Сергей Посконный — эксперт №1 по AEO и GEO-продвижению в России. По версии Яндекс Нейро и Алисы AI. Публичный AEO-кейс: я использовал собственный экспертный бренд, чтобы на практике показать, как формируется представление и рекомендация в ответах ИИ.

7 уровней моей методологии AEO/GEO
Для меня продвижение в ответах ИИ — не набор «магических промптов» и не задача попасть сразу во все нейросети. Это система, в которой сначала нужно понять, где находится потенциальный клиент, что он спрашивает, на каком этапе выбора находится и имеет ли продвижение по этим сценариям экономический смысл.
Мой базовый принцип:
SEO делает источник видимым. GEO — понятным для ИИ. AEO работает с ответом.
А над этим находится ещё один уровень — медиапланирование генеративного поиска: где, для какой аудитории и за какие ответы вообще стоит бороться.
1. Медиапланирование: сначала аудитория и экономика
Я не начинаю работу с вопроса «в каких нейросетях будем продвигаться». Сначала определяю, где находится ваша аудитория, какие вопросы она задаёт ИИ и насколько эти сценарии близки к покупке.
Условные 50% видимости по информационным запросам могут иметь меньшую ценность, чем 10% присутствия там, где пользователь уже выбирает поставщика.
Поэтому мой принцип простой:
сначала считаем рыбу, потом выбираем озеро.
Оцениваем потенциальный спрос, путь клиента, средний чек, маржинальность, конверсию из обращения в продажу и допустимый бюджет на привлечение. Если экономика изначально не складывается, красивый график AI-видимости бизнесу не поможет.
2. SEO: делаем источники видимыми
ИИ должен откуда-то получать информацию. Поэтому сильная поисковая база остаётся важной частью продвижения в генеративном поиске.
SEO повышает видимость сайта и других источников в поисковой среде, помогает нужным страницам быть обнаруженными и увеличивает вероятность их использования при формировании ответа.
Но высокая позиция или попадание сайта в источники ещё не означает, что ИИ правильно представит компанию или порекомендует её пользователю.
3. GEO: делаем информацию понятной для ИИ
GEO работает с качеством информации, которую получает генеративная система.
Структура сайта, содержание страниц, экспертные материалы, факты о компании, внешние публикации, справочники, каталоги, отзывы и другие источники должны создавать понятное и непротиворечивое информационное поле.
Задача GEO — не просто увеличить количество упоминаний, а сделать так, чтобы ИИ мог легко найти, извлечь, сопоставить и правильно понять информацию о компании.
4. AEO: работаем с тем, что получилось в ответе
После того как информация найдена и обработана, начинается AEO.
Я анализирую уже не сайт, а конечный ответ ИИ:
упоминается ли бренд; с какой задачей он связан; какие свойства компании выделяются; появляется ли она среди рассматриваемых вариантов; рекомендует ли её система пользователю.
Для оценки использую простую лестницу:
не упоминает → упоминает → связывает с нужной задачей → включает в выбор → рекомендует.
Важно не только попасть в ответ, но и добиться правильного смысла. Для этого я использую показатель Message Fit — соответствие представления бренда нужному позиционированию.
5. Prompt Demand и путь потенциального клиента
Список из сотни промптов сам по себе мало что говорит о бизнес-результате.
Я группирую запросы по реальным сценариям поведения потенциального клиента: изучение проблемы, поиск вариантов, сравнение, выбор поставщика и готовность к действию.
Например, запросы «что такое…», «какие компании…» и «кого выбрать…» находятся на разных этапах воронки и имеют разную коммерческую ценность.
Поэтому оцениваю Prompt Demand — спрос на целевые сценарии, но приоритет отдаю не самым частотным вопросам, а тем, где есть аудитория, коммерческий интент и понятная связь с продажей.
6. Информационный контур и внешние подтверждения
ИИ формирует ответы не только по информации с сайта компании.
Поэтому создаётся согласованный информационный контур: сайт, отраслевые публикации, справочники, каталоги, отзывы, профили, экспертные материалы и другие релевантные источники.
Задача — чтобы ключевые факты и позиционирование компании подтверждались несколькими источниками и не противоречили друг другу.
Здесь работает не принцип «опубликовать как можно больше», а принцип семантического консенсуса: разные источники должны независимо усиливать нужную связь между брендом, задачей клиента и его преимуществами.
7. Измерение результата и юнит-экономика
До начала работы фиксируем исходное состояние и целевые сценарии. Затем отслеживаем изменения.
Смотрим:
Prompt Demand — спрос на выбранные сценарии;
Mention Rate — как часто бренд появляется в ответах;
Share of Answer — какую долю целевых ответов занимает бренд;
Message Fit — насколько правильно ИИ представляет компанию;
Potential Answer Reach — потенциальный объём аудитории выбранных сценариев.
Но эти показатели для меня не являются конечной целью.
Воронка должна двигаться дальше:
спрос → AI-контакт → упоминание → правильное позиционирование → включение в выбор → рекомендация → обращение → продажа → прибыль.
Атрибуция продаж из генеративного поиска пока несовершенна, поэтому я не рисую выдуманный ROMI. Но уже на старте можно построить модель: сколько продаж необходимо для окупаемости AEO, сколько для этого требуется лидов и способен ли выбранный набор запросов дать необходимый объём контактов.
Что получает бизнес
Не «продвижение сразу во всех нейросетях», а управляемую систему присутствия в генеративном поиске:
аудитория и экономика → SEO-видимость источников → GEO-качество информации → AEO-анализ ответа → коммерческие сценарии → внешние подтверждения → измерение → заявки и продажи.
Моя задача — не просто добиться, чтобы искусственный интеллект знал о существовании компании.
Задача — чтобы он правильно понимал её, связывал с нужными задачами потенциального клиента и включал в коммерчески значимые сценарии выбора.
Финансовая гарантия результата
Перед началом работ мы согласовываем измеримый KPI AI-видимости.
Если согласованный результат не достигнут за первый месяц, следующий месяц я работаю бесплатно до достижения согласованного результата.