Проблемы с openrouter решены, можно пользоваться.

Были проблемы с подвисанием задач, решили, большинство задач уже готово, часть появится в течение 30 минут.

Апдейт: оплата картой в рублях
Подключили платежку - теперь можно оплатить тарифы российской картой, без крипты.

Цены:
Starter - 14 500 ₽
Standard - 28 900 ₽
Premium - 134 200 ₽

Чек приходит на email сразу после оплаты.

⚠️ Временные технические неполадки

Сейчас фиксируем проблемы на стороне одного из провайдеров. Работаем над решением — всё починим в ближайшее время.

Приносим извинения за неудобства 🙏

🚀 Добавили новый инструмент - Индексация в LLM

Новый инструмент, который отправляет твои URL напрямую в ChatGPT, Perplexity и Gemini (Google) - чтобы они быстрее попадали в их базы и появлялись в ответах ассистентов.

Зачем это нужно
ChatGPT, Perplexity и Gemini всё чаще выдают ответы со ссылками на источники - и трафика оттуда становится больше каждый месяц. Чтобы попасть в эти ответы, страница должна быть в их индексе. А индексация у LLM-ассистентов медленная и непредсказуемая: новый материал может ждать своей очереди неделями.

Этот тул решает проблему - пушит URL в каналы напрямую, не дожидаясь пока они доползут сами.

Как пользоваться
▪️ Дашборд → инструмент «Индексация в LLM»
▪️ Вставляешь URL
▪️ Отмечаешь нужные каналы (по умолчанию ChatGPT + Perplexity, Gemini опционально)
▪️ Можно задать страну для геотаргетинга (опционально)
▪️ Жмёшь «Отправить»

Статус по каждому каналу видно в карточке задачи: pending → processing → done. Параллельно можно гонять несколько URL.

Что по тарифам
На бесплатных аккаунтах (без оплаченной подписки) - 3 запроса (всего, не в месяц)

По подписке - без ограничений
Если возникла техническая ошибка - слот возвращается, попытка не считается.
Стоимость: 1 URL = 1 лимит

Попробовать → https://app.seo-agents.io/#llm-indexing

🔧 Докрутили пайплайн генерации статей
Поработали над качеством текстов на выходе - теперь система жёстче следит за объёмом и чистит типичные следы генерёжки.
Что изменили
▪️ Контроль длины - система сама считает слова в черновике и подгоняет объём под заданную цель (±10%). Перебор сокращает, недобор расширяет конкретикой.
▪️ Убрали длинные тире и кудрявые кавычки - те самые «—» и «умные» кавычки, по которым палится ИИ. Теперь прямые кавычки и нормальная пунктуация.
▪️ Зарезали «ИИшность» - добавили правила против канцелярита, фраз-затычек, тройных перечислений и прочих паттернов, которые выдают генерёжку.

Сейчас тестируем, как это отрабатывает на разных типах статей.

📊 Нужна ваша обратная связь
Хотим понять, куда копать дальше и что докручивать в первую очередь. Накидайте, как оно у вас на практике, это реально влияет на приоритеты в разработке.

Что хочется узнать:
1️⃣ Чем пользуешься чаще всего? (генерация статей / индексация в LLM / другое)
2️⃣ Что бесит или мешает? Где спотыкаешься, что неудобно, чего не хватает?
3️⃣ Как тексты на выходе, заходят? Что приходится дорабатывать руками?
4️⃣ Какого инструмента сейчас не хватает? Что бы добавили в первую очередь?

Можно ответить на всё, можно на один пункт, любая мелочь полезна. Пишите в комменты или в личку. 🙏

🚀 Запустили GEO Audit - показываем, как ИИ-поиск на самом деле выбирает бренды

ChatGPT, AI Overviews, Perplexity уже отвечают вашим клиентам вместо синей выдачи. И там своя механика: модель не ищет по одному запросу, а «разворачивает» его в десятки под-запросов (это и есть query fan-out), сканирует кучу источников и цитирует единицы.
Попали в эти единицы - вас рекомендуют. Не попали - для ИИ вас не существует.

🔍 Это РЕАЛЬНЫЙ query fan-out, а не имитация. Инструмент запускает живой веб-поиск ChatGPT и забирает:

а) реальные под-запросы, которые модель сгенерировала под вашу тему
б) реальные источники, которые она просканировала
в) какие из них она реально процитировала

📊 Что в отчёте:

1) fan-out по батчам: что именно «спрашивал» ИИ за кулисами
2) лидерборд брендов: кого упоминают и кто доминирует
3) факторы выбора: почему цитируют их, а не вас
4) типы источников и trust-сигналы (агрегаторы отзывов, листиклы, офсайты, форумы)
5) паттерн включения и пробелы покрытия: где вам надо засветиться
6) готовые инсайты: что делать дальше

Вводите запрос → за 1–3 минуты получаете дашборд по своей нише.

Лучше всего работает с запросами формата Best + основной ключ \ лучшие + ключ

Пример: Лучшая CRM для малого бизнеса \ best online casino in New Jersey 2026

🔍 Как нейросети выбирают, какой бренд назвать в ответе. И когда не выбирают вообще
Мы запустили GEO Audit, и по реакции стало понятно: сам инструмент полезен, но без понимания механики он выглядит чёрным ящиком. Людям непонятно, что делать с цифрами на дашборде, если неясно, откуда они берутся.

Поэтому решили зайти с другого конца - серией из трёх постов объяснить, как ИИ-поиск вообще работает под капотом. Как нейросеть выбирает, какой бренд назвать. И когда она выбирать не будет. А уже потом будет понятно, зачем нужен сам аудит.

Начнём с базы. Когда вы пишете запрос в ChatGPT, он не бросается искать в интернете. Сначала он решает, в каком из трёх режимов работать.
Режим 1 - идёт в поиск. Это когда без свежих данных не ответить. «Лучшая CRM для малого бизнеса», «лучший отель в Нью-Йорке 2026» - модель понимает, что из головы тут не ответишь, и уходит искать. Вот здесь и начинается выбор брендов - кого назвать. Самый интересный для нас режим.

Режим 2 - отвечает из памяти, никуда не ходит. Спрашиваете «как работает retrieval-augmented generation» - модель не делает ни одного поискового запроса. Отвечает тем, что в неё зашили на обучении. Живого выбора брендов тут нет - есть только то, что попало в обучающие данные год назад.

Режим 3 - отказывается. «Лучшее казино» - модель просит уточнить или уходит от ответа. Гэмблинг, оружие, медицина, местами политика. Выбора брендов нет - просто отказ.

И вот первый неочевидный момент. Отказ зависит не от темы, а от формулировки. «Лучшее казино» - отказ. «Лучшее онлайн-казино в Нью-Джерси 2026» - полный поиск с цитатами брендов. Регион и год переводят модель из отказа в поиск. Одна ниша, разный результат - решает формулировка.

Зачем это понимать. Прежде чем оптимизироваться под ИИ, надо знать, в каком режиме он работает на ваших запросах. Уходит в отказ - оптимизировать нечего, надо менять формулировку. Отвечает из памяти - поисковая оптимизация не поможет, тут другая игра. И только если идёт в поиск - начинается борьба за то, чтобы назвали именно вас.

Причём в разных моделях один запрос может уйти в разные режимы. На одном ключе ChatGPT идёт в поиск, а Claude - в отказ (он самый строгий). Так что проверять надо по всем.

В следующем посте - что происходит, когда модель всё-таки пошла в поиск, и как именно она выбирает, какой бренд назвать.

🔍 Как нейросеть выбирает бренд: один вопрос → 16 запросов → сотня источников → 3 названия в ответе

В прошлом посте разобрали: когда модель идёт в поиск - начинается выбор брендов. Теперь разберём, как этот выбор устроен.

Первое, что ломает шаблон. Вы задали один вопрос - модель ищет не по нему.

Она берёт ваш запрос и разворачивает его в пачку под-запросов. Это называется query fan-out - «веер запросов». Спрашиваете «лучшая CRM для малого бизнеса» - а модель за кулисами генерит своё: «amoCRM цены 2026 Россия», «Битрикс24 тарифы 2026», «Bitrix24 цены базовый стандартный профессиональный рублей». Один ваш вопрос превращается в 15-16 запросов, которых вы никогда не видите.

Зачем. Модель хочет ответить полно. Она не знает заранее, что вам важно - цена, функции, отзывы - поэтому кидает веер во все стороны и собирает картину с разных углов.

Тут есть тихий нюанс. Модель знает про вас много - возраст, профессию, чем интересуетесь, что недавно спрашивали (всё лежит в памяти). И часто подмешивает это в под-запросы. Айтишнику 32 лет на «посоветуй ноутбук» она пойдёт искать не «лучший ноутбук 2026», а «лёгкий ноутбук для разработчика». То есть выбор брендов персонализируется ещё на этапе веера.

Дальше она сканирует источники. Не три-четыре - сотню. По примеру с CRM - 104 источника за один прогон.

И теперь главное про выбор. Из этой сотни в ответ попадают единицы. Примерно каждый пятый просканированный источник - остальное модель прочитала и выбросила. Узкое горлышко: сканируется много, до ответа доходит мало. Вот этот фильтр «сотня на входе → три бренда на выходе» и есть тот самый выбор.

По каким признакам она выбирает. Не случайно. Смотрит на цену, простоту, широту функционала, отзывы - и на то, на каких источниках бренд засветился. В CRM-нише, например, 80% цитат - официальные сайты брендов. Форумы модель сканирует, но не цитирует. Академические статьи не трогает вообще. В каждой нише свой набор источников, которым модель доверяет.

И ключевой сдвиг. Вы оптимизируете сайт под «лучшая CRM». А модель по этому запросу искала «Битрикс24 тарифы 2026» и цитировала официальные сайты. Вы готовились к одному вопросу - она задала другие и доверяла другим источникам. Не совпали - вас не выбрали. Даже если по исходному запросу вы идеальны.

В финальном посте - что со всем этим делать. И почему SEO и GEO теперь не конкуренты, а одна связка.

🔍 SEO или GEO - ложный выбор. Работает только связка
В первых двух постах разобрали, как модель решает - искать или нет, и как выбирает бренд, когда ищет. Финал: что со всем этим делать.

Сначала - вывод, который снимает ложный выбор. Многие противопоставляют SEO и GEO: мол, поиск умер, оптимизируемся теперь только под ИИ. Это не два лагеря. Это одна связка, где одно без другого не работает.

Почему. Вспомните, откуда модель берёт источники, когда идёт в поиск. Не из воздуха - из поисковых индексов. И вот тут важная деталь, про которую забывают: у ChatGPT таких источников несколько. Собственный индекс и кэш OpenAI, индекс Bing как основной сторонний источник, а для платных юзеров подключается ещё и Google - как запасной вариант, когда Bing выдаёт слабые результаты. У Claude - вообще Brave, у Perplexity - свой индекс плюс чужие, у Gemini - Google.

Смысл один: если вашей страницы нет в индексах, из которых модель тянет контент - вы не попадаете в выборку. И никакой GEO не вытащит. Классическое SEO не умерло - оно стало пропуском на вход. Без него вы даже в очереди не стоите.

Причём именно попасть в индекс важнее, чем занять там первое место. Высокая позиция совпадает с реальными цитатами лишь в 7-8% случаев - то есть быть проиндексированным критично, а верхняя строчка сама по себе цитату не гарантирует. Модель всё равно перечитывает страницы и выбирает по своим критериям.

Но и на одном SEO не выехать. Можно быть в топе и всё равно не попасть в ответ - если контент не заточен под под-запросы из веера, а вас нет на тех источниках, которым модель доверяет в нише. Тут уже работает GEO.

Двухступенчатая логика:
1) SEO заводит в выборку - попал в индексы, откуда модели тянут источники, иначе они тебя физически не видят.
2) GEO заводит в ответ - из выборки модель выбирает, кого назвать, и тут решают формулировки под fan-out, топ-листы и trust-сигналы.

Пропустил первую ступень - вторая бесполезна. Сделал только первую - застрял в выдаче, мимо ИИ-ответа.

У моделей вроде ChatGPT есть не только чужие индексы, но и собственный - OpenAI хранит свой проиндексированный и закэшированный слой веба, и часть ответов собирается прямо из него. Управляет этим отдельный краулер, OAI-SearchBot. Проблема в том, что классической Search Console тут нет: нельзя просто так сабмитнуть URL и проверить статус. Если вашей страницы нет в этом слое, для модели её не существует - не «плохо ранжируется», а вообще нет.

Ровно эту задачу закрывает наш второй инструмент - Index в LLM. Он помогает вашим страницам попасть в индексы, из которых LLM берут источники для ответов - включая собственный индекс моделей, куда обычными способами попасть сложно. Без этого вы можете сколько угодно оптимизировать контент: если модель физически не видит страницу в своём индексе, вся остальная работа не считается.

Складывается полная цепочка:
1) Index - заводит страницу в индексы, из которых модели берут контент, чтобы вас вообще могли найти.
2) SEO - выводит её в выборку внутри этих индексов.
3) GEO - доводит до цитаты в финальном ответе.

А чтобы понять, что именно чинить в вашей нише - какие под-запросы генерит модель, кого уже цитирует и на каких источниках - есть GEO Audit. Он вскрывает кухню, которую мы разбирали всю серию, и показывает на дашборде по вашему запросу, в цифрах: реальные под-запросы из веера, реальные просканированные источники, реально процитированные бренды.
Как это выглядит на конкретном примере - покажем в следующем посте.