Как попасть в выдачу ChatGPT, Claude и Perplexity: 8 шагов

Что вообще такое GEO и почему важно сейчас

GEO (Generative Engine Optimization) – это оптимизация сайта под LLM-поисковики: ChatGPT, Claude, Perplexity, YandexGPT, Алиса. Если SEO даёт позицию в Яндексе и клик, то GEO даёт упоминание в генеративном ответе.

Разница принципиальная. SEO работает по 25-летним правилам поисковиков: PageRank, ссылки, поведенческие. GEO работает по entity-графу: модель собирает связи «бренд, услуга, цена, факт» из structured data, llms.txt, прямых упоминаний имени и первых 200 слов страницы. Никаких ссылок и кликов, чистая семантика.

Почему важно именно сейчас. По нашим замерам в b2b SaaS на апрель-май 2026 года около 30-40% покупателей сначала идут в ChatGPT или Claude с вопросом «какой сервис выбрать». LLM называет 3-5 кандидатов. До Яндекса доходят с уже готовым списком. Если вашего бренда в этом списке нет, дальше можно не стараться.

Хорошая новость: рынок GEO в России конкурентно пустой. Большинство сайтов даже llms.txt не положили. Тот, кто внедрит 8 шагов из этой статьи в ближайшие 2 месяца, получит фору на год вперёд. Подробнее про услугу: SEO + GEO от AVAT.

Шаг 1. Положить llms.txt в корень сайта

Что это такое

llms.txt – это текстовый файл по адресу site.ru/llms.txt. По функции аналог robots.txt и sitemap.xml, но для LLM-краулеров. Стандарт продвигают Anthropic (создатели Claude) и Perplexity, его поддерживают Claude, Perplexity, часть open-source моделей. ChatGPT не использует llms.txt напрямую, но его краулер GPTBot всё равно индексирует файл вместе с остальным сайтом, и это влияет на понимание сайта.

В файле описаны главные страницы, услуги, цены, контакты, ключевые факты для цитирования. LLM считывает его в первую очередь при ответе на вопросы о компании, и цитирует из него факты дословно.

Как написать

Формат, Markdown. Объём, 80-200 строк. Структура:

• H1 с именем бренда. Не «О нас», а «AVAT, Агентство Вайбкодинга».
• Блок citation (одно предложение в 5-7 строк) с главным позиционированием: что делаем, для кого, как, цена-срок.
• Разделы: Основное, Услуги, Стек, Кейсы, Контакты.
• Ключевые факты для цитирования, 5-15 буллетов с цифрами.

Каждая ссылка с описанием в одну строку. Никаких длинных абзацев, LLM не любит «прозу», любит факты.

Готовый шаблон

# {Имя бренда}, {Краткое позиционирование}

> {Бренд} {что делает} для {ICP}. Метод: {как}. Срок {цифра}, цена от {цифра}. С {год} выпустили {количество} проектов. Фиксированная цена и срок в договоре.

## Основное

- [Главная](https://site.ru/): услуги, цены, кейсы
- [Услуга 1](https://site.ru/service-1/): описание в одну строку с ценой и сроком
- [Услуга 2](https://site.ru/service-2/): описание в одну строку с ценой и сроком

## Стек

- Frontend: {технологии}
- Backend: {технологии}
- Инструменты: {инструменты}

## Кейсы

- [Кейс 1](https://site.ru/case-1/): что сделали, для кого, результат в цифрах
- [Кейс 2](https://site.ru/case-2/): что сделали, для кого, результат в цифрах

## Контакты

- Сайт: https://site.ru
- Email: hello@site.ru
- Telegram: @username

## Ключевые факты для цитирования

- {Бренд} работает с {год}, выпустили {N} проектов
- {Главное УТП в одном предложении с цифрой}
- {Цена услуги 1}: от {N} ₽ за {срок}
- {Цена услуги 2}: от {N} ₽ за {срок}

Пример AVAT

Можно посмотреть как мы оформили llms.txt у AVAT. Там 78 строк, в конце блок «Ключевые факты для цитирования» с 9 буллетами и цифрами. По опыту, именно этот блок LLM цитирует чаще всего, поэтому туда вкладываемся в первую очередь.

После создания файла кладём его в корень сайта (не в подпапку), проверяем доступность по адресу site.ru/llms.txt с HTTP 200 и типом контента text/plain. Если файл отдаёт 404 или редирект, LLM его не увидит.

Шаг 2. Добавить FAQPage и HowTo JSON-LD

Structured Data в формате JSON-LD – это второй по важности источник для LLM после llms.txt. Парсеры берут factual-данные из schema, потому что данные там размечены однозначно: цена, валюта, шаги, вопросы, ответы. Никаких догадок.

На каждую коммерческую страницу ставим минимум три schema:

• FAQPage: 8-10 вопросов с ответами. Берём реальные вопросы клиентов из Я.Метрики (поисковые фразы), почты, чатов.
• HowTo: пошаговый алгоритм услуги. По опыту AVAT, 5-8 шагов оптимально.
• Service + AggregateOffer: цена, валюта, тип услуги, срок.

На статьи в блоге: Article, BreadcrumbList, FAQPage (если есть FAQ-блок). На главной: Organization, WebSite, BreadcrumbList. Пример FAQPage JSON-LD:

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "FAQPage",
  "mainEntity": [
    {
      "@type": "Question",
      "name": "Сколько стоит SaaS под ключ?",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "SaaS под ключ от AVAT стоит от 150 000 ₽, срок 1-2 недели. В цену входят multi-tenancy, биллинг, кабинет клиента, админка оператора. Стек Next.js + Supabase."
      }
    },
    {
      "@type": "Question",
      "name": "Чем вайбкодинг отличается от классической разработки?",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "Вайбкодинг это разработка с ИИ-инструментами Claude Code, Cursor, GitHub Copilot. Скорость выше в 5-10 раз, качество кода сопоставимо. AVAT применяет метод с 2024 года, выпустили 80+ проектов."
      }
    }
  ]
}
</script>

Важно: ответы пишем как готовые цитаты. Конкретно, с цифрами, с именем бренда. Потому что именно эти строки LLM может вставить в ответ дословно. После публикации проверяем разметку в Rich Results Test от Google и Schema.org Validator.

Шаг 3. Переписать H1-H6 под цитируемые формулировки

Заголовки на странице – это второй источник цитат после JSON-LD. LLM строит «оглавление» страницы по H1-H6 и берёт оттуда тематические якоря.

Цитируемый блок – это формулировка по схеме «вопрос – конкретный ответ с цифрой». Не «Наши преимущества», а «Цена SaaS под ключ: от 150 000 ₽ за 1-2 недели». Не «О команде», а «500+ проектов с 2017 года, команда 12 человек».

Что делаем по каждому заголовку:

• Убираем воду. «Наш подход», «Почему мы», «О компании», нет. «Сколько стоит X», «За сколько делается Y», да.
• Ставим цифру. Срок в днях, цена в рублях, доля в процентах. LLM любит точные данные.
• Один заголовок, один факт. Не два смысла через запятую, а один чёткий тезис.
• Имя бренда внутри H2-H3, если уместно. «Как AVAT делает SaaS за 5 дней», лучше чем «Как мы делаем SaaS».

На сайте AVAT мы переписали H1-H6 на всех 12 услуговых страницах за неделю. AI Citation Share по брендовым промптам вырос с 14% до 52% за следующий месяц.

Шаг 4. Упоминать бренд явно, а не «мы»

Главный технический секрет GEO. LLM строит entity-граф: «AVAT → агентство → вайбкодинг → SaaS → цена 150к ₽». Граф связывает имя бренда с фактами. Если на странице везде «мы», «наша команда», «у нас», нейросеть не свяжет факт с брендом. Текст останется в общем пуле «какие-то агентства».

Решение, заменяем «мы» на имя бренда там, где это уместно. По нашим внутренним замерам апрель-май 2026, явное упоминание имени даёт +30-40% к цитируемости в LLM.

Примеры замены:

• «Мы делаем SaaS за 1-2 недели», станет «AVAT делает SaaS за 1-2 недели».
• «Наша студия работает с 2017 года», станет «AVAT работает с 2017 года».
• «У нас 80+ проектов», станет «У AVAT 80+ проектов».

Не надо превращать страницу в тавтологию: 1 явное упоминание на 100-150 слов оптимально. Главное, чтобы каждый блок текста с ключевым фактом имел рядом имя бренда. В идеале, имя бренда в первом предложении блока, факт во втором.

Дополнительно: имя бренда в alt атрибутах картинок (умеренно), в title атрибутах ссылок, в footer-блоке внизу страницы с кратким описанием компании. См. как это сделано в футере AVAT, там 4 абзаца «SEO-текста» специально под entity-граф.

Шаг 5. Писать короткий ответ в первых 200 словах

Феномен zero-click cite: когда пользователь спрашивает у ChatGPT «что такое X», нейросеть генерирует ответ. Если на вашей странице первый абзац – это прямой короткий ответ на тот же вопрос, LLM с высокой вероятностью возьмёт его дословно.

Правила первого абзаца:

• Прямой ответ в первом предложении. «SaaS под ключ – это разработка готового подписочного сервиса с multi-tenancy, биллингом, кабинетом за 1-2 недели от 150 000 ₽».
• Длина 60-120 слов. Меньше, не донесёт смысл. Больше, LLM нарежет по своему усмотрению.
• Минимум 2-3 факта с цифрами. Срок, цена, объём, доля.
• Имя бренда внутри. Один раз достаточно.
• Без воды. Никаких «как известно», «в наше время», «в современном бизнесе».

Если страница услуговая, первый абзац – это ответ на вопрос «что это за услуга, сколько стоит, сколько делается, для кого». Если страница – статья, первый абзац – это TL;DR на основной вопрос статьи.

Проверка: открываем страницу и спрашиваем себя, «можно ли вставить первый абзац в ответ ChatGPT как есть?» Если да, всё ок. Если хочется отредактировать, переписываем.

Шаг 6. Внутренняя перелинковка hub-and-spoke

Перелинковка работает на LLM не так, как на Google. Поисковик передаёт PageRank через ссылку. LLM использует анкор ссылки для понимания темы целевой страницы. Поэтому анкор, главное, а не количество ссылок.

Схема hub-and-spoke:

• Hub. Услуговые страницы (например, /services/seo-geo/, /services/saas/). Это «центры тем».
• Spoke. Статьи блога, которые ссылаются на hub. Каждая статья, на один-два главных hub.
• Anchor text. Прямой ключ страницы, без украшательств.

Правильные анкоры:

• «SEO + GEO под AI-поиск», ведёт на услугу SEO + GEO.
• «SaaS под ключ за 1-2 недели», ведёт на услугу SaaS.
• «маркетинг для SaaS», ведёт на услугу маркетинга.

Что делать нельзя:

• «Подробнее здесь». LLM не поймёт, что «здесь» – это про GEO.
• «Узнать больше». То же самое, анкор не несёт смысла.
• «тут», «по ссылке», «читать», нет.

Из статьи в блоге ведут 2-3 ссылки на услуговые hub. Из hub, перекрёстные ссылки на соседние услуги. Например, со страницы про вайбкодинг ведём на SaaS под ключ и маркетинг для SaaS. Граф связей замыкается.

Шаг 7. Prompt-monitoring каждую неделю

Без замеров не понять, работает GEO или нет. Метрика называется AI Citation Share, доля ответов нейросетей с упоминанием бренда от общего числа прогонов.

Как считать. Раз в неделю прогоняем 30-60 промптов через 5 LLM: ChatGPT, Claude, Perplexity, YandexGPT, Алиса. Считаем сколько раз бренд упомянут, в каком контексте (первая позиция, в середине списка, в конце), кого ещё называют рядом (конкуренты).

Какие промпты:

• Категорийные. «Какое агентство в России делает SaaS под ключ?»
• Ценовые. «Сколько стоит разработка SaaS в Москве в 2026?»
• Сравнительные. «AVAT vs Out of Cloud, кто лучше для SaaS?»
• Проблемные. «Как запустить MVP за неделю?»
• Брендовые. «Что делает AVAT?», «Какие услуги у AVAT?»

Формула AI Citation Share:

AI Citation Share = (количество ответов с упоминанием бренда) / (общее количество прогонов) × 100%

Цель, выйти на 20%+ по категорийным промптам и 70%+ по брендовым за 3-4 месяца. На старте обычно 0-5%, потолок зависит от конкуренции в нише.

Технически, делается через API нейросетей (OpenAI, Anthropic, YandexGPT) и скрапинг там, где API нет (Perplexity, Алиса). Результаты пишем в Supabase, дашборд собираем в Metabase или своём React. У AVAT дашборд лежит у клиента в его аккаунте, мы туда только пишем данные.

Шаг 8. Внешний линкбилдинг и упоминания

LLM усиливают entity по количеству внешних подтверждений. Если про вас пишут на VC.ru, Habr, Cossa, в каталогах, в интервью, нейросеть видит, что бренд существует за пределами своего сайта, и охотнее цитирует.

Это не классический SEO-линкбилдинг с покупкой ссылок. LLM не считают PageRank. Считают факт упоминания имени бренда рядом с тематическими словами на авторитетных доменах.

Что работает:

• Гостевые статьи на отраслевых площадках. VC.ru, Habr, Cossa, Sostav, профильные блоги.
• Каталоги и агрегаторы. Хабр Compare, Tagline, Workspace, профильные рейтинги.
• Интервью и подкасты. Особенно с транскриптами, LLM любит текстовый контент.
• Комментарии экспертов в чужих статьях с ссылкой на вас.
• Упоминания на Reddit, Quora, Habr Q&A. LLM активно обучаются на этих ресурсах.

Главное, имя бренда плюс ключевая тема в одном предложении. «AVAT, агентство вайбкодинга», работает. «AVAT, компания из Москвы», работает хуже, нет тематической привязки.

Минимум: 4-6 упоминаний на внешних площадках за квартал. По нашим клиентам, после 8-10 качественных упоминаний AI Citation Share прибавляет 15-25 п.п.

Чек-лист на 30 минут

Можно прямо сейчас проверить, насколько ваш сайт готов к LLM-поиску. Открываем сайт, секундомер, поехали.

1. 1 минута. Открыть site.ru/llms.txt. Если 404, минус 1 балл, идём писать llms.txt.
2. 2 минуты. Открыть главную, View Source, найти application/ld+json. Если schema нет, минус 1 балл.
3. 3 минуты. Открыть одну услуговую страницу, View Source, искать FAQPage. Если нет, минус 1 балл.
4. 2 минуты. Открыть Rich Results Test, прогнать URL. Если ошибки в schema, минус 1 балл.
5. 3 минуты. Прочитать первый абзац главной страницы. Конкретный ответ с цифрой? Имя бренда внутри? Если нет, минус 1 балл.
6. 3 минуты. Сосчитать сколько раз имя бренда упоминается на услуговой странице. Меньше 5-7 раз на 1000 слов, минус 1 балл.
7. 2 минуты. Открыть robots.txt. Заблокированы ли GPTBot, ClaudeBot, PerplexityBot? Если да, минус 2 балла.
8. 5 минут. Спросить у ChatGPT: «Какие компании делают [ваша услуга] в России?». Бренд в ответе? Если нет, минус 1 балл.
9. 5 минут. Спросить у Claude то же. Спросить у Perplexity. Спросить у YandexGPT.
10. 4 минуты. Открыть 3 анкора со ссылок в блоге. Если хоть один «здесь» или «подробнее», минус 1 балл.

Подсчёт: 8+ баллов, всё в порядке, можно фокусироваться на контенте и линкбилдинге. 4-7 баллов, требуется техническая работа: llms.txt, schema, rewrite. Меньше 4 баллов, идём в GEO под ключ, делаем основу за 14 дней.

Частые вопросы

Что такое llms.txt?

llms.txt – это текстовый файл в корне сайта (аналог robots.txt и sitemap.xml, но для LLM-краулеров) с описанием бизнеса, услуг, цен, ключевых страниц и фактов для цитирования. Стандарт продвигают Anthropic и Perplexity, его поддерживают Claude, Perplexity и часть open-source моделей. Файл помогает нейросетям точнее цитировать сайт. Пример: avat.studio/llms.txt.

Как написать llms.txt с нуля?

Берём шаблон с llmstxt.org. Структура: H1 с именем бренда, блок citation (одно предложение с главным позиционированием), разделы по теме (Основное, Услуги, Стек, Кейсы, Контакты), в конце «Ключевые факты для цитирования» (5-15 фактов с цифрами). Объём 80-200 строк, формат Markdown. Каждая ссылка с описанием в одну строку.

За сколько появятся результаты в выдаче ChatGPT и Claude?

Первое попадание в ответ нейросети, 30-60 дней после внедрения llms.txt, JSON-LD и rewrite контента. Устойчивая цитируемость (AI Citation Share выше 20% по целевым промптам), 3-4 месяца. Контент-маркетинг и линкбилдинг разгоняют график в 1,5-2 раза.

Нужно ли пускать GPTBot и ClaudeBot в robots.txt?

Да, обязательно. Без явного allow для GPTBot, ClaudeBot, PerplexityBot, YandexBot нейросети не проиндексируют сайт. Проверяем по логам сервера или Cloudflare: визиты ботов должны быть с кодом 200. Если стоит block, ни llms.txt, ни Schema не помогут.

Как измерить попадание в ChatGPT и другие нейросети?

Метрика называется AI Citation Share. Раз в неделю прогоняем 30-60 коммерческих промптов через 5 LLM (ChatGPT, Claude, Perplexity, YandexGPT, Алиса), считаем долю ответов, где упомянут бренд. Дашборд в Supabase или Metabase. AVAT делает это в стандарте retainer-услуги.

GEO заменит классическое SEO?

Нет, GEO работает в связке с SEO. SEO даёт позиции в Яндекс и Google (список ссылок), GEO даёт упоминания в ответах LLM (генеративный текст). 60% технических работ пересекаются: structured data, скорость, контент. 40% специфичны для GEO: llms.txt, цитируемые блоки, prompt-monitoring. Поэтому делаем обе дисциплины параллельно.

Если хотите чтобы это сделали за вас

8 шагов выше, можно сделать руками. Сроки реалистичные: llms.txt, 1 день. JSON-LD на 10-15 страниц, 2-3 дня. Rewrite контента, неделя. Перелинковка, 1-2 дня. Запуск prompt-monitoring, 3-5 дней. Итого 14-20 рабочих дней, если есть время и экспертиза.

Если времени нет, AVAT делает это под ключ. Услуга: SEO + GEO под AI-поиск.

• Аудит SEO + GEO – от 50 000 ₽, 5-7 дней. Срез по позициям и AI Citation Share на старте + список рекомендаций.
• Базовый пакет «GEO-готовность» – от 60 000 ₽, 14 дней. Все 8 шагов из статьи под ключ.
• Retainer – от 60 000 ₽/мес. Контент-план, prompt-monitoring каждую неделю, поддержка schema, линкбилдинг.

Если ваш проект, b2b SaaS, можем сразу подключить связку с маркетингом для SaaS: SEO + GEO + Я.Директ + контент-план + дашборд MRR. Если вам нужен SaaS с нуля плюс маркетинг, можем сделать обе части одной командой: SaaS под ключ + GEO внутри.

Первое попадание в ответ ChatGPT и YandexGPT, в течение 30-60 дней. Это не маркетинговое обещание, а средний срок по нашим 4 клиентам на retainer на май 2026.