Версия: 2026-07-19
Формат: большой практический справочник + evidence ledger + экспериментальный backlog

COLLIDER.CLUB — закрытый клуб инноваторов, фаундеров и предпринимателей, сфокусированный на информационном преимуществе, новых технологиях и практиках из высокомаржинальных ниш.

В этом документе клуб используется как контекст для исследовательских и продуктовых сценариев: где уместно, добавлены идеи, как превращать GEO-наблюдения в воспроизводимые эксперименты внутри клубной сети.

Как читать этот документ

Это не сборник «секретных хаков». Здесь намеренно смешаны три разных слоя, но они жестко размечены по доказательности:

1. Установленные факты — официальная документация поисковых/AI-платформ.
2. Исследовательские результаты — академические работы и крупные воспроизводимые измерения.
3. Полевые наблюдения — кейсы практиков, корреляции, единичные эксперименты и тактики из собранного корпуса.
4. Неподтвержденные гипотезы / gray-black практики — могут быть интересны как attack surface или идея теста, но не должны трактоваться как устройство алгоритма.

Главная оговорка

В GEO особенно легко перепутать citation, retrieval, ranking, brand mention и реальное влияние на ответ. Современная исследовательская литература предлагает рассматривать их как разные этапы. Цитирование URL само по себе еще не означает, что система использовала его факты в финальном ответе; а улучшение поведения внутри уже заданного контекста не доказывает рост органической обнаруживаемости. См. S14, S17, S20.

Система тегов

Каждая карточка размечается по нескольким независимым осям.

• #country/... — география: global, US, UK, DE, FR, CA, AU, NZ, EU, и т.д.
• #engine/... — движок: google-ai, chatgpt, perplexity, gemini, claude, bing-copilot, multi-engine.
• #task/... — задача: discoverability, indexing, citation, entity, content, measurement, local, product-discovery, reputation.
• #technique/... — механизм: query-fanout, entity-graph, structured-data, digital-pr, ugc, programmatic-seo, feeds, internal-linking, original-data, comparison, multimodal, agentic.
• #asset/... — тип поверхности: owned / earned / social / UGC / profile / feed / dataset. В карточках этот тег добавляется вручную там, где он особенно важен.
• #vertical/... — вертикаль: e-commerce, local services, SaaS, iGaming, finance, crypto, media, cross-vertical.
• #evidence/... — доказательность: official, research, observed, field-report, unverified.
• #risk/... — устойчивость и риск: white, gray, gray-or-black, black/high-risk.
• #funnel/... — стадия: awareness / consideration / transaction / retention.

Рекомендуемый формат поиска по файлу:
#country/DE #engine/chatgpt #task/citation или #vertical/ecommerce #technique/feeds #evidence/official.

Executive summary: 20 тезисов, которые выдерживают проверку лучше остальных

1. GEO не отменяет SEO. Для Google AI Overviews и AI Mode базовая доступность, индексируемость, качество и Search ranking systems остаются фундаментом. S01, S02.
2. Google официально подтверждает query fan-out: модель может запускать несколько связанных подзапросов по подтемам и источникам. Это расширяет поверхность, на которой контент может быть найден. S01, S02.
3. Но делать отдельную страницу под каждую воображаемую fan-out вариацию — плохая идея: Google прямо предупреждает о scaled content abuse и советует создавать полезный контент, а не страницы ради манипуляции AI search. S02, S03, S04.
4. Для Google не нужен специальный llms.txt или «AI schema». Google прямо пишет, что не использует llms.txt как специальный сигнал и не требует особой разметки для AI features. S02.
5. Для ChatGPT технический доступ отделен по роботам. OAI-SearchBot отвечает за появление сайтов в поисковых результатах ChatGPT; его роль отличается от других OpenAI crawlers. S09.
6. Perplexity также документирует отдельного поискового краулера — PerplexityBot. S11.
7. GEO — стохастическая система. Один и тот же промпт, его перефразировка, дата запуска и состояние поиска могут дать разные источники. Измерять один раз недостаточно. S14, S20.
8. Citation ≠ influence. Нужны раздельные метрики: был ли URL найден, процитирован, использованы ли его факты, насколько заметен бренд, был ли клик/конверсия. S17.
9. Исходная GEO-paper показала, что citations/statistics/authoritative quotations могут менять visibility в экспериментальном контексте, но это не следует интерпретировать как гарантированный рост органической discoverability. S13, критика и рамки — S14.
10. Topical relevance и положение информации в доступном контексте стабильно важнее декоративного форматирования в контролируемых GEO-экспериментах. S19.
11. AI engines отличаются по source mix. Исследования находят заметные различия между Google, ChatGPT, Perplexity, Gemini/Claude в доле brand-owned, earned и social источников. S15, S16.
12. Earned media имеет повышенную стратегическую ценность: независимые обзоры, отраслевые медиа, экспертные сравнения и данные могут влиять на machine-perceived authority сильнее, чем самореклама бренда. Это исследовательский тренд, а не универсальный закон. S15.
13. Structured data полезна, но не является магическим GEO-фактором. Она помогает системам понимать сущности и делает страницы eligible для специальных Search experiences; Google отдельно говорит не переоценивать ее как AI-хак. S02, S05.
14. В e-commerce product data layer критичен. Merchant Center feeds + Product/Offer/ProductGroup дают поисковой системе более управляемые и свежие данные о товарах. S06, S26, S31.
15. В local search фактическая согласованность сущности важнее «магической плотности». Адрес, часы, категория, контакты и профиль бизнеса должны быть корректны и согласованы с сайтом и другими источниками.
16. UGC и first-hand experience — отдельный тип источника. Google поддерживает разметку DiscussionForumPosting/ProfilePage, что подтверждает ценность корректной идентификации дискуссий и авторов, но не гарантирует ранжирование. S23, S28.
17. Свежесть — проблема discovery, а не гарантия ranking. IndexNow и другие механизмы могут ускорять обнаружение изменений, но не гарантируют индексацию или цитирование. S22.
18. Bing уже выделяет AI visibility в отдельный измеримый слой. В 2026 Bing Webmaster Tools запустил AI Performance с citations, cited pages и grounding queries. S21.
19. Adversarial GEO реально существует как класс атак. Академические работы показывают, что preference manipulation / prompt-injection-подобный контент способен влиять на рекомендации LLM-систем. Это одновременно техника риска и причина строить защиту бренда. S18.
20. Самый устойчивый moat — Information Gain: собственные данные, эксперименты, экспертные свидетельства, методики, первичные документы и четкая фактическая структура. Commodity AI-текст легко копируется; уникальные данные — нет.

Реестр подтверждающих источников

S01 — Google Search Central — AI features and your website
Тип: #evidence/official
https://developers.google.com/search/docs/appearance/ai-features

S02 — Google Search Central — Optimizing your website for generative AI features
Тип: #evidence/official
https://developers.google.com/search/docs/fundamentals/ai-optimization-guide

S03 — Google Search Central — Guidance on generative AI content
Тип: #evidence/official
https://developers.google.com/search/docs/fundamentals/using-gen-ai-content

S04 — Google Search Central — Spam policies
Тип: #evidence/official
https://developers.google.com/search/docs/essentials/spam-policies

S05 — Google Search Central — Introduction to structured data
Тип: #evidence/official
https://developers.google.com/search/docs/appearance/structured-data/intro-structured-data

S06 — Google Search Central — Share product data with Google / Merchant Center
Тип: #evidence/official
https://developers.google.com/search/docs/specialty/ecommerce/share-your-product-data-with-google

S07 — Google Search Central — Canonicalization and duplicate URLs
Тип: #evidence/official
https://developers.google.com/search/docs/crawling-indexing/consolidate-duplicate-urls

S08 — Google Search Central — robots.txt introduction
Тип: #evidence/official
https://developers.google.com/search/docs/crawling-indexing/robots/intro

S09 — OpenAI — Overview of OpenAI crawlers
Тип: #evidence/official
https://developers.openai.com/api/docs/bots

S10 — OpenAI — Publishers and Developers FAQ
Тип: #evidence/official
https://help.openai.com/en/articles/12627856-publishers-and-developers-faq

S11 — Perplexity — Perplexity crawlers
Тип: #evidence/official
https://docs.perplexity.ai/docs/resources/perplexity-crawlers

S12 — Perplexity — Search API overview
Тип: #evidence/official
https://docs.perplexity.ai/docs/search/quickstart

S13 — Aggarwal et al. — GEO: Generative Engine Optimization (KDD 2024)
Тип: #evidence/research
https://arxiv.org/abs/2311.09735

S14 — Martinez — Critical Survey of GEO, 2023–2026
Тип: #evidence/research
https://arxiv.org/abs/2607.14035

S15 — Chen et al. — Generative Engine Optimization: How to Dominate AI Search
Тип: #evidence/research
https://arxiv.org/abs/2509.08919

S16 — Source Coverage and Citation Bias in LLM-based vs Traditional Search
Тип: #evidence/research
https://arxiv.org/abs/2512.09483

S17 — From Citation Selection to Citation Absorption
Тип: #evidence/research
https://arxiv.org/abs/2604.25707

S18 — Adversarial SEO for LLMs / Preference Manipulation Attacks
Тип: #evidence/research
https://arxiv.org/abs/2406.18382

S19 — What Gets Cited: Competitive GEO in AI Answer Engines
Тип: #evidence/research
https://arxiv.org/abs/2605.25517

S20 — Don’t Measure Once: Measuring Visibility in AI Search
Тип: #evidence/research
https://arxiv.org/abs/2604.07585

S21 — Bing Webmaster — AI Performance dashboard
Тип: #evidence/official
https://blogs.bing.com/webmaster/February-2026/Introducing-AI-Performance-in-Bing-Webmaster-Tools-Public-Preview

S22 — IndexNow — official documentation
Тип: #evidence/official
https://www.indexnow.org/

S23 — Google Search Central — DiscussionForumPosting structured data
Тип: #evidence/official
https://developers.google.com/search/docs/appearance/structured-data/discussion-forum

S24 — Google Search Central — Localized versions / hreflang
Тип: #evidence/official
https://developers.google.com/search/docs/specialty/international/localized-versions

S25 — Pinterest GEO — production-scale VLM and agent framework
Тип: #evidence/research
https://arxiv.org/abs/2602.02961

S26 — Google Search Central — Product variants / ProductGroup
Тип: #evidence/official
https://developers.google.com/search/docs/appearance/structured-data/product-variants

S27 — Google Search Central — Preferred Sources
Тип: #evidence/official
https://developers.google.com/search/docs/appearance/preferred-sources

S28 — Google Search Central — ProfilePage structured data
Тип: #evidence/official
https://developers.google.com/search/docs/appearance/structured-data/profile-page

S29 — Google Search Central — Ranking systems guide
Тип: #evidence/official
https://developers.google.com/search/docs/appearance/ranking-systems-guide

S30 — Google Search Central — Redirects and Google Search
Тип: #evidence/official
https://developers.google.com/search/docs/crawling-indexing/301-redirects

S31 — Google Search Central — Product structured data
Тип: #evidence/official
https://developers.google.com/search/docs/appearance/structured-data/product

S32 — Google Search Central — Discussion and forum markup
Тип: #evidence/official
https://developers.google.com/search/docs/appearance/structured-data/discussion-forum

PART I. Модель GEO как системы

PART I. Модель GEO как системы

1. Не «ранг», а pipeline

Практически полезно моделировать AI visibility как цепочку:

доступность → crawl/discovery → index/search corpus → retrieval → reranking/context allocation → citation selection → citation absorption → brand prominence → click/action → memory/personalization

Ошибки GEO-команд часто происходят из-за попытки оптимизировать последний этап, когда сломан первый. Например, можно бесконечно переписывать FAQ «под ChatGPT», но OAI-SearchBot не может забрать страницу; или пытаться поднять цитирование Google AI Mode у URL, который нестабилен в индексе.

Минимальная система метрик

Правило: нельзя сводить GEO к одной метрике «сколько раз нас процитировали».

2. Query fan-out меняет объект оптимизации

В классическом SEO запрос часто моделируется как одна строка → SERP. В AI Mode/AI Overviews исходный вопрос может раскладываться на набор связанных поисков. Поэтому оптимизируется не только keyword, а пространство подзадач:

• определение;
• ограничения пользователя;
• сравнение;
• цена;
• совместимость;
• география;
• альтернативы;
• риски;
• доказательства;
• отзывы/first-hand experience;
• свежие изменения.

Но здесь есть важное ограничение: query fan-out не оправдывает массовую генерацию отдельных тонких страниц. Лучше строить coherent topic system и закрывать подзадачи там, где это естественно для пользователя. S02.

3. Source graph важнее списка «SEO-факторов»

Для AI search полезно думать о бренде как о графе утверждений:

Entity → Attribute → Value → Evidence → Independent corroboration

Пример:

Компания X → обслуживает рынок Германии → с 2022 → официальный сайт + реестр + отраслевое медиа + отзывы клиентов

Сильная GEO-архитектура не просто повторяет claim на 50 сайтах. Она создает несколько независимых типов подтверждения: owned data, product/profile data, earned media, UGC, публичные datasets, документы и экспертов.

4. Engine-specific GEO обязателен

Не существует одного «AI ranking». У движков различаются:

• собственные или партнерские search indexes;
• правила запуска web search;
• crawlers;
• скорость обновления;
• количество цитат;
• склонность к earned media;
• чувствительность к формулировке;
• локализация;
• personalization;
• интерфейсные ограничения.

Следовательно, benchmark должен быть минимум multi-engine и multi-run.

COLLIDER.CLUB lens: закрытый клуб инноваторов, фаундеров и предпринимателей может использовать этот раздел как карту экспериментов: не спорить о терминах GEO, а ставить измеримые тесты на реальных проектах.