GEO / AEO: глоссарий
и ответы на ключевые вопросы.

Рабочие определения терминов плейбука и прямые ответы на вопросы, которые чаще всего задают про видимость в генеративных поисковых системах.

Глоссарий

GEO

Generative Engine Optimization - оптимизация контента и присутствия бренда под генеративные поисковые системы; формализованная задача с GEO-bench ^[1].

AEO

Практический рыночный термин для улучшения видимости в AI search experiences; с позиции Google это всё ещё SEO для Search ^[65].

RAG

Retrieval-Augmented Generation: модель сначала извлекает документы, затем генерирует ответ с опорой на них и параметрическую память ^[24].

Пассаж / фрагмент

Самодостаточный блок контента, который retrieval-система может извлечь во многих сценариях; не требование Google дробить страницу ^{[27, 65]}.

Citation absorption

Реальное влияние источника на содержание ответа, а не только факт наличия ссылки ^{[32, 39]}.

Faithfulness (верность)

Соответствие сгенерированного утверждения источнику, на который сделана ссылка ^[39].

Structured data

Микроразметка, помогающая машинному пониманию контента в Google Search ^[68].

AI features (Search)

Функции Google, взаимодействующие с веб-контентом в ответах ^[65].

Частые вопросы

Гарантирует ли structured data попадание в AI-ответ?

Нет. Structured data помогает машинному пониманию контента в Google Search, но не является гарантией inclusion - это техническая предпосылка, не рычаг гарантии ^[68].

GEO отвечает «только с моего сайта»?

Нет. RAG-ответ - это retrieval плюс параметрическая память модели; источник повышает шанс, но не определяет ответ однозначно ^[24].

Чем цитата отличается от absorption?

Цитата - факт ссылки; absorption - реальное влияние источника на содержание ответа. Правильный ответ не гарантирует верной атрибуции ^{[32, 39]}.

Пассаж важнее страницы?

Не совсем. Многие retrieval/RAG-сценарии работают на уровне пассажа, поэтому самодостаточный блок полезен ^[27]. Но Google не требует chunking - страница может быть понята целиком; контент пишем для аудитории ^[65].

Источники (E-E-A-T)

01 · Aggarwal et al., 2024, ACM SIGKDD

GEO как формализованная задача.

↗

24 · Lewis et al., 2020, NeurIPS

RAG: retrieval + генерация.

↗

27 · Khattab & Zaharia, 2020, SIGIR

ColBERT: поиск на уровне пассажа.

↗

32 · Gao, Yen, Yu, Chen, 2023, EMNLP

Генерация с цитатами и поддержка утверждений.