Исследования
В разделе собраны внешние научные публикации о генеративном поиске, источниках, проверяемости ответов и видимости. Для каждой работы сохранены авторы, дата, ссылка, метод, результат и граница вывода. Это не собственные замеры GeoUnity.
Как читать исследования
GEO: Generative Engine Optimization
Pranjal Aggarwal; Vishvak Murahari; Tanmay Rajpurohit; Ashwin Kalyan; Karthik Narasimhan; Ameet Deshpande. 16.11.2023 (препринт); 2024 (KDD). Научная работа, KDD 2024. Источник
Основополагающая работа, вводящая понятие GEO и способ количественно оценивать присутствие документов в генеративных ответах. Авторы тестируют изменения текста на специальном наборе запросов.
Созданы метрики видимости и тестовая выборка GEO-bench; несколько методов редактирования исходных документов сравниваются в управляемой экспериментальной среде.
В отдельных условиях зафиксировано улучшение видимости до 40%; эффект разных приёмов существенно зависит от предметной области.
Полезна как исходная методика проверки гипотез и как основание для разделения цитирования, присутствия и текстового вклада.
Эксперимент с заранее включёнными в контекст источниками не доказывает рост органической обнаруживаемости страницы или клиентских заявок.
Evaluating Verifiability in Generative Search Engines
Nelson F. Liu; Tianyi Zhang; Percy Liang. 2023. Научная статья, EMNLP 2023. Источник
Исследование проверяет, можно ли доверять ссылкам, которыми генеративные поисковики подкрепляют утверждения. В центре внимания не количество цитат, а их проверяемость.
Авторы предлагают методику проверки соответствия утверждений ответа приведённым источникам и исследуют ответы генеративных систем.
Работа демонстрирует, что присутствие ссылки и фактическое подтверждение тезиса являются разными качествами ответа.
При мониторинге GEO важно фиксировать не только ссылку на бренд, но и соответствует ли ей утверждение, ради которого источник процитирован.
Методика оценивает конкретные системы и наборы вопросов; показатели не являются постоянными для всех версий ИИ.
What Evidence Do Language Models Find Convincing?
Alexander Wan; Eric Wallace; Dan Klein. 08.2024. Научная статья, ACL 2024. Источник
Авторы выясняют, каким противоречащим друг другу веб-источникам модель предпочитает верить. Это помогает понять, какие признаки текста действительно влияют на использование информации.
Создан набор ConflictingQA, в котором к спорным вопросам подобраны источники с разными выводами; применены контрфактические изменения документов.
Сильное влияние обнаружено у тематической релевантности источника, тогда как научный стиль, ссылки на исследования и нейтральная тональность сами по себе действуют гораздо слабее.
Для GEO это аргумент в пользу содержательной связи страницы с вопросом пользователя, а не имитации академичности ради цитат.
Тестировалось разрешение конфликтующих доказательств, а не реальное изменение ранжирования коммерческих сайтов.
Ranking Manipulation for Conversational Search Engines
Samuel Pfrommer; Yatong Bai; Tanmay Gautam; Somayeh Sojoudi. 06.2024. Научный препринт. Источник
Работа исследует, можно ли менять предпочтения разговорного поиска посредством содержимого источников. Она важна для оценки устойчивости рейтингов товаров и услуг.
Исследователи формализуют задачу манипулирования ранжированием в разговорном поиске и проверяют воздействия на документы.
Показано, что выбор и порядок рекомендаций могут зависеть от контролируемого издателем содержания; это создаёт конкурентные и этические риски.
Помогает различать честную информационную оптимизацию и методы, рассчитанные на искажение рекомендаций.
Результаты экспериментальных систем не равны доказательству эффективности конкретного приёма в ChatGPT или Алисе.
Manipulating Large Language Models to Increase Product Visibility
Aounon Kumar; Himabindu Lakkaraju. 11.04.2024. Научный препринт. Источник
Проверяется, можно ли сделать продукт первой рекомендацией модели, добавив специально сконструированный фрагмент к описанию.
На искусственном каталоге кофемашин авторы вводят strategic text sequence и сравнивают результат для товаров с исходно разными позициями.
Контролируемые текстовые вставки увеличивали шанс попадания выбранного товара на первое место.
Для GEO исследование показывает уязвимость рекомендаций к встраиваемым инструкциям и необходимость контролировать качество источников.
Использовались фиктивные товары; работа не устанавливает универсальной эффективности подобного воздействия на живом рынке.
Adversarial Search Engine Optimization for Large Language Models
Fredrik Nestaas; Edoardo Debenedetti; Florian Tramèr. 26.06.2024. Научный препринт. Источник
Авторы описывают атаки, заставляющие ИИ-поиск предпочитать источник злоумышленника. Изучается цена манипуляций для справедливости рекомендаций.
Тестируются preference manipulation attacks на поисковых системах и плагинных интерфейсах; изменяется содержимое контролируемых атакующим материалов.
Показана возможность продвижения своих предложений и очернения конкурентов, а также коллективный риск гонки манипуляций.
Исследование особенно важно для GEO-этики: видимость бренда и добросовестность рекомендации не совпадают.
Это анализ атак на конкретные конфигурации; не всякий внешний текст способен повлиять на любую современную модель.
C-SEO Bench: Does Conversational SEO Work?
Haritz Puerto; Martin Gubri; Tommaso Green; Seong Joon Oh; Sangdoo Yun. 06.06.2025; NeurIPS 2025. Научная статья, NeurIPS 2025. Источник
Одна из ключевых независимых проверок GEO-приёмов в разных доменах и конкурентных условиях. Работа ставит под сомнение эффективность многих типовых переписываний.
Создан бенчмарк по шести доменам, ответам на вопросы и товарным рекомендациям, где одновременно оптимизируются разные участники.
Большинство протестированных C-SEO-приёмов дали слабый либо отрицательный эффект; более значимым оказался порядок документа в контексте модели. При распространении приёма среди конкурентов выгода снижалась.
Для GEO-стратегии полезна как противовес некритичным инструкциям «используйте FAQ, и вас порекомендуют».
Это модельная бенчмарк-среда; нельзя прямо приравнивать результаты к динамике индексации и продаж на реальных сайтах.
White Hat Search Engine Optimization using Large Language Models
Niv Bardas; Tommy Mordo; Oren Kurland; Moshe Tennenholtz; Gal Zur. 11.02.2025. Научный препринт. Источник
Исследование рассматривает использование языковых моделей для добросовестной оптимизации текстов под поиск без прямой подмены целей пользователя.
Авторы предлагают и оценивают методы white-hat SEO с генеративными моделями в задачах оптимизации содержимого.
Работа показывает исследовательский подход к оценке новых текстовых методов, вместо опоры на неформальные рекомендации.
Для GEO полезна как смежное исследование: машинное редактирование нужно проверять в контролируемом сравнении с исходным текстом.
Предмет исследования — прежде всего SEO; не следует автоматически переносить выводы на генеративные рекомендации брендов.
What Generative Search Engines Like and How to Optimize Web Content Cooperatively
Yujiang Wu; Shanshan Zhong; Yubin Kim; Chenyan Xiong. 13.10.2025; ICLR 2026. Научная статья, ICLR 2026. Источник
Предлагается система AutoGEO, автоматически изучающая предпочтения генеративных систем и переписывающая веб-текст.
Модели извлекают правила предпочтений, после чего применяют их к переписыванию; испытания проведены на GEO-Bench и двух новых бенчмарках.
В контролируемых испытаниях улучшалось использование переработанного содержания при сохранении полезности ответа.
Материал показывает, как строить воспроизводимый цикл: предположение — изменение — измерение — проверка побочного эффекта.
Автоматически выученные правила зависят от системы, домена и набора задач; переносимость на живые сервисы ограничена.
Generative Engine Optimization: How to Dominate AI Search
Mahe Chen; Xiaoxuan Wang; Kaiwen Chen; Nick Koudas. 10.09.2025. Научный препринт. Источник
Сопоставляются классический веб-поиск и ИИ-поиск по источникам, языкам, отраслям и формулировкам запроса.
Авторы выполняют контролируемые запросы в разных системах, классифицируют использованные источники и проверяют чувствительность к переформулировкам.
Описаны различия в доле внешних редакционных источников, устойчивости между языками, свежести и составе цитат.
Работа поддерживает необходимость раздельного мониторинга платформ и внимания к независимым источникам информации о бренде.
Наблюдательный дизайн не доказывает, что дополнительная публикация в СМИ сама по себе вызовет рост рекомендаций.
CC-GSEO-Bench: A Content-Centric Benchmark for Measuring Source Influence in Generative Search Engines
Qiyuan Chen; Jiahe Chen; Hongsen Huang; Qian Shao; Jintai Chen; Renjie Hua; Hongxia Xu; Ruijia Wu; Chuan Ren; Jian Wu. 09.2025. Научный препринт. Источник
Бенчмарк ориентирован на вклад самого содержимого в генеративный ответ и предлагает оценивать влияние источника, а не одну видимую цитату.
Предлагаются метрики и экспериментальная постановка, позволяющие отдельно анализировать появление источника и содержательную роль его текста.
Ключевая идея — измерять не только факт попадания в контекст, но и насколько итоговый ответ опирается на документ.
В GEO-мониторинге помогает отличать упоминание бренда, показ ссылки и реальное заимствование сведений.
Бенчмарк измеряет определённые модельные сценарии; его метрики требуют отдельной валидации на конкретных поисковых продуктах.
Role-Augmented Intent-Driven Generative Search Engine Optimization
Xiaolu Chen; Jie Bao; Haojie Wu; Zhen Chen; Liwei Pan; Yong Liao. 2025; редакция 27.10.2026. Научный препринт; обновляемая версия. Источник
Метод RAID пытается оптимизировать документ без знания будущих пользовательских запросов. В центре — реконструкция возможных интентов и проверка устойчивости текста на новых формулировках.
Исследователи выводят пользовательские потребности из содержания, моделируют роли читателей и оценивают переписывание на оригинальных и новых вариантах запросов.
Авторы сообщают небольшие улучшения объективных и субъективных показателей в контролируемых испытаниях на 100 документах и 500 запросах.
Для практики важен принцип покрытия разных реальных сценариев выбора, а не оптимизации одной известной формулировки.
Изменения показателей невелики; дата арxiv-идентификатора и дата поздней редакции не совпадают, что учитывается при цитировании.
E-GEO: A Testbed for Generative Engine Optimization in E-Commerce
Puneet S. Bagga; Vivek F. Farias; Tamar Korkotashvili; Tianyi Peng; Yuhang Wu. 2025; обновлено 2026. Научный препринт; NeurIPS 2026 poster. Источник
Работа создаёт специализированный бенчмарк GEO для интернет-торговли и товарных рекомендаций.
Собрано 13 747 реалистичных запросов покупателей, связанных с набором карточек товаров; оценивается оптимизация разных элементов описаний.
Исследование показывает значимость реальных потребительских ограничений и сравнительных характеристик для оценки рекомендаций.
Полезно для GEO интернет-магазинов: тестовые промпты должны учитывать цену, назначение, характеристики и условия покупки.
Бенчмарк на товарах и карточках не следует напрямую переносить на услуги, локальный B2B или репутационные рекомендации.
AI Answer Engine Citation Behavior: An Empirical Analysis of the GEO16 Framework
Arlen Kumar; Leanid Palkhouski. 13.09.2025. Научный препринт; отраслевое исследование. Источник
Проверяется связь качества веб-страницы с шансом цитирования в разных ответных системах на примере B2B SaaS.
Авторы исследовали 70 коммерческих промптов, 1702 цитирования и 1100 URL, рассчитывая баллы по 16 признакам качества страниц.
Метаданные и свежесть, семантический HTML и структурированные данные проявили заметные статистические связи с цитированием.
Исследование можно использовать для составления технического чек-листа, сохраняя различие между корреляцией и причинным воздействием.
Выборка ограничена англоязычным B2B SaaS и не подтверждает универсальные пороги качества для всех рынков.
When Content Is Goliath and Algorithm Is David: The Style and Semantic Effects of Generative Search Engine
Lijia Ma; Juan Qin; Xingchen Xu; Yong Tan. 2024; редакция 16.09.2025. Научный препринт / working paper. Источник
Работа сопоставляет семантику и стиль страниц, которые появляются в генеративном и обычном поиске Google.
Собрана выборка порядка 10 тысяч сайтов и исследованы особенности контента в двух поисковых интерфейсах.
Исследование рассматривает влияние того, как изложена информация, на отбор сайтов и их представленность в ответах.
Важно для сравнения SEO и GEO: даже на одном поисковом рынке механизмы отображения информации могут давать разные наборы источников.
Статистическое совпадение характеристик текста и присутствия не позволяет считать любой отдельный стилистический приём доказанной причиной роста.
Exposing Citation Vulnerabilities in Generative Engines
Riku Mochizuki; Shusuke Komatsu; Souta Noguchi; Kazuto Ataka. 10.2025. Научный препринт. Источник
Работа посвящена уязвимостям ссылочного механизма генеративных систем: как цитирование может становиться объектом манипуляции.
Исследуются сценарии воздействия на источники и последующее отображение ссылок в итоговых ответах.
Подчёркнуты риски считать ссылку безусловным подтверждением независимой проверки фактов.
Для GEO важно отделять создание надёжных источников от искусственного воздействия на механизм цитирования.
Устойчивость к уязвимостям может зависеть от защит и архитектуры конкретной версии системы.
Beyond SEO: A Transformer-Based Approach for Reinventing Web Content Optimisation
Florian Lüttgenau; Imar Colic; Gervasio Ramirez. 03.07.2025. Научный препринт. Источник
Авторы обучают небольшую модель переписывать туристические веб-страницы под генеративный поиск и тестируют видимость.
Использовано 1905 подготовленных пар текстов, fine-tuning BART и модельная оценка на Llama-3.3-70B.
В тестовой среде авторы сообщают улучшение показателей включения текста в ответы: 15,63% для счёта слов и 30,96% с учётом позиции.
Полезно как демонстрация экспериментальной автоматизации контента и необходимости строгой оценки до/после.
Данные синтетически подготовлены и относятся к туристическим страницам; показатели не равны росту реальных обращений клиентов.
Dynamics of Adversarial Attacks on Large Language Model-Based Search Engines
Xiyang Hu. 01.2025. Научный препринт. Источник
Исследование рассматривает динамику атак на системы поиска, где ответы и рекомендации формируются языковыми моделями.
Рассматриваются возможности и последствия конкурентного изменения источников, с которыми взаимодействует LLM-поиск.
Работа показывает, почему одноразовые тесты методов влияния на поиск нельзя считать достаточными для долгосрочной оценки.
Для GEO-экспериментов полезно фиксировать временной фактор и возможное противодействие других участников.
Это исследование безопасности; практические рекомендации по честному продвижению из него выводятся косвенно.
Caption Injection for Optimization in Generative Search Engine
Xiaolu Chen; Yong Liao. 06.11.2025. Научный препринт. Источник
Метод объединяет текст веб-страницы и описания изображений, чтобы улучшить использование мультимодальной информации в генеративном ответе.
Авторы извлекают подписи из изображений и внедряют их в текст; сравнение проводится на бенчмарке multimodal RAG.
В заданных условиях подход превзошёл базовые текстовые варианты по модели оценки воспринимаемой видимости.
Показывает значимость семантики изображений для некоторых типов GEO-задач, особенно если товар визуально различим.
Это результат бенчмарка, а не доказательство, что любые alt-теги или подписи автоматически повышают цитирование.
Evaluation of Attribution Bias in Generator-Aware Retrieval-Augmented Large Language Models
Amin Abolghasemi; Leif Azzopardi; Seyyed Hadi Hashemi; Maarten de Rijke; Suzan Verberne. 07.2025. Научная статья, Findings of ACL 2025. Источник
Исследуется, меняет ли информация об авторстве источника то, как LLM приписывает ему утверждения.
Авторы сравнивают три модели в контрфактических экспериментах, меняя метаданные об авторе документов.
Указание авторства меняло качество атрибуции на 3–18%; наблюдалось предпочтение явно обозначенных человеческих авторов в некоторых условиях.
Для GEO это основание включать корректное авторство и проверять цитаты, но не обещать универсальный «бонус за автора».
Исследуется стадия атрибуции в RAG, а не вся цепочка обнаружения и ранжирования сайтов.
Consumer Responses to Generative AI Chatbots Versus Search Engines for Product Evaluation
Soyoung Kim; Randi Priluck. 05.05.2025. Научная статья, Journal of Theoretical and Applied Electronic Commerce Research. Источник
Авторы изучают, как люди воспринимают поиск товаров через чат-бота по сравнению с обычной поисковой системой.
Проведён онлайн-эксперимент; итоговая анализируемая выборка 211 участников, оценивались привычность инструмента, доверие и предпочтение способа поиска.
Участники чаще предпочитали привычный поисковик и охотнее раскрывали ему личную информацию, но воспринимали ответы чат-бота как менее предвзятые.
Напоминает GEO-специалистам: влияние ИИ-рекомендации на пользователя зависит от доверия к интерфейсу, а не только от присутствия бренда.
Выборка студентов и заданный контекст оценки товара ограничивают переносимость на весь рынок.
From Matching to Generation: A Survey on Generative Information Retrieval
Xiaoxi Li; Jiajie Jin; Yujia Zhou; Yuyao Zhang; Peitian Zhang; Yutao Zhu; Zhicheng Dou. 2025. Научный обзор, ACM TOIS. Источник
Обзор объясняет переход от поиска похожих документов к генерации ответа и систематизирует подходы к генеративному информационному поиску.
Авторы сопоставляют архитектуры, постановки задач и методы оценивания генеративных поисковых систем.
Для GEO имеет значение разделение этапов поиска, генерации и оценки качества: каждый этап создаёт собственные ограничения для видимости источника.
Полезно как теоретическая основа для специалиста, который проектирует измерения ИИ-выдачи.
Это обзор технической области, а не прямой эксперимент по продвижению брендов.
Generative Engine Optimization en Repositorios Digitales: Optimización de la Visibilidad para la IA Generativa
Danilo Reyes-Lillo; Alejandro Morales-Vargas; Cristòfol Rovira. 2025. Научная публикация, Infonomy. Источник
Исследуется применение GEO-подходов к цифровым репозиториям, научным и институциональным коллекциям.
Авторы рассматривают описание документов и особенности их представления в системах генеративного поиска.
Работа переносит обсуждение GEO за пределы коммерческого маркетинга: объектом видимости становятся научные материалы и знания.
Полезна для образовательных и экспертных организаций, работающих с большими архивами публикаций.
Предметная область репозиториев отличается от коммерческого продвижения услуг и товаров.
From GEO to AIVO: Rethinking Visibility in the AI Era
Timothy de Rosen. 2025. Концептуальный working paper, SSRN. Источник
Автор предлагает более широкую рамку AI Visibility Optimization вместо узкой оптимизации текстов под генеративный поиск.
Рассматриваются изменения роли бренда в ИИ-интерфейсах и возможные показатели его присутствия.
Главная ценность — концептуальное различение «попадания в ответ» и более широкой видимости бренда в ИИ-среде.
Подходит для разработки стратегии и таксономии метрик, но не как доказательство эффективности конкретного GEO-приёма.
Работа носит стратегический характер; её гипотезы необходимо проверять эмпирически.
The Impact of JSON-LD Metadata on ChatGPT Visibility
Peter Schanbacher. 2025. Исследовательский working paper, SSRN. Источник
Материал рассматривает, может ли JSON-LD-разметка влиять на видимость информации в ответах ChatGPT.
В центре анализа связь структурированных метаданных страницы с тем, как внешняя система получает и интерпретирует сведения.
Работа полезна прежде всего как формулировка проверяемой технической гипотезы, а не универсального правила про schema.org.
Для GEO-аудита важно различать корректную разметку данных и документально установленный рост рекомендаций.
Без независимого повторения методики нельзя считать JSON-LD доказанным обязательным фактором GEO.
Mind the Invisibility Gap: An Analysis of 80 Leading Global Brands in LLM Answers
Niall Cook. 2025. Исследовательский working paper, SSRN. Источник
Работа анализирует разрыв между известностью крупных брендов и их фактическим присутствием в ответах языковых моделей.
Исследуются ответы LLM по выборке из 80 глобальных брендов, чтобы сопоставить известность и измеряемую представленность.
Постановка подчёркивает, что даже крупный бренд нельзя считать «видимым в ИИ» без отдельного измерения ответов.
Полезно для обоснования брендового GEO-мониторинга и разделения потенциальной узнаваемости от реальных рекомендаций.
Выборка ведущих международных брендов не репрезентирует локальный малый бизнес; метрики следует читать в оригинале.
Гайд по GEO/AEO на 2026 год: эксперимент, исследование источников и кейсы
Владимир Назаров (Head Promo). 2026. Российская прикладная публикация / кейсы. Источник
Автор собирает наблюдения по продвижению компаний в ИИ-ответах и показывает сравнительные примеры из практики агентства.
Материал описывает изменения страниц и внешних источников, сопоставляет ответы разных систем и приводит результаты отдельных проектов.
Приведены кейсы роста доли упоминаний и ссылок; это данные автора, а не независимый рандомизированный эксперимент.
Полезен для изучения российской практики GEO, включая Алису, Яндекс и локальные информационные площадки.
Часть утверждений о «любимых форматах» и сроках у платформ имеет характер практических гипотез; обобщать их без независимой проверки нельзя.
Как попасть в ответы ИИ: GEO-кейс B2B производителя лазерного оборудования
Евгений Ванжула (AdsON). 2026. Российский прикладной кейс. Источник
Практический разбор продвижения производителя промышленного оборудования в ответах ChatGPT, Алисы, Gemini и других моделей.
Автор описывает подбор небрендовых запросов, публикации с продуктовой конкретикой и изменение присутствия компании после контентных работ.
Кейс иллюстрирует организацию процесса и примеры форматов материалов для узкого B2B-сегмента.
В GEO-планировании полезен как пример промышленной ниши с длинным циклом выбора и сложной терминологией.
Это кейс исполнителя: показатели и причинная связь изменений с результатом должны оцениваться с учётом отсутствия контрольной группы.
Search Marketing in the Age of AI: Understanding the Marketing Implications of Search, Assistive and Answer Engines
Jason Barnard; Matt Artz. 2023. Научно-практическая статья, Journal of Digital & Social Media Marketing. Источник
Авторы рассматривают, как поисковые, ассистивные и ответные интерфейсы меняют доступ потребителя к сведениям о компаниях.
Предлагается маркетинговая рамка для перехода от списка ссылок к ответным системам, где бренд может появляться без прямого клика.
Работа полезна для понимания более широкого контекста GEO и новых типов поискового контакта бренда с пользователем.
Можно использовать для введения в курс и для объяснения различия между классическими SEO-позициями и генеративным ответом.
Это стратегический анализ, а не эксперимент с доказанной прибавкой видимости от конкретного действия.
Generative Engine Optimization (GEO): Revisión de Enfoques, Métricas y Estrategias
Rubén Alcaraz-Martínez; Andreu Sulé. 23.06.2026. Рецензируемый обзор, Ibersid. Источник
Испаноязычный обзор научной литературы по GEO, системам генеративного поиска, метрикам и методам оптимизации.
Авторы систематизируют исследовательские направления и сравнивают оценки видимости, влияния контента и проверяемости.
Среди повторяющихся тем — качество содержимого, структура, сущности, источники и нестабильность измерений.
Полезен как обзор области для составления глоссария исследований и поиска первичных публикаций.
Обзор обобщает разнородные работы; наличие упоминания метода в обзоре не означает, что его эффект надёжно воспроизведён.
When Attention Becomes Exposure in Generative Search
Shayan Alipour; Mehdi Kargar; Morteza Zihayat. 05.01.2026. Научный препринт. Источник
Исследуется, как социальное внимание и концентрация авторитетных голосов связаны с цитированием компаний в генеративном поиске.
На материалах 44 Web3-компаний авторы изучают источники внимания, устойчивость сообществ и ранжирование цитат.
Выявлена ассоциация между известностью создателей контента, размером аудитории и более высоким цитатным присутствием.
Для GEO важно понимать, что известные участники рынка могут получать преимущества и без специальных технических правок сайта.
Наблюдательные связи не доказывают причинность; Web3 — специфическая предметная область.
IF-GEO: Conflict-Aware Instruction Fusion for Multi-Query Generative Engine Optimization
Heyang Zhou; JiaJia Chen; Xiaolu Chen; Jie Bao; Zhen Chen; Yong Liao. 20.01.2026. Научный препринт. Источник
Решается задача оптимизации одного документа под разные пользовательские вопросы, предъявляющие конфликтующие требования.
Метод IF-GEO выводит предпочтения по группам запросов и синтезирует единый план редактирования с оценкой стабильности.
В экспериментальных тестах заявлены улучшения результатов на различных запросах при контроле устойчивости.
Практический вывод: не следует оптимизировать страницу в ущерб другим важным интентам, лишь ради одного промпта.
Метод проверен в заданном бенчмарке; универсальная устойчивость к смене реальной модели не доказана.
Multimodal Generative Engine Optimization: Rank Manipulation for Vision–Language Model Rankers
Yixuan Du; Chenxiao Yu; Haoyan Xu; Ziyi Wang; Yue Zhao; Xiyang Hu. 18.01.2026. Научный препринт. Источник
Работа демонстрирует риск манипулирования выдачей товаров через совместное изменение изображения и текста.
Авторы конструируют мультимодальные воздействия на модели, оценивающие карточки товаров и изображения.
Комбинация изменений изображений и текстовых фрагментов в испытаниях оказалась сильнее отдельных текстовых или визуальных воздействий.
Для GEO это напоминание о том, что рекомендательные системы становятся мультимодальными, а безопасность оценки важна не меньше оптимизации.
Результаты атак на VLM-ранжировщики не означают, что подобные воздействия допустимы или повсеместно работают в коммерческом поиске.
The Discovery Gap: How Product Hunt Startups Vanish in LLM Organic Discovery Queries
Amit Prakash Sharma. 01.01.2026. Научный препринт / сравнительный аудит. Источник
Авторы сравнивают знание нейросетью названия стартапа и появление этого стартапа в небрендовой рекомендации.
Исследованы 112 продуктов Product Hunt и 2240 запросов к ChatGPT и Perplexity.
Распознавание названных продуктов было очень высоким, тогда как присутствие в запросах на подбор составляло 3,32% и 8,29% соответственно; также оценивались связи с SEO-сигналами.
Для GEO это особенно наглядное разграничение брендовых и небрендовых интентов: «модель знает компанию» не равно «рекомендует компанию».
Исследование ограничено выборкой стартапов, конкретными моделями и моментом времени.
Navigating the Shift: A Comparative Analysis of Web Search and Generative AI Response Generation
Mahe Chen; Xiaoxuan Wang; Kaiwen Chen; Nick Koudas. 2026. Научный препринт. Источник
Продолжение сравнительного анализа традиционного поиска и генеративных ответов, направленное на различия в источниках и представлении результатов.
Сопоставляются механики выбора документов и генерации ответов в поисковых интерфейсах.
Работа полезна для выделения специфики AI Search, которую нельзя объяснить одними позициями в обычной поисковой выдаче.
В GEO-методологии помогает обосновать раздельные панели для обычного SEO и ИИ-рекомендаций.
Точные количественные эффекты следует проверять в оригинальной статье: общий сравнительный вывод не заменяет эксперимент по оптимизации сайта.
From Citation Selection to Citation Absorption: A Measurement Framework for GEO Across AI Search Platforms
Zhang Kai; He Xinyue; Yao Jingang. 28.04.2026. Научный препринт. Источник
Авторы разделяют выбор источника для ссылки и реальное влияние текста источника на содержание ответа.
Изучены 602 промпта и десятки тысяч записей о цитатах в ChatGPT, Google AI Overview/Gemini и Perplexity.
Выявлено расхождение между количеством приведённых источников и глубиной их влияния; разные системы демонстрируют разные профили.
Для GEO-отчёта можно отдельно оценивать частоту цитирования и фактическую поддержку ответов ссылками.
Показатели привязаны к доступному датасету и разработанной авторами операционализации «влияния».
Don't Measure Once: Measuring Visibility in AI Search (GEO)
Julius Schulte; Malte Bleeker; Philipp Kaufmann. 08.04.2026. Исследовательский препринт. Источник
Исследование посвящено статистической неустойчивости единичных замеров брендовой видимости в ИИ-системах.
Авторы рассматривают вариативность ответов между запусками, формулировками и моментами измерения.
Вывод: присутствие бренда разумнее оценивать распределением повторных наблюдений, а не одной удачной выдачей.
Практически это аргумент за повторные прогоны, фиксацию условий, доверительные интервалы и постоянное ядро промптов.
Измерительная рекомендация не является доказательством эффективности того или иного способа продвижения.
What Gets Cited: Competitive GEO in AI Answer Engines
Rahul Vishwakarma; Shushant Kumar; Ratnesh Jamidar. 25.05.2026; SIGIR 2026. Научная статья, SIGIR 2026. Источник
В контролируемом соревновании двух источников исследуется, что влияет на первую ссылку в ответе ИИ.
252 000 попарных испытаний на шести моделях; для каждой пары изменялся только один из 18 факторов.
Наиболее устойчиво с первым цитированием связаны релевантность и позиция источника; также помогают явная цена и дата, а чистое форматирование влияет слабо.
Для GEO полезно расставлять приоритеты: содержательная релевантность и проверяемые коммерческие факты важнее оформления ради оформления.
Исследуется уже заданный парный контекст, а не весь путь органического обнаружения страниц.
GEO-Bench: Benchmarking Ranking Manipulation in Generative Engine Optimization
Ojas Nimase; Zhe Chen; Gengpei Qi; Yue Zhao; Xiyang Hu. 27.05.2026. Научный препринт. Источник
Бенчмарк стандартизирует оценку методов манипулирования ранжированием документов и товаров языковыми моделями.
Авторы сравнивают black-box и white-box воздействия, а также честные методы C-SEO в единых датасетах и метриках.
Эффективность и скрытность воздействия оказались разными измерениями; некоторые текстовые переформулировки сопоставимы с технически сложными атаками.
Для GEO эти результаты важны как демонстрация необходимости надёжных и прозрачных измерительных протоколов.
Тестировался фиксированный модельный ранжировщик; результаты нельзя переносить без проверки на другие продукты.
Generative Engine Optimization at Scale: Measuring Brand Visibility Across AI Search Engines
Pratyush Kumar. 18.06.2026. Научный препринт / индустриальный датасет. Источник
Большой набор наблюдений показывает различия в брендовой видимости между известными, региональными и нишевыми компаниями.
Проанализированы более 100 тысяч ответов по более чем 100 брендам; анализ включает источники и вариативность тональности.
Стартовая частота упоминаний различалась по зрелости бренда: около 73%, 44% и 11% для трёх групп; тональность менялась заметно чаще факта присутствия.
Полезно для сегментации конкурентов и ограничения ожиданий от GEO-проекта для небольших брендов.
Индустриальный датасет и выбранные бренды не позволяют считать указанные проценты универсальной нормой рынка.
SafeGEO: Understanding Generative Engine Optimization Risks in Recommendation Agents
Qianfeng Wen; Yifan Simon Liu; Xin Liu; Difan Jiao; Blair Yang; Junda Wu; Zhenwei Tang. 2026; EMNLP 2026. Научная статья, EMNLP 2026. Источник
Исследуется, может ли оптимизированная продавцом информация заставить ИИ рекомендовать объективно проблемный продукт.
SafeGEO включает 22 варианта воздействия и 600 случаев рекомендаций с контролируемым окружением.
В ряде испытаний вредный продукт попадал в рекомендации значительно чаще; защитные меры снижали риск, но не восстанавливали базовый уровень полностью.
Важный этический контрапункт для GEO: видимость и качество решения пользователя должны оцениваться отдельно.
Работа изучает риски на стадии генерации с контролируемыми источниками, а не полный живой поиск.
Optimizing Visibility in Generative Engines: A Critical Survey of GEO (2023–2026)
Olivier Martinez. 15.07.2026. Критический научный обзор, препринт. Источник
Большой обзор исследований GEO показывает, что разные авторы называют видимостью разные этапы: обнаружение, цитирование, включение фактов в ответ и трафик.
Проанализированы 45 исследований за 2023–2026 годы, предложена многоэтапная модель и иерархия силы доказательств.
Наиболее воспроизводимы тематическая релевантность и позиция источника в контексте; доказательств стабильного межплатформенного роста органической обнаруживаемости от конкретного приёма нет.
Ключевой текст для критической методологии GEO-академии и корректного описания границ доказательности.
Это обзор с собственными критериями отбора исследований, а не новый полевой рандомизированный эксперимент.
What Drives AI Citations? Content, Retrieval and Model Knowledge in GEO
Mahe Chen; Nick Koudas. 10.10.2026. Научный препринт. Источник
Авторы раздельно оценивают влияние содержания страницы, поиска источников и уже известных модели брендов на цитирование.
Собраны 158 099 ответов и 468 037 ссылок в двух 90-дневных выборках, включая рынок небольших B2B-компаний.
Получение страницы поиском объясняет существенно большую часть вариации цитирования, чем свойства страницы; модель также включает знакомые бренды в поисковые формулировки.
Для GEO особенно важно различать продвижение документа в собственный поиск ИИ и последующее использование текста при генерации.
Результаты зависят от доступных режимов API, рынков и моделей; исследование не обещает простой гарантированной тактики GEO.
Top Brand Visibility Factors in ChatGPT, AI Mode, and AI Overviews (75k Brands Studied)
Louise Linehan; рецензент Ryan Law. 12.12.2025. Отраслевое исследование, Ahrefs. Источник
Ahrefs исследует, какие характеристики известных брендов статистически связаны с их упоминанием в крупных ИИ-системах.
Выделено 75 тысяч брендов, сопоставлены упоминания в ответах и внешние признаки по коэффициенту корреляции Спирмена.
Наиболее заметной оказалась связь с упоминаниями на YouTube (около 0,737), затем с упоминаниями бренда в интернете; число страниц сайта почти не коррелировало.
Полезно для формулирования гипотез о роли внешнего информационного присутствия бренда.
Корреляция не доказывает, что публикации на YouTube сами по себе вызывают рост GEO; выборка смещена к узнаваемым брендам.
An Analysis of AI Overview Brand Visibility Factors (75K Brands Studied)
Louise Linehan; участник исследования Xibeijia Guan. 26.05.2025. Отраслевое исследование, Ahrefs. Источник
Раннее исследование Ahrefs статистически связывает упоминания брендов в Google AI Overviews с внешними SEO- и брендовыми сигналами.
На выборке 75 тысяч брендов сравнивались корреляции разных факторов с количеством появлений в AI Overviews.
Брендовые упоминания в сети имели более сильную связь (0,664), чем количество обратных ссылок (0,218); у 26% брендов упоминаний в исследуемой выдаче не было.
Помогает отделять внешнюю популярность бренда от механического наращивания ссылок и страниц.
Один и тот же массив брендов частично используется в последующих публикациях Ahrefs; два исследования нельзя трактовать как независимые репликации.
How We Built a Content Optimization Tool for AI Search [Study]
Luke Harsel; участники Roma Chereshnev и Cecilia Meis. 14.01.2026. Отраслевое исследование, Semrush. Источник
Исследование сопоставляет тексты страниц, которые цитируют ИИ-системы, с сопоставимыми результатами традиционного поиска.
Проанализированы 11 882 промпта, более 300 тысяч цитирований и более 900 тысяч URL поисковой выдачи; сравнивались 13 текстовых параметров.
Чёткая структура, ответы на вопросы и признаки экспертности чаще встречались у цитируемых документов; отдельные признаки имели контринтуитивные корреляции.
Для GEO-аудита полезно как список проверяемых характеристик текста, но не как список доказанных причин.
Авторы явно исключили метаданные и HTML-разметку из оценки; различия между группами наблюдательные.
Why 62% of AI Citations Don’t Lead to Brand Mentions [Study]
Margarita Loktionova; участник Christine Skopec; исследование с Kevin Indig. 09.06.2026. Отраслевое исследование, Semrush. Источник
Публикация разбирает «призрачные цитаты»: ИИ даёт ссылку на сайт, но не называет бренд в тексте ответа.
Авторы и партнёры сравнили множество случаев появления доменов и брендов в ответах нескольких систем.
По их данным 62% цитирований не сопровождались явным упоминанием бренда; различия между платформами значительны.
Ключевой материал для GEO-аналитики: цитирование сайта и упоминание бренда нужно считать как отдельные метрики.
Показатель относится к выборке и правилам сопоставления домена с брендом; переносить 62% на любой сайт нельзя.
Данные годового исследования: как промышленные компании попадают в ответы нейросетей
Исследовательская команда GEOMI. 2026. Российское отраслевое исследование. Источник
Годовой мониторинг показывает, какие предприятия металлообработки рекомендуются нейросетями и какие источники используются.
С апреля 2025 по апрель 2026 команда анализировала пять ИИ-систем, порядка 8 тысяч ответов, 10 тысяч источников и свыше 500 сайтов.
Исследование даёт отраслевой срез видимости и демонстрирует конкуренцию компаний на конкретных промышленных запросах.
Особенно полезно для GEO в B2B и производстве, где нельзя оценивать рынок по одним массовым пользовательским запросам.
Это наблюдательный отраслевой отчёт; результаты в металлообработке могут не описывать другие ниши.
Использование LLM в России — 2026
Никита Худов; Артём Букликов; Анастасия Пименова. 17.09.2026. Российское отраслевое исследование, geoboost. Источник
Исследование оценивает масштаб использования нейросетевых чатов в России и различия между платформами.
Авторы сводят данные Mediascope, ВЦИОМ, OMI, Яндекса, Сбера и других источников к единой оценке недельной аудитории.
Получена оценка 48,6 млн пользователей в типичную неделю; отчёт открыто обсуждает допущения агрегирования и неполную сопоставимость первичных измерений.
Полезно для выбора приоритетных ИИ-систем в российских GEO-проектах и определения контекста аудитории.
Аудитория рассчитана модельным объединением разных наборов данных; диапазоны не являются статистическими доверительными интервалами.
Google AI Overviews: Updates and Changes from SGE to Now — Research Trends 2025–2026
Редакция и исследовательская команда SE Ranking. 2026 (обновляемый отчёт). Отраслевое исследование, SE Ranking. Источник
SE Ranking систематически измеряет распространённость Google AI Overviews и изменения их поведения в разных типах запросов.
Анализ регулярно обновляется на массиве порядка 100 тысяч ключевых слов из 20 ниш и сопоставляет периоды 2025–2026 годов.
По данным отчёта присутствие AI Overviews выросло примерно с 28% запросов в мае 2025 до 59,73% в феврале 2026.
Для GEO полезно как пример временного мониторинга интерфейса, который меняется быстрее обычных SEO-отчётов.
Материал обновляется; у отдельных цифр разные даты и методические условия, которые нужно сохранять при цитировании.