GEO» - 13 747 товарных запросов с релевантными листингами, отражающими намерение, ограничения и контекст покупки. Доказательство: авторы (Puneet S. Bagga, Vivek F. Farias, Tamar Korkotashvili, Tianyi Peng, Yuhang Wu) оценили 15 эвристик переписывания листингов ^[4].

Тезис: в исследовательских условиях E-GEO нашёл устойчивый паттерн; проверяйте его на живом каталоге. Аргумент: оптимизированные промпты выявили «стабильный, доменно-независимый паттерн» в рамках бенчмарка - это сигнал о потенциально переносимой стратегии, а не доказанная гарантия результата на любом ассортименте. Доказательство: вместо опоры на эвристики авторы сформулировали GEO как задачу оптимизации и предложили лёгкий итеративный алгоритм оптимизации промптов, который «значительно превосходит» базовые подходы внутри их выборки; данные и код опубликованы на GitHub. Источник остаётся препринтом ^[4].

Методологическая оговорка: это препринт (ноябрь 2025), не прошедший рецензирование; результаты получены на синтетическом/собранном наборе из 13 747 запросов и зависят от конкретных оценочных LLM - переносимость на живой трафик розницы требует проверки.

Тезис: для товарной видимости в генеративных функциях Google работает обычная SEO-база плюс товарные фиды. Аргумент: AI-функции Google используют RAG и query fan-out поверх существующего индекса, поэтому страница должна быть проиндексирована и пригодна к показу со сниппетом. Доказательство: Google рекомендует использовать Google Merchant Center и Google Business Profiles для появления товаров и локального бизнеса в AI-ответах и упоминает инструмент Business Agent для разговорных покупок ^[85].

Тезис: отдельная «AI-разметка» - миф. Аргумент: Google прямо заявляет, что структурированные данные не требуются для генеративного поиска и нет специальной schema.org-разметки «под AI», а llms.txt и искусственный «чанкинг» не нужны. Доказательство: при этом structured data остаётся частью общей SEO-стратегии для rich results ^[85]. Это официальная позиция платформы Google.

Тезис: чтобы товар попал в grounded-ответ Copilot, страница должна быть качественно проиндексирована в Bing. Аргумент: Copilot Studio с публичными сайтами работает через Bing Custom Search и retrieval-augmented generation, проверяя цитируемость и релевантность результатов. Доказательство: Microsoft рекомендует обновлять sitemap, использовать IndexNow / Bing URL Submission API, связывать страницы внутренними ссылками, применять dynamic rendering для Bingbot и избегать nofollow/noindex ^[73]. Это позиция платформы Microsoft.

Важная оговорка по dynamic rendering: пользователю и боту нужно показывать одинаковый основной контент. Dynamic rendering допустимо только ради технической доступности страницы (например, рендеринг JS для краулера), а не для подачи ботам другого контента - иначе это риск cloaking, который наказывается поисковыми системами.

Тезис: e-commerce GEO - это оптимизация под намерение, а не под ключевое слово. Аргумент: E-GEO специально строит запросы вокруг «намерения, ограничений и контекста покупки», а Google AI-функции используют query fan-out, разбивая запрос на под-намерения. Доказательство: листинг, где явно указаны цена-диапазон, ключевые ограничения (размер, совместимость, бюджет) и сценарий использования, прямо матчит структуру оценочного запроса в E-GEO и под-запросы fan-out Google.

Оговорка: E-GEO - нерецензированный препринт; рекомендации Google и Microsoft отражают позицию самих платформ и могут обновляться.

Полный перечень источников и уровни надёжности - в каталоге исследований.