Как продвигать в нейросетях интернет-магазин, если тот же товар на маркетплейсе дешевле

Представим крупного продавца бытовой техники. У него известное имя, десятки офлайн-магазинов, консультанты, доставка, собственная поддержка. Возможно, он умеет устанавливать технику, принимать ее в сервис, помогать с гарантийными случаями.

А еще у него есть интернет-магазин.

В каталоге стоит хорошая автоматическая кофемашина известного европейского бренда. Допустим, De’Longhi. Цена у нашего продавца 99 900 рублей.

На маркетплейсе та же модель стоит 94 900.

Покупатель пока ничего об этом не знает. Он открывает ChatGPT, Алису или другую нейросеть и спрашивает:

Какую автоматическую кофемашину купить для капучино, чтобы ее было просто обслуживать и чтобы она стоила до 120 тысяч рублей?

Допустим, мы занимаемся GEO-продвижением, улучшением присутствия бизнеса в ответах нейросетей, и отлично сделали свою работу. Среди рекомендованных моделей появляется именно нужная нам модель De’Longhi.

Можно праздновать? Рановато.

Человек копирует название модели, находит ее на маркетплейсе на 5% дешевле и покупает там.

Нейросеть убедительно порекомендовала наш товар, а продажу получил другой продавец. Тут и начинает раскрываться вся сложность продвижения в ИИ именно для e-commerce.

Рекомендации товара недостаточно

Традиционная постановка задачи GEO-продвижения в рекомендациях ИИ выглядит примерно так: нужно, чтобы по определенным пользовательским промптам-запросам нейросеть чаще называла нужный бренд, компанию или товар. Для большинства бизнесов этого действительно достаточно. Но только не для e-commerce!

Для интернет-магазина, продающего неэксклюзивный ассортимент, все намного сложнее. Один и тот же SKU может продаваться в 20 местах. Попадание товара в ответ ChatGPT еще ничего не говорит о том, кто получит деньги.

В России проблема особенно заметна из-за огромной доли рынка у маркетплейсов. По данным Data Insight, по итогам 2025 года универсальные маркетплейсы получили 81% всех заказов российского e-commerce и 62% его денежного объема. Доля всей интернет-торговли в непродовольственном ритейле впервые превысила 50% и достигла 52%.

Поэтому главный конкурент специализированного интернет-магазина сегодня находится не на соседней с клиентом улице и даже не в поиске Яндекса, а на первой странице Ozon, Wildberries или Яндекс Маркета. И почти всегда его товар там дешевле.

Если наше GEO-продвижение заканчивается рекомендацией конкретной модели из нашего ассортимента – мы можем фактически работать на маркетплейс.

Значит, нужна следующая задача: повлиять не только на то, какой товар рекомендует нейросеть, но и на то, по каким критериям она предлагает выбирать продавца.

Может ли нейросеть сама сказать: смотрите не только на цену?

Возьмем автоматические кофемашины De’Longhi в качестве удобного примера. Бренд известен, техника достаточно дорогая и технически сложная, а в России есть официальная сервисная инфраструктура.

На российском сайте De’Longhi указан стандартный гарантийный срок сервисного обслуживания 2 года. Для автоматических кофемашин ряда серий, приобретенных на официальном сайте в период действующей акции, предусмотрена расширенная гарантия 3 года. Там же опубликован большой список авторизованных сервисных центров в российских городах.

Допустим теперь, что наш анонимный специализированный магазин действительно добавляет что-то поверх стандартной покупки товара.

Например, помогает выбрать машину под реальные привычки семьи, бесплатно настраивает ее после покупки, берет на себя коммуникацию при сервисном обращении или дает дополнительную гарантию. Это уже ценность.

И тут возникает интересная задача. Пользователь спрашивает только:

Какую кофемашину выбрать?

Он вообще не спрашивает:

У кого ее лучше купить?

И тем более не спрашивает:

Насколько для меня важна организация гарантийного обслуживания после покупки?

Но мы хотим, чтобы нейросеть сама добавила этот критерий в ответ. В идеале рассуждение должно получиться примерно таким:

Для ваших требований подходит модель X. При покупке автоматической кофемашины стоит сравнивать не только цену и число напитков, но и условия гарантии, доступность сервиса и помощь продавца после покупки. Поэтому при небольшой разнице в цене имеет смысл отдельно сравнить условия специализированного магазина и предложения конкретного продавца на маркетплейсе.

Обратите внимание: магазин еще даже не назван.

Сначала нам нужно изменить саму систему координат, в которой нейросеть сравнивает предложения. Это можно назвать продвижением критериев выбора.

Самое сложное здесь вовсе не продвижение магазина

Связать известный бренд с конкретным продавцом относительно просто, если для этого есть реальные основания. Можно публиковать информацию о статусе партнера, сервисе, дополнительной гарантии, настройке, доставке. Можно подтверждать ее на сайте производителя, во внешних публикациях, отзывах, справочных сервисах.

Сложнее предыдущий шаг:

как заставить нейросеть считать сервис вообще значимым критерием, когда пользователь его не называл?

И вот тут давайте поделим LLM на «сильные» и «слабые» модели. К «сильным» отнесем старшие модели ChatGPT, Claude, Gemini, Perplexity, флагманы ведущих китайских разработчиков. К «слабым» будут относиться все остальные:

• младшие модели перечисленных выше семейств;

• быстрые AI-сервисы, которым из-за особенности их применения, нужно дать ответ за секунды (Яндекс с Алисой, Google AI Overviews);

• AI российского происхождения (Алиса AI, ГигаЧат).

Так вот. Сильные модели способны собрать описанную выше связь из нескольких независимых источников. Один документ в интернете рассказывает о частых проблемах владельцев кофемашин. Другой объясняет условия гарантии производителя. Третий описывает стоимость обслуживания. На сайте магазина есть информация о дополнительном сервисе. Модель может сопоставить все эти факты и сделать вывод сама.

Но рассчитывать на такую глубину рассуждения у «слабых» нейросетей нельзя. У них есть другой путь: получить практически готовый фрагмент ответа. Это особенно наглядно применительно к Алисе AI – самому популярному в России ИИ. Яндекс прямо пишет, что Алиса AI формирует ответы, опираясь на страницы, которые высоко ранжируются в поиске Яндекса. Причем сначала находятся документы, соответствующие запросу, затем нейросеть анализирует их и выбирает релевантные фрагменты, после чего собирает общий ответ.

Отсюда следует интересный вывод. Для такой нейросети выгоднее не заставлять модель соединять 4 разнесенных по интернету факта. Нужно создать один документ, где необходимая связь уже сформулирована целиком.

Например:

При выборе автоматической кофемашины имеет смысл учитывать не только количество напитков, тип молочной системы и цену. Для кофемашин также важны условия гарантии, наличие авторизованного сервиса в вашем городе и то, кто помогает решить проблему после покупки.

Это короткий самостоятельный смысловой блок. Нейросети остается извлечь его, а не изобретать связь самостоятельно.

Легко сделать неправильный вывод: нужно завалить интернет рекламными статьями с одним и тем же тезисом. Скорее всего, получится информационный мусор. Нужна немного другая конструкция.

Человек может спрашивать:

• «Какую кофемашину выбрать для капучино?»

• «Какую кофемашину купить родителям, чтобы было минимум настроек?»

• «Какая автоматическая кофемашина проще в уходе?»

• «Что лучше для молочных напитков: De’Longhi или Nescafe?»

• «Какую кофемашину купить до 100 тысяч рублей?»

Все это – разные пользовательские интенты. Под них создаются разные полезные страницы, рейтинги, сравнения и инструкции. Они реально отвечают на исходный вопрос. Но внутри подходящих материалов последовательно присутствует еще один элемент модели выбора: гарантия, локальный сервис, обслуживание после покупки, надежность продавца.

Не обязательно все сразу иди каждый раз с названием нашего магазина. Наша первая задача вообще состоит в том, чтобы этот набор критериев начал устойчиво появляться в информационном поле рядом с самим процессом выбора кофемашины. И только следующим шагом мы связываем его с продавцом, когда такая связь подтверждается фактами.

В слабой нейросети длинную цепочку лучше сократить до одного перехода

Представим цепочку:

сложная техника → сервис имеет значение → официальный сервис надежнее → магазин N дает дополнительный сервис → магазин N стоит рассматривать даже при немного большей цене.

Сильной рассуждающей модели эта конструкция будет по зубам. Для слабых моделей, у которых недостаточно либо «мозгов», либо времени на поиски и установление подобных связей, нужно действовать прямолинейно, в один шаг.

Например:

При выборе продавца автоматической кофемашины стоит учитывать доступность сервиса после покупки. Магазин N принимает обращения покупателей самостоятельно и организует передачу техники в авторизованный сервис производителя.

Теперь требуется всего один смысловой переход.

Или:

Модель X подходит тем, кто часто готовит капучино. При покупке стоит сравнить условия обслуживания: магазин N включает первичную настройку машины и дополнительный год собственной гарантии.

Если эти услуги действительно существуют, нейросети почти нечего додумывать.

Отсюда вылезает такой принцип: важные для бизнеса связи должны существовать в информационном поле максимум за один переход.

Работаем не со всем интернетом, а с набором данных, взятых из поиска

Предположим, мы взяли 30 реальных запросов о выборе кофемашины и несколько раз задали их Алисе. Дальше смотрим не только на полученные рекомендации, но и на источники.

Какие типы страниц система использует постоянно? Категории интернет-магазинов? Рейтинги? Обзоры? Страницы производителей? Специализированные медиа?

У нас не стоит цели сделать, чтобы весь интернет начал повторять один тезис. Интернет для этого слишком большой. Нам нужно попасть с этим тезисом в достаточную долю документов, которые реально оказываются источниками для ответов по нужному нам классу запросов.

Причем Яндекс уже дает для этого часть инструментов: в Вебмастере есть раздел видимости сайта в Алисе AI: там можно смотреть Share of Voice, примеры запросов и страницы сайтов той же тематики, которые часто используются в генеративной выдаче. Сам Яндекс советует расширять число релевантных страниц и анализировать контент сайтов, чаще попадающих в ответы.

Для интернет-магазина нужны страницы сценариев, а не только категории и фильтры

Классический каталог устроен вокруг товара:

Кофемашины → De’Longhi → серия → модель.

Покупатель, который разговаривает с нейросетью, часто мыслит иначе:

Хочу хорошую кофемашину для капучино, но не хочу долго ее мыть.

Или:

Нужно что-нибудь простое для родителей.

Или:

На кухне мало места.

Поэтому у интернет-магазина появляется еще одна ветвь в структуре сайта: страницы пользовательских сценариев.

Например:

/coffee-machines/for-cappuccino/
/coffee-machines/easy-to-clean/
/coffee-machines/for-small-kitchen/

Это должны быть нормальные постоянные индексируемые страницы.

У страницы остается стабильным URL, основной текст, критерии выбора, объяснение различий, FAQ и внутренний алгоритм отбора товаров для попадания на эту страницу и ранжирования на ней. Конкретные товары внутри подставляются динамически из каталога: сегодня под условия подходят 5 моделей, через 3 месяца одна снята с производства, 2 закончились, появилась новая. Но контентная страница продолжает жить, меняется только актуальный набор товарных предложений на ней.

Но здесь легко снова изобрести велосипед SEO-фильтры 2015 года

Не стоит превращать каждый набор характеристик в индексируемую посадочную. Страница «кофемашина для маленькой кухни» отвечает на человеческую задачу. Страница «кофемашины шириной от 231 до 239 мм мощностью от 1400 до 1490 Вт» в большинстве случаев остается фильтром. Разница принципиальная: фильтр описывает параметры товара, а сценарная страница решает задачу человека. Именно второе хорошо совпадает с тем, как пользователи формулируют вопросы нейросетям.

Динамические товары должны оставаться видимыми роботам

Такая архитектура имеет техническое продолжение. Если смысловой текст отдается обычным HTML, а рекомендуемые товары появляются только после сложного клиентского JavaScript – то мы создаем лишнюю зависимость от качества рендеринга роботом. Яндекс умеет исполнять JavaScript, но сам указывает, что выполнение JS остается решением робота. Поэтому для важных индексируемых сценарных страниц я предпочел бы SSR, SSG, пререндеринг или другой вариант, при котором ключевой контент и актуальный товарный блок доступны сразу.

Дополнительно товарную информацию имеет смысл передавать машинно. Яндекс поддерживает Schema.org Product, Offer, AggregateOffer и OfferCatalog, включая цену и доступность. Для товарных ответов и представлений Поиска используется также YML-фид. В результате одна страница сообщает поисковой и генеративной системе сразу 2 типа информации. Редакционная часть объясняет:

для этого сценария важны такие-то критерии.

Каталог и структурированные данные сообщают:

этим критериям сейчас соответствуют такие-то модели, они стоят столько-то и есть в наличии.

Для e-commerce это намного полезнее обычного блога рядом с каталогом.

Эксклюзивная модель известного бренда упрощает задачу в разы

Теперь другой случай. Представим, что крупный производитель выпускает отдельную модель или модификацию специально для нашего ритейлера. Товар известного бренда, но купить конкретный SKU можно только в одном месте. Тогда исчезает половина проблемы. Нам больше не нужно убеждать нейросеть:

модель X хорошая, а покупать ее лучше в магазине N.

Достаточно добиться:

для вашего сценария подходит модель X.

Если купить ее можно только у одного продавца – рекомендация товара фактически становится рекомендацией магазина. Это можно назвать GEO-монополией на SKU.

И вот тут-то рейтинговые статьи «ТОП-10 лучших…» будут особенно эффективны. Модель можно включать в рейтинги лучших кофемашин для капучино, сравнивать с массовыми моделями той же марки, разбирать по сценариям и сопоставлять с конкурентами.

А главная проблема у эксклюзивного SKU состоит в том, что он сначала будет информационно невидимым. Нейросеть хорошо знает бренд и популярную линейку, но почти ничего не знает о специальной модификации с отдельным артикулом.

Поэтому нужно явно формировать сущностную связь:

• модель X относится к серии Y;

• построена на той же платформе;

• отличается такими-то функциями и комплектацией;

• отличие важно для такого-то сценария.

Если эту связь закрепить на сайте бренда или ритейлера, в сравнениях, обзорах и внешних материалах – новый SKU получает информационный контекст уже известной линейки популярного бренда.

С точки зрения GEO-продвижения в нейросетях, эксклюзивная модель сильного бренда может быть ценнее эксклюзивного малоизвестного бренда. Во втором случае сначала придется создавать доверие к самому производителю.

Сервис нельзя придумать специально для нейросетей

Во всей этой концепции есть весьма неприятное ограничение.

Допустим, кофемашина в специализированном магазине стоит на 8% дороже, чем на Озоне. Гарантия та же. Сервис производителя тот же. Доставка дольше и дороже. Дополнительных услуг нет. Консультанты ничего особенного не дают.

А Озон предлагает тот же официальный товар от нормального продавца с хорошим рейтингом и множеством отзывов. Тогда у GEO-специалиста появляется проблема, которую нельзя решить публикациями. У магазина нет причины стоить дороже.

Нейросеть, советующая пользователю более выгодное предложение, в этом случае ведет себя абсолютно последовательно, рекомендуя купить эту кофемашину на Озоне.

Иногда итогом GEO-аудита e-commerce должен стать разговор не о контенте, а о самом продукте ритейлера. Что можно добавить покупателю? Например, бесплатную настройку, расширенную гарантию, собственную линию поддержки, доставку и запуск, забор техники в ремонт, комплект расходников, регулярное обслуживание.

Состав конкретного предложения зависит от категории и экономики. Но сначала бизнес создает преимущество, а только потом GEO-продвижение помогает сделать так, чтобы нейросети начали это преимущество учитывать.

Это одна из самых интересных особенностей GEO и SEO: хороший аудит способен выявить проблему непосредственно в коммерческом предложении, хотя первоначально заказчик пришел «продвигаться в ChatGPT» или «в ТОП-3 Яндекса», соответственно.

Внешние публикации здесь нужны не только ради ссылок

Если интернет-магазин сам пишет на своих страницах, что «сервис очень важен, а у нас прекрасный сервис» – это слабое доказательство. Нейросетям нужен консенсус внешних подтверждений, когда один и тот же критерий возникает в разных независимых контекстах:

• Производитель описывает правила гарантии и сервисную сеть.

• Отраслевой автор разбирает стоимость владения техникой.

• В рейтинге моделей ремонтопригодность или доступность обслуживания входит в критерии сравнения.

• В обзоре объясняют, что происходит после гарантийного случая.

• Сам магазин точно описывает свою дополнительную услугу.

• Отзывы подтверждают, что эта услуга действительно предоставляется.

Для «сильной» нейросети появляется распределенная доказательная сеть – тот самый «консенсус».

Для более «слабой» нейросети мы дополнительно создаем короткие документы и фрагменты, в которых нужный вывод уже собран и положен близко к началу таких документов.

Это 2 разных механизма, и использовать стоит оба.

Как измерять такое GEO-продвижение

Обычной метрики упоминания бренда здесь мало. Допустим, ассортимент магазина стал появляться в ответах нейросетей в 2 раза чаще. BMR (Brand Mention Rate) вырос в 2 раза – хорошо. Но мы все еще не знаем, изменилась ли логика рекомендации этого ассортимента.

Для такого проекта стоит измерять еще минимум 5 последовательных показателей:

• PRR (Product Recommendation Rate) – показывает, как часто нейросеть рекомендует продвигаемую модель или линейку.

• SCR (Seller Criterion Rate) – показывает, в какой доле ответов нейросеть самостоятельно добавляет критерии выбора продавца: гарантию, сервис, настройку, надежность поставки и другие релевантные факторы. Пользователь при этом специально о них не спрашивает.

• RAR (Retailer Association Rate) – измеряет, как часто нужное преимущество связывается с конкретным продавцом.

• RRR (Retailer Recommendation Rate) – показывает уже прямое появление продавца среди рекомендаций товаров.

• PPSR (Price Premium Survival Rate) – сохраняется ли рекомендация специализированного продавца, когда нейросеть знает, что рядом существует более дешевое предложение.

И разумеется, все эти метрики имеет смысл считать на фиксированном контрольном пуле запросов, а не по случайным диалогам.

Эксперимент с ценовой премией

Можно поставить такой эксперимент. Берем реальный пользовательский запрос:

Посоветуй автоматическую кофемашину до 120 тысяч рублей для семьи, где много пьют капучино и хочется минимум возиться с уходом.

• Сначала сравниваем 2 предложения с одинаковой ценой.

• Потом 95 000 против 100 000.

• 93 000 против 100 000.

• 90 000 против 100 000.

И смотрим, при каком ценовом разрыве сервисное преимущество специализированного магазина перестает влиять на рекомендацию.

Это, конечно, не развесовка настоящих покупателей. Нельзя сказать «ChatGPT показал 7% – значит потребитель готов переплачивать 7%». Но мы получаем другую полезную характеристику:

насколько хорошо нейросеть понимает ценностное предложение продавца и способна учитывать его при сравнении с ценой.

Этот показатель очень даже можно сравнивать до начала работ по GEO-продвижению и спустя какое-то время.

Как проверить, удалось ли внедрить новый критерий

Берем 20–30 контрольных запросов, в которых человек выбирает товар, но вообще не упоминает магазин, гарантию или сервис. Фиксируем ответы нескольких нейросетей. Например:

• Какую кофемашину выбрать для капучино до 100 тысяч?

• Какую кофемашину купить родителям, которым сложно разбираться в настройках?

• Какая автоматическая кофемашина проще всего в уходе?

• Какую кофемашину выбрать для небольшой кухни?

Считаем исходный Seller Criterion Rate. Допустим, только в 3 ответах из 30 нейросеть сама заговорила о сервисе или условиях покупки.

Затем создаем первые сценарные страницы на сайте, дорабатываем товарную инфраструктуру, публикуем несколько действительно полезных внешних материалов и дожидаемся их индексации. Повторяем тот же контрольный пул запросов. Если сервисный критерий появляется уже в 10 ответах из 30 – это уже не просто рост упоминаний бренда, а мы изменили структуру ответа нейросети.

Дальше отдельно измеряем, связывается ли новый критерий с нашим продавцом.

GEO интернет-магазина не заканчивается онлайн-заказом

У крупного омниканального ритейлера есть еще одна проблема измерения. Путь покупателя может выглядеть так:

ответ нейросети → сайт → просмотр товара → звонок → офлайн-магазин → покупка.

В аналитике последним источником окажется офлайн. Ответ нейросети при этом запустил весь покупательский путь. Особенно это вероятно для категорий, где покупателю полезно увидеть технику вживую, поговорить с консультантом или заказать установку. Поэтому оценивать влияние только по прямым переходам из Алисы и ChatGPT на страницу checkout недостаточно.

Нужна хотя бы попытка склеивать онлайн- и офлайн-сценарии: звонки, обращения в мессенджеры, визиты, заказы и последующие покупки. Чем дороже и сложнее товар – тем важнее эта часть.

Самое надежное для омниканальщиков – это после оплаты попытаться выяснить у клиента, что повлияло на его выбор. Например, QR-код в чеке, с обещанием подарка после ответа на вопрос.

GEO для e-commerce: уровни Эксперт, Мастер и Грандмастер

Уровень Эксперт, самый очевидный. Нейросеть говорит: «Вам подойдет модель X».

Уровень Мастер. нейросеть добавляет: «модель X подходит, а при выборе продавца стоит учитывать такие-то условия; продавец N им соответствует».

Уровень Грандмастер – влияние на саму схему принятия решения.

Нейросеть начинает говорить: «для таких товаров сравнивайте не только характеристики и цену, но еще A, B и C». Если наш бизнес действительно объективно силен по A, B и C – дальше название магазина даже не обязательно вставлять в каждый ответ искусственно. Мы добились более фундаментального результата – ИИ начинает оценивать рынок по критериям, в которых продавец конкурентоспособен.

И GEO-продвижение перестает быть только лишь задачей «сделайте так, чтобы ChatGPT чаще писал название нашей компании». Оно залезает глубже: в структуру сайта, каталог, товарные фиды, сервис, PR, ассортимент, эксклюзивы и само коммерческое предложение.

Как мы с вами видим, GEO для e-commerce в сравнении с продвижением в нейросетях других бизнесов – вполне себе становится Мерседесом в сравнении с Запорожцем.