Почему 94% ИИ-ответов игнорируют сайты самих компаний. aeo.. aeo. geo.. aeo. geo. google.. aeo. geo. google. llm.. aeo. geo. google. llm. markdown.. aeo. geo. google. llm. markdown. webmcp.. aeo. geo. google. llm. markdown. webmcp. Веб-разработка.. aeo. geo. google. llm. markdown. webmcp. Веб-разработка. искусственный интеллект.. aeo. geo. google. llm. markdown. webmcp. Веб-разработка. искусственный интеллект. Контент и копирайтинг.. aeo. geo. google. llm. markdown. webmcp. Веб-разработка. искусственный интеллект. Контент и копирайтинг. Поисковая оптимизация.. aeo. geo. google. llm. markdown. webmcp. Веб-разработка. искусственный интеллект. Контент и копирайтинг. Поисковая оптимизация. цифровой паспорт компании.
Почему 94% ИИ-ответов игнорируют сайты самих компаний - 1

У бизнеса сегодня появилась странная проблема: сайт спокойно держится в топ-10 поиска, но когда клиент спрашивает подрядчика у ChatGPT, Perplexity или в ИИ-сводке Google, компании в ответе просто нет. Вместо самих исполнителей нейросеть собирает подборку из внешних каталогов и справочников.

Чтобы разобраться, по каким правилам модели отбирают кандидатов, я прогнал двести реальных B2B-запросов и проследил цепочку поиска. В 94 из 100 отраслевых подборов ИИ-сводка действительно открывалась, но корпоративные сайты туда почти не попадали.

Дальше я сопоставил эти прогоны с месячной статистикой краулеров на открытом каталоге организаций, где каждая карточка отдаётся сразу в HTML, Markdown и JSON. Стало понятно, почему не спасает даже llms.txt в корне сайта и что нужно сделать, чтобы модель всё-таки включила бизнес в рекомендации.

Как языковая модель на самом деле проверяет подрядчика

В ручных прогонах через API с веб-поиском моделей Gemini 3 Flash и gpt-5-mini (31.10.2026 и 01.11.2026) агенты шли по одной схеме:

  1. Сначала модель ищет название компании с городом и латинскую транслитерацию.

  2. Забирает со страницы 9-значный налоговый номер (УНП) и следующим шагом отправляет отдельный запрос строго по этим цифрам.

  3. Сверяет, существует ли юрлицо на самом деле и совпадают ли его услуги с тем, что написано на сайте.

На своём домене компания может написать про двадцать лет стажа и любые цены, но для поисковой модели такой текст остаётся саморекламой. Когда в выдаче нет независимого подтверждения по УНП, ИИ либо отсекает сайт, либо тащит данные из старых картотек, где до сих пор висят устаревшие телефоны и общие коды видов деятельности вроде «оптовая торговля широким ассортиментом».

Почему llms.txt не спасает, а боты забирают Markdown и JSON

15.06.2026 в официальном руководстве Google Search подтверждено, что файл llms.txt не используется ни в ранжировании, ни в ИИ-обзорах. Месячные логи краулеров на каталоге из 30 900 карточек (773 704 обращения, из них 705 323 подтверждены по официальным IP и обратному DNS) это подтверждают:

Точка входа

Обращений за 30 дней

Подтверждено по IP и DNS

Отраслевые подборки каталога

616 242

576 341

Карточки в .json

38 139

28 074

Карточки в .md

20 110

10 299

/llms.txt и /llms-full.txt

14

13

Отдельно по суточному логу Apache за 16.11.2026 видно ещё одну деталь: только за неполный день внешние клиенты сделали 7 087 запросов к открытому REST API /api/v1, фильтруя компании по городу, виду услуг и наличию сайта. Старые же бизнес-справочники при проверке через curl часто отдают парсерам 403 или 429, не имеют чистой Markdown-выдачи и несут на каждой странице десятки рекламных блоков.

При этом на сервере работают все три класса краулеров:

  • обучение и индексация моделей: GPTBot (383 898), ClaudeBot (40 614), GoogleOther (2 117);

  • живые ответы и поисковые индексы ИИ: PerplexityBot (308 764), ChatGPT-User (82), OAI-SearchBot (48);

  • классические поисковики: YandexBot (5 534), Applebot (2 587), Googlebot (1 956), bingbot (975).

Что работает вместо переделки своего сайта: цифровой паспорт компании

Чтобы бизнес не выпадал из рекомендаций в ChatGPT, Perplexity, Алисе и Google, одной оптимизации собственного лендинга недостаточно. Первым шагом компании нужен внешний цифровой паспорт компании — открытая машиночитаемая карточка в нейтральном реестре, которая закрывает четыре технических требования:

  1. Единая привязка к госреестрам (УНП или ИНН). Статус действующего юрлица, дата регистрации и регион подтягиваются из официальных баз без возможности подправить их вручную.

  2. Прикладные услуги и география вместо общих кодов ОКЭД. Вместо размытых формулировок выписки указываются конкретные работы, ориентиры цен и ответы на частые вопросы покупателей.

  3. Машиночитаемая отдача без обёрток. Одна и та же карточка отдаётся в серверном HTML, чистых .md и .json, а также в графе Schema.org с налоговым полем taxID.

  4. Двусторонняя верификация связи с сайтом. Простой заявки директора в справочник недостаточно: она не доказывает графу знаний, что домен принадлежит именно этому юрлицу. Надёжно работает только обратная связь со стороны сайта (ссылка на паспорт или свойство sameAs в разметке Organization), которая замыкает связку в обе стороны.

После объединения Google AI Overviews и AI Mode (19.05.2026) и на фоне развития спецификации WebMCP в W3C браузерные агенты всё чаще работают напрямую со структурированными данными вместо разбора визуальной вёрстки. В таких условиях верифицированный цифровой паспорт компании во внешнем отраслевом каталоге становится базовым условием, чтобы бизнес вообще присутствовал в коротких списках нейровыдачи.

Автор: Asmodey_dev

Источник