GEO-продвижение Atlant Armour из гипотезы выросло в полноценную услугу Агенства

Задача

Обеспечить присутствие бренда в ответах ИИ-блоков Яндекса и Google. Формат работы отличается от большинства GEO-кейсов: проект стартовал 3 ноября 2025 года, когда сервисов мониторинга ИИ-ответов ещё не существовало — методику измерения и продвижения собирали с нуля.

Почему именно эта ниша

Военная экипировка — ниша с низким кредитом доверия. Пользователь выбирает не по цене, а по защитному классу, материалам, сертификации и реальному опыту эксплуатации, поэтому вес и достоверность источника здесь критичны. LLM в такой тематике заметно осторожнее в выборе того, на что опереться.

Мы сознательно взяли сложный случай. Рабочая гипотеза: методика, работающая в нише с высокими требованиями, будет переносима и на более «лёгкие» тематики.

Часть 1. Чем измерять то, чего никто не измерял

На момент запуска проекта GEO-сервисы только создавались: готового мониторинга ИИ-ответов не существовало, а привычные метрики — позиции и частотность — здесь неприменимы. Поэтому работу строили на ручных проверках по фиксированному набору промптов, а позже подтвердили выводы данными Яндекс.Вебмастера и Keys.so.

Отслеживали четыре показателя:

1. присутствие бренда в блоке Google AI Overview;
2. присутствие в ответах Алисы в поиске Яндекса;
3. цитируемость бренда внутри этих блоков — то есть сайт как источник ответа;
4. переходы с сайтов ИИ-моделей в Яндекс.Метрике.

Параллельно Keys.so начал внедрять метрику ИИ-цитируемости в проектные отчёты — это дало первую систему координат, а нашим ручным наблюдениям — внешнюю проверку.

Почему только Алиса и ИИ-блоки поиска

Фокус на двух направлениях был продиктован целями проекта и особенностями российского рынка:

•ИИ-блоки Google и Яндекса — поиск даёт бренду основной объём трафика, поэтому ИИ-блоки Google и Яндекса — приоритет №1;

•Яндекс Алиса — самая массовая модель в стране, максимальный потенциал охвата.

Остальные LLM в пилот не включали осознанно: они не дают сопоставимого объёма релевантной аудитории в РФ. Мы не отрицаем другие модели, однако считали именно данный пул приоритетным.

Проблема: у GEO нет Вордстата

Частотности нет, оценить спрос на конкретную формулировку нечем: запросы к ИИ — это живые вопросы, а не ключевые слова. Мы пошли от логики самих моделей: получив запрос, нейросеть дробит его на подзапросы и собирает ответ из них.

Первая схема: интент → обширный запрос → подзапросы. Позже мы перешли к классификации по типам интентов — сравнительные, транзакционные, информационные и смежные — и на их основе формировали промпты для мониторинга.

Как подбирали запросы

Тестирование показало закономерность: чисто информационные и слишком общие формулировки не гарантируют упоминания конкретного бренда, поэтому ставку сделали на сравнительные, транзакционные и смежные интенты.

Пример для бронежилета:

•«купить бронежилет класса БР4» — транзакционный интент;

•«лучший бронежилет от русских производителей» — сравнительный интент.

Важное уточнение, чтобы избежать распространённой путаницы. Мы использовали минимум уточняющих условий, но речь не о «широте» запроса, а о его чистоте: перегруженные деталями промпты дают нестабильный и плохо воспроизводимый результат, тогда как попадание в базовую формулировку интента обычно тянет за собой и её уточнённые варианты.

Часть 2. Как продвигали: от наблюдений к системе

Чтобы понять логику моделей, мы собирали и разбирали ИИ-выдачу по своим промптам и искали закономерности. Цель была не в наборе разовых трюков, а в воспроизводимом процессе.

Закономерность №1: трастовые площадки

Алиса заметно чаще цитирует крупные трастовые платформы — Дзен, ВКонтакте, Одноклассники, VC, TenChat. Ценность двойная: размещение практически бесплатное, а вероятность попасть в ИИ-ответ высокая.

Для других LLM в чистом виде закономерность не подтвердилась. Общий принцип, который мы вынесли в стратегию: при прочих равных трастовая площадка приоритетнее нетрастовой.

Закономерность №2: формат контента

Площадка — половина дела. Рабочих форматов оказалось два.

•     Сравнительные подборки и рейтинги — обзор с участием конкурентов, где продукт бренда занимает верхнюю позицию. Формат сильнее всего влиял на ответы Алисы. Обязательное условие: сопоставление ведём по проверяемым характеристикам — защитный класс, вес, сертификация. Иначе материал не выдержит ни проверки читателем, ни оценки моделью, а бренд получит репутационный риск вместо цитируемости.Пример данного рейтинга, который повлиял на ответ ИИ. 

•     Экспертный контент — обзоры и разборы, где специалист приводит бренд как эталон ниши. Формат работает на доверие и хорошо переиспользуется на нескольких площадках.

Особенности Google AI Overview

Устойчивой закономерности попадания в AI Overview мы не нашли, но ручной мониторинг дал три наблюдения:

• сайт бренда сам регулярно становился источником ответа
• значит, его нужно оптимизировать под ИИ;

•заметно влияют брендовый спрос и общая известность бренда;

•материалы из топ-10 органики очень часто становятся источниками ответов Google.

На основе данного пилота, мы провели отдельное исследование ИИ-выдачи Google 

От чего отказались и почему

Часть 3. E-E-A-T на сайте клиента

Параллельно усилили сам сайт: переработали блог, внедрили микроразметку в статьи, добавили авторов материалов и визуальные элементы экспертности, ввели блоки FAQ.

Утверждать, что это напрямую подняло цитируемость, было бы преувеличением. Но логика прозрачна: чем экспертнее контент бренда, тем выше доверие к нему со стороны ИИ — а доверие и есть тот фактор, который нейросеть взвешивает в первую очередь.