Не повторить, а разогнать: как бренд после первого GEO-кейса вырос до 21,3% AI-видимости

Первый успех в GEO – это еще не победа. Это скорее проверка: удалось ли бренду вообще зайти в генеративную выдачу и заметили ли его нейросети. Настоящий вопрос начинается позже: можно ли превратить этот результат в управляемый рост, а не в один удачный скриншот.

Весной мы уже показывали открытый кейс по собственному сайту. Тогда для проекта зафиксировали 6,5% AI-видимости и 40 упоминаний. На тот момент этого было достаточно, чтобы сказать: да, в нейросетях можно расти не только теоретически.

Но дальше стало интереснее.

Через два месяца после публикации первого кейса проект вышел на 21,3% AI-видимости и 211 упоминаний. И это уже история не о первом попадании в AI-ответы, а о том, как из первого результата собирается полноценная система роста.

Почему этот кейс вообще можно показывать открыто

В сфере управления репутацией хорошие кейсы часто остаются за кадром. Причина понятна: большая часть проектов касается чувствительных тем – негатив, кризисы, поисковая выдача, отзывы, медийные конфликты, персональные кейсы. Даже при сильном результате многие детали закрыты NDA или договоренностями о неразглашении.

Поэтому собственный сайт стал для нас редким случаем, когда можно показать весь процесс без обезличивания. Не «один из клиентов», не «компания из отрасли X», а наш собственный бренд, наш сайт и наша же методика.

В этом смысле GEO оказался направлением, где мы можем говорить максимально честно: на себя же мы можем смотреть без оговорок. Поэтому и первый кейс, и его продолжение – это не только история роста, но и редкая возможность показать вживую, как работает продвижение в нейросетях, когда ничего не нужно скрывать.

После первого кейса изменилась не интенсивность, а логика работы

Самое важное произошло не в цифрах, а в том, как поменялась внутренняя механика проекта.

На первом этапе сайт рос за счет базовой сборки: техподготовка, structured data, первые FAQ и How-To, первые внешние сигналы, понятный мониторинг. Это был фундамент.

После публикации первого кейса задача стала другой: не «сделать еще немного контента», а перевести GEO в постоянный процесс.

Весной команда начала расширять GEO-семантику, дополнять карту промптов, забирать новые формулировки из Яндекс Вебмастера и уже от них проектировать дальнейший контент. Мониторинг продолжал идти по фиксированной логике через Semantica AI, но теперь он использовался не просто как отчетный инструмент, а как база для решений: что усиливать, какие темы разворачивать, где сайт уже виден, а где еще не дотягивает.

Именно в этот момент GEO перестает быть «темой», о которой пишут статьи, и становится системой, в которой запрос, контент и аналитика связаны напрямую.

Хаб начал отвечать не на «что такое GEO», а на реальные вопросы рынка

Один из самых показательных сдвигов произошел в самом контенте.

Пока у сайта есть просто набор хороших материалов о новом направлении, он выглядит экспертно, но работает ограниченно. Когда же контент начинает совпадать с реальными формулировками пользователей и AI-интентами, он начинает работать совсем иначе.

На втором этапе GEO-хаб стал именно такой базой знаний. В нем начали появляться материалы, которые не объясняют тему «в общем», а закрывают конкретные вопросы:

• как измерять AI-видимость;

• какие метрики смотреть;

• как строить карту AI-запросов;

• как понять, какие источники предпочитают нейросети;

• как подготовить сайт и внешние площадки к AI-поиску;

• по каким признакам AI-система выбирает компании в ответах.

И здесь важно не просто наличие этих статей. Важен принцип: они появились как продолжение реальных GEO-промптов, а не как отвлеченный контент-план.

Для SEO-команд это, пожалуй, один из самых полезных выводов. В генеративном поиске побеждает не самый «общий» экспертный материал, а тот, который точнее других закрывает конкретный вопрос пользователя.

Почему How-To и FAQ снова оказались сильнее, чем многие «большие» страницы

Один из повторяющихся выводов в GEO-проектах – прикладной формат часто срабатывает лучше, чем широкая сервисная рамка.

На втором этапе это подтвердилось снова. FAQ и How-To начали давать видимость не как вспомогательный контент, а как отдельный слой роста. Причина понятна: генеративным системам проще работать с материалами, которые уже организованы по логике будущего ответа.

Если страница отвечает на один вопрос, делает это коротко, структурированно и без тематического шума, у нее выше шанс быть использованной в AI-ответе, чем у текста, который пытается охватить сразу слишком многое.

Это не отменяет важности сервисных страниц, но меняет приоритеты. Для GEO проекту нужен не только хороший лендинг услуги, но и контентная сетка под интенты, которую нейросетям удобно «забирать» в качестве логического блока ответа.

Внешние публикации перестали быть фоном

Еще один важный перелом – внешний контур стал играть гораздо более заметную роль.

На раннем этапе внешние статьи, карточки и editorial-материалы обычно воспринимаются как поддержка: полезно, но вторично. На втором этапе в этом кейсе стало видно обратное. Внешний слой начал работать как полноценный фактор роста.

Причина в том, что AI-системы редко смотрят на бренд только через один домен. Для них бренд – это множество точек присутствия: публикации, обзоры, рейтинги, профили, карточки, видео, экспертные цитаты, повторяющиеся темы на разных площадках.

Когда эти сигналы начинают совпадать по смыслу, бренд становится для AI заметнее и понятнее.

Особенно хорошо это проявилось в редакционных и обзорных форматах. Они начали усиливать не только внешний образ компании, но и общую AI-видимость. То есть сайт уже рос не сам по себе, а как центр более широкой медиасреды.

Что произошло с цифрами

Самое важное – рост оказался не косметическим.

В апрельском цикле проект имел:

• 97 упоминаний,

• 9,8% AI-видимости.

К маю показатели выросли до:

• 211 упоминаний,

• 21,3% AI-видимости.

То есть прирост упоминаний к апрелю составил 117,53%.

Эти цифры особенно важны не в отрыве от контекста, а именно как продолжение первого кейса. Получается понятная траектория:

• сначала – нулевой старт;

• затем – первый выход в AI-ответы;

• потом – переход к этапу, где рост ускоряется за счет новой системы.

Именно такой переход и делает второй кейс содержательно сильнее первого.

Что показали обычные поисковые метрики

Здесь важно не пытаться приписать проекту то, чего не было.

По Яндекс Метрике поисковой трафик усилился: в мае количество посетителей из поиска стало выше, чем в апреле, а процент отказов снизился. Это хороший supporting signal.

Но Google Search Console в тот же период показал смешанную картину: клики почти не изменились, CTR сохранился на прежнем уровне, а показы и средняя позиция не дали такого же красивого роста, как AI-метрики.

И в этом, на мой взгляд, есть своя польза. Кейс не выглядит искусственно «приглаженным». Он честно показывает, что главный прорыв случился именно в GEO-контуре, а не «везде одновременно».

Почему для рынка важен именно этот второй этап

Первый GEO-кейс отвечает на вопрос: можно ли вообще попасть в AI-ответы.

Второй отвечает на вопрос, который для практики даже важнее: что делать после первого успеха.

И здесь ответ выглядит так:

1. Не довольствоваться первым ростом.

2. Расширять пул реальных GEO-запросов.

3. Строить контент не вокруг темы, а вокруг интентов.

4. Усиливать прикладные форматы.

5. Выводить бренд за пределы сайта в устойчивый editorial-контур.

6. Регулярно перепроверять, где бренд уже виден, а где его пока нет.

Именно это превращает GEO из эксперимента в рабочую модель.

Вывод

Второй кейс Rating Up ценен не тем, что в нем больше цифра. Его сила в том, что он показывает переход от локального результата к масштабируемому процессу.

Сначала сайт просто начал попадать в нейросети. Затем вокруг него стала собираться более сложная система: GEO-промпты, хаб, FAQ, How-To, внешний editorial-слой, прикладные материалы, аналитика.

И уже эта система дала рост до 21,3% AI-видимости и 211 упоминаний.

Для рынка это хороший ориентир: GEO начинает работать по-настоящему не тогда, когда бренд один раз появился в AI-ответе, а тогда, когда команда умеет превратить этот первый результат в повторяемую, наращиваемую модель.

Источник