Самый частый миф про AI-ответы: «нужно просто написать статью лучше конкурентов».
На практике LLM часто цитируют не “лучшую” страницу, а **самую удобную для извлечения факта**.

Что ломает шаблон:
- короткий ответ в начале, не в конце;
- один тезис = один блок;
- явные сущности: бренд, продукт, категория, дата, цифры;
- формулировки без воды и маркетингового тумана;
- FAQ/таблица/список там, где ответ реально ищут.

Мы тестили запросы в Perplexity: страницы с сильным смыслом, но слабой структурой, проигрывали более простым конкурентам.
Не потому что текст хуже. Потому что его сложнее “поднять” в ответ 🤖

Вывод: под AI-поиск сейчас выигрывает не только content quality, но и **extractability** — насколько быстро модель может вытащить нужный фрагмент и доверить ему роль ответа.

В AI-ответах источник часто важнее формулировки. По тестам это видно быстро: один и тот же факт из «слабой» страницы может не попасть в ответ, а из страницы с понятной экспертизой — цитируется почти сразу.

Правило из опыта: сначала строим доверие к источнику, потом оптимизируем текст.
Что помогает:
— ясный автор и роль
— обновления с датой и контекстом
— факты, которые можно проверить
— единая сущность бренда по всему сайту и в профилях

LLM не «верит» на эмоциях, но хорошо считывает сигналы надежности. И да, для AEO это уже не украшение, а базовая инфраструктура 🤖

Поймали странный провал в AI-ответах: статья была нормальная по смыслу, но модель стабильно путалась в фактах и то меняла даты, то подменяла цифры.

Разбор показал почти банальную причину: факты были размазаны по тексту, без явной структуры. Один и тот же блок говорил про продукт, потом про кейс, потом снова про метрики — и для LLM это выглядело как шум, а не как источник.

Что сработало после правки:
— вынесли ключевые факты в короткие утверждения;
— добавили четкие подзаголовки по сущностям;
— убрали «литературные» связки там, где нужен был порядок;
— цифры и даты поставили рядом с объектом, к которому они относятся.

Итог: текст стал легче цитироваться и в поиске, и в AI-ответах. Не магия, а просто меньше шансов для модели ошибиться 🧠

На поле снова прилетел знакомый вопрос: как бренду попасть в AI-ответ?

Короткий вывод после серии тестов в поиске и LLM: «оптимизировать страницу» уже недостаточно. Модели чаще вытаскивают не самый SEO-идеальный текст, а тот, где есть явный ответ, сильные сущности, совпадающая терминология и следы доверия: цитаты, упоминания, структурированные блоки, свежие данные.

Что сработало лучше в тестах:
— один вопрос = один чёткий ответ в начале блока;
— маркированные списки вместо длинной прозы;
— сущности рядом друг с другом: бренд, продукт, категория, синонимы;
— формулировки, которые легко процитировать без переписывания.

Важно: это не кнопка «попасть в AI-ответ за сутки» 🚫
Это настройка контента под то, как LLM выбирает фрагменты для ответа. И да, мы всё чаще видим, что выигрывают не самые громкие, а самые ясные.

1. Выкатить ни какую он-лайн конфу я естесвенно не выкатил, потерпите

2. После прошлого видео (тык) мой канал теперь имеет юзер @PO_YICA_BRAL

3. Держите вечернее видео, я нажрусь и спать

Чото надо ещё сказать? Ну, можно лишь добавить Настя #MelBet верни деньги, не играй с огнём, со мной лучше не ссориться. Спасибо.

P.S. Бабка-то, похоже, не своей..... см. видео!

С уважением, Иванов Е.Ю!

🎁 РОЗЫГРЫШ $2000 ОТ SERG ACCS

🥇 1 место — $1000
🥈 2 место — $700
🥉 3 место — $300

Как участвовать:
1️⃣ Подпишитесь на канал
2️⃣ Нажмите «✅ Участвую»
3️⃣ Получите 1 стартовый билет

Больше билетов:
🛒 Покупки — минимум 1 билет, далее +1 за каждые полные $50 реальной оплаты. Максимум — 50.
👥 Рефералы — +5 за первую подходящую покупку друга и +1 за каждые накопленные $100 его покупок. Максимум — 50.

Общий максимум — 100 билетов.
Чем больше билетов, тем выше шанс. Даже 1 билет участвует.

Призы начислим на баланс в боте SERG ACCS.

Итоги 15.09. Всем удачи! 🔥

Два подхода к доверию в AI-поиске сейчас выглядят особенно по-разному.

1) **«Быть в топе»** — ставка на привычный SEO-сигнал: позиции, ссылки, authority.
2) **«Быть источником»** — ставка на то, что LLM выберет вас как цитируемую сущность: ясные факты, структурированные блоки, авторство, дата, обновления, совпадение формулировок между страницей и ответом.

На тестах видно: высокий ранк не гарантирует попадание в AI-ответ, а хорошо оформленный, проверяемый контент иногда вытесняет более сильных по ссылкам конкурентов. 🔍

Практический вывод: для GEO/AEO важно не только ранжироваться, но и быть удобно проверяемым. Модель доверяет тому, что может быстро сверить, а не просто «чувствует» как популярное.

LLM-ответы хуже всего переваривают «простыню» без опор.
Если хотите, чтобы факт из статьи стал цитируемым, соберите его как набор явных сущностей:

— кто / что / где / когда
— одна мысль = один абзац
— цифры и определения ближе к началу
— одинаковые названия сущностей во всём тексте
— списки и таблицы вместо скрытого контекста

Что это даёт для GEO/AEO: модели легче выделяют факт, связывают его с брендом и вытаскивают в ответ без лишней интерпретации. 🧩

Быстрый тест: возьмите один и тот же материал и сравните, что лучше цитируется — связный эссе-текст или версия с жёсткой факт-структурой. Обычно разница видна уже в первых прогонках.

Поймать AI-ответ — это не «прописать пару ключей», а собрать страницу, которую модель видит как самый безопасный источник.

Что обычно двигает в выдачу:
— совпадение с интентом: в тестах лучше заходят страницы, где 1 запрос = 1 чёткий ответ
— короткий факт в первых 200–300 словах: у ответных блоков выше шанс на цитирование
— структурные сигналы: списки, таблицы, FAQ, definitions
— entity-связность: бренд, продукт, автор, дата, источники внутри текста

По метрикам смотрим не только трафик. Важнее:
1) доля запросов, где бренд упоминается в AI-ответе
2) число цитирований на 100 целевых запросов
3) видимость по кластерам, а не по одной статье
4) рост branded search после попаданий в ответы 📈

Практика простая: тестируем 20–30 запросов, фиксируем baseline, меняем формат ответа, сравниваем цитируемость через 7–14 дней. Без этого «попали в AI» — просто ощущение.

Когда LLM выбирает, кого процитировать, она почти всегда смотрит не только на текст, но и на сигнал доверия вокруг него. Для GEO/AEO это значит: мало быть «полезным» — нужно выглядеть проверяемым.

Мини-чек-лист для контента:
— автор и компания должны быть явно названы;
— дата обновления — видна;
— факты привязаны к первоисточникам или собственным данным;
— одинаковая сущность бренда везде: сайт, профиль, подпись, schema;
— страница не выглядит как набор общих тезисов без доказательств;
— есть признаки экспертизы: кейсы, цифры, метод, ограничения.

💡 Тест простой: откройте страницу и спросите себя — «почему именно этот материал можно цитировать?»
Если ответ расплывчатый, AI-overview тоже может пройти мимо.

Доверие в AI-поиске — это не абстракция. Это упаковка доказательств, которую можно проверить глазами и машиной.

Лонгрид о мемном кейсе Melbet vs Pepper Partners - реально ли оценить в аффилейтке репутационный ущерб в деньгах?

История на $2,000 вряд ли разрушит крупный бренд. Но она вполне может стоить ему сотен тысяч долларов и более, если публично остаётся без внятного решения.

Я в аффилейт-маркетинге более 25 лет, а последние пару лет одно из моих основных направлений - B2B matchmaking. Поэтому я регулярно вижу споры между компаниями о выплатах и претензии, и таких ситуаций в рынке явно становится больше.

Знаю многие кейсы, которые были в итоге решены благополучно до выхода в публичное поле и всегда приятно видеть, когда так происходит, но все больше и больше кейсов, которые не просто выходят в паблик, а еще и очень странным и глупым образом в паблике продолжают долго оставаться и наносить ущерб в то время как имеют очень простые и адекватные для обеих сторон варианты решения.

Вот например про один из таких кейсов писал уже здесь весной.

Если неконструктивны обе стороны (а бывает и так), то можно к этому относиться просто как к развлекательному контенту.

Но когда одна сторона открыта к адекватной коммуникации и поиску оптимального решения, а вторая сторона просто игнорирует проблему, при этом не уходя с рынка в закат, а продолжая тратить огромные бюджеты на PR и маркетинг бренда - это любопытная аномалия.

Сейчас самый заметный в аффилейт рынке пример это кейс Melbet <> Pepper Partners, который уже более месяца развивается в публичном поле и о нем уже писали и многие аффилейт медиа, и отдельные блоги, я наверно один из последних, кто у себя в блоге еще об этом не писал)

Изначальное заявление кейса и описание претензии от Pepper Partners можно почитать здесь.

Очень приличный на мой взгляд разбор со стороны и указание пары простых и логичных вариантов решения ситуации написал Артем Кравченко, можно почитать у него.

А я хочу разобрать эту историю с другой стороны, как можно оценивать репутационные потери от подобных историй непосредственно в деньгах и принимать более взвешенные решения, стоит ли вообще брендам занимать тактику игнорирования и допускать появление и продолжительное обмусоливание таких тем в паблике.

Для мелкого и крупного бренда такие истории могут иметь очень разный эффект, поэтому здесь разберем на примере крупного бренда, так как Melbet в нашем рынке относится именно к таким.

Не знаю конечно их точные цифры затрат на PR в рамках афф рынка (участие в конфах, собственные ивенты, реклама в афф медиа и т.п.), но из того, что вижу как организатор ивентов с приличным опытом, этот бюджет явно измеряется в миллионах $ в год, если не выходит за $10млн+.

Это без PR затрат на прямое привлечение игроков (бренд-амбассадоры, спонсорства футбольных клубов и т.п.), без бюджетов непосредственно на закупку трафика. Только на аффилейтку.

И вот уже более месяца в паблике незакрытый и не откоммуницированный публично кейс на $2k (две тысячи долларов).

В публичной дискуссии сейчас преобладает позиция, что Melbet в этом споре неправы.

Может их развернутая публичная позиция поменяла бы мнение, но ее нет, соответственно на данный момент так.

Какие материальные потери может понести бренд в такой истории?

Многие люди, даже очень опытные и умные, почему-то к таким ситуациям относятся бинарно.

Рухнет бренд (закроется, обанкротится) - значит плохо на них повлиял кейс.

Останется бренд жить и работать как ни в чем не бывало внешне - значит никак не повлияло и может они правильно решили игнорировать, а кто-то вообще решит брать с них пример.

Но это же совсем не так, ситуация не бинарная.

Представим не фактические цифры Melbet, которых у нас нет, а консервативную модель крупного рекламодателя.

Если из-за такого кейса бренд потеряет 10 качественных действующих активных партнёров, либо не привлечёт 10 таких новых партнёров, которые в другой ситуации начали бы с ним работать, последствия уже могут быть кратно выше суммы самого спора.

Я не знаю внутренний LTV партнёра у Melbet. Но если принять для активного опытного аффилейта условные $10,000 LTV, десять таких потерянных партнеров - это уже шестизначная сумма $ недополученного дохода. И это без учёта крупных команд, в случае которых эффект может быть кратно выше и оказаться семизначным.

Даже если в этой модели ошибиться и завысить в несколько раз, сам принцип никуда не исчезает - незакрытый публичный спор на $2,000 в любом случае обойдется бренду многократно дороже этих $2,000.

Цифры конечно я прикинул условные, но рассуждения не виртуальные - я знаю афф команды, которые перестали быть их активными партнерами из-за этого кейса.

Одна известная в рынке команда публично рассказала о своем таком решении в моем чатике про scam-кейсы.

А теперь вернемся к миллионам долларов в год, которые Melbet тратит на публичный PR среди аффов через конфы и прочие активности.

У этих трат же есть определенные ожидаемые и реальные результаты, верно?

На каждый затраченный миллион ожидается определенное количество привлеченных новых партнеров и укрепление лояльности и увеличение оборотов с определенным количеством действующих партнеров.

Вообще без понятия какая там ожидаемая сумма выхлопа на каждый потраченный миллион, поэтому обозначим ожидаемую сумму выхлопа с потраченного на PR миллиона в X.

При таком незакрытом публичном кейсе, вызывающем большой отклик и возмущение в рынке - останется эта сумма выхлопа с PR X без учета прочих факторов или она станет меньше X?

Очевидно станет меньше, доверие к бренду ниже, а значит и вложения в PR дают меньшую отдачу.

Я понимаю, что не все читатели, в том числе заинтересованные, могут дружить с математикой, и особенно понятием математического ожидания на дистанции, но вопрос здесь не только в этике и не только в справедливости конкретной претензии. Это вопрос качества управленческого решения.

Когда бренд инвестирует миллионы в доверие рынка - через конференции, медиа, партнёрские активности и PR, игнорирование аргументированного публичного конфликта снижает отдачу от всех этих вложений. Репутация не выглядит отдельной строкой в P&L, но её потеря вполне превращается в недополученный доход, более дорогой PR и менее лояльных партнёров.

Я искренне надеюсь, что все больше компаний в нашем рынке будут становиться более сознательными и не терять огромные деньги на ровном месте, и если бизнес-этика не зашита в культурный код, то хотя бы из сугубо материальных корыстных соображений начнут вести себя адекватнее)

Всем отличной недели и благоразумия)

Тестирую один и тот же запрос в AI-ответах и снова вижу разницу не в «SEO-магии», а в упаковке фактов.

Когда статья пишет тезисы как сплошной текст, LLM часто вытягивает только общий смысл.
Когда я перестраиваю материал в блоки: **определение → цифра → условие → вывод**, ответ становится заметно точнее и чаще цитирует именно нужный фрагмент.

Мой рабочий паттерн для контента под AEO:
- один факт = одна мысль
- цифры рядом с утверждением
- короткие подзаголовки вместо длинных абзацев
- сущности называем одинаково по всему тексту

📌 Наблюдение из практики: после такой структуризации AI-ответы стали реже «смешивать» наш бренд с конкурентами и чаще брать формулировку почти дословно.

Похоже, для LLM важен не только смысл, но и то, насколько быстро его можно разложить по полочкам.