Продолжаем серию блогов про GEO
25 ноября 2025 года американские ученые из Cornell University опубликовали статью о тестировании платформы для GEO, измерении её эффективности и проверке рабочих подходов. Эта работа стала одной из первых попыток глубокого исследования темы GEO на международном рынке.
Что сделали исследователи
В первую очередь, они столкнулись с проблемой отсутствия данных. Существующие датасеты для поиска не подходят для GEO. Классические поисковые запросы короткие («купить наушники»), тогда как запросы к LLM — длинные и насыщенные контекстом. В них содержатся цели («нужны наушники для работы и спорта»), ограничения («до $150»), предпочтения («без шумоподавления») и сценарии использования («для перелётов и звонков»).
Без таких данных невозможно объективно оценивать GEO-стратегии. Поэтому возникла необходимость создать собственный бенчмарк (ориентир) — E-GEO.
Бенчмарк — E-GEO
Простым языком, бенчмарк E-GEO — это компиляция из более чем 7000 реалистичных пользовательских запросов. Каждый запрос состоит из нескольких предложений, а не из набора ключевых слов. Запросы связаны с реальными товарными предложениями на сайтах электронной коммерции и учитывают намерения, предпочтения и контекст покупки.
Иными словами, исследователи моделируют то, как реальные пользователи общаются с ChatGPT, Google, Алисой и другими генеративными системами.
Что такое GEO-эвристики и почему на них нельзя полагаться
Первым этапом исследования стала проверка GEO-эвристик. Это популярные способы изменения текста, которые должны заинтересовать генеративную модель и замотивировать её включить ссылку на товар. В качестве примеров таких эвристик использовались:
- добавление ключевых характеристик товара;
- упрощение и структурирование текста;
- использование разговорного языка;
- добавление сравнений и сценариев использования;
- расширенные описания преимуществ.
Каждую эвристику оценивали по тому, насколько часто генеративная модель выбирает данный товар как релевантный ответ.
Главный вывод этого этапа — ни одна эвристика не является надёжной. Некоторые подходы улучшают видимость товара в одних категориях, но ухудшают её в других. Эффекты сильно зависят от формулировки запроса, а многие популярные практики дают минимальный или случайный прирост. Это подтверждает, что текущая GEO-практика во многом интуитивна и плохо масштабируется.
Именно здесь начинается самое интересное
Авторы переходят от эвристик к статистике и целям оптимизации. Простыми словами, они берут два показателя: вероятность включения ссылки в ответ генеративной системы и само описание товара. Главная задача опоимизации заключается в том, чтобы автоматически перебирать огромное количество вариантов описаний и находить те, которые максимизируют вероятность попадания товара в ответ, сгенерированный ИИ-системой.
Алгоритм выглядит так:
1. Берем исходный текст;
2. LLM предлагает улучшенную версию этого текста;
3. Улучшенная версия оценивается по метрике релевантности;
4. Лучшие изменения сохраняются;
5. Процесс повторяется несколько раз.
Эта логика применяется для каждого товара в бенчмарке.
Неожиданный вывод — универсальный паттерн GEO
Результат исследования может удивить: оказывается, оптимизированные тексты начинают сходиться к одному и тому же шаблону независимо от категории товаров. То есть существует определённая форма и последовательность описания товара, которая максимально повышает вероятность его включения в ответ генеративной модели.
Основные характеристики этого шаблона:
- четко формулируется назначение товара;
- перечисляются ограничения и условия использования;
- используется нейтральный, информативный тон;
- избегаются маркетинговые клише;
- информация структурируется под формат «ответа», а не рекламы.
Авторы называют это признаком универсально эффективной GEO-стратегии, которая может работать не только в e-commerce, но и в других сферах.
Почему это важно
E-GEO — это первый шаг от «угадывания» шаблонов GEO к измеримой и воспроизводимой оптимизации. Для владельцев интернет-магазинов, маркетплейсов и контентных платформ это означает, что GEO можно тестировать и улучшать системно, ручные эвристики уступают автоматической оптимизации, а GEO требует принципиально иного подхода к контенту, чем классическое SEO.
Это исследование закладывает фундамент для будущих стандартов GEO — так же, как ранние поисковые бенчмарки когда-то сформировали современное SEO.
