Привет, Хабр!
Меня зовут Дмитрий, руководитель отдела рекламы и продвижения в Аспро. Мы запускаем интернет-магазины и развиваем систему управления бизнесом Аспро.Cloud.
Раньше покупатель сам проходил путь: вводил запрос, открывал несколько вкладок, читал характеристики, сравнивал цены и условия доставки — и в итоге выбирал. Интернет-магазин конкурировал за место в выдаче и за то, чтобы человек остался именно на его странице.
Сейчас этот путь берет на себя нейросеть. Покупатель пишет «посудомойка для семьи» — ИИ при необходимости уточняет бюджет и задачу, а потом выдает готовую подборку: несколько вариантов из разных магазинов с ценами, характеристиками и условиями доставки. Без единого клика по сайтам.
Нейроответы уже охватывают 68% информационных запросов в Яндексе. Органический трафик сокращается: информационные сайты потеряли треть посещаемости с начала 2025 года. Для магазинов картина другая: те, чьи карточки нейросеть берет как источник, получают покупателей, которые уже определились с выбором. Остальные из этого сценария выпадают.
В статье разбираю, почему большинство карточек нейросеть игнорирует, что нужно исправить и как отслеживать результат.
Что такое GEO и AEO применительно к ecommerce
Помимо классического SEO, сегодня говорят еще о двух подходах. AEO — оптимизация под быстрые ответы прямо в поисковике: нулевая позиция, голосовые ассистенты, блоки FAQ. GEO — оптимизация под ИИ-чаты вроде ChatGPT, Perplexity или Claude: задача сделать страницу источником, который нейросеть процитирует в своем ответе.
Различия подходов к оптимизации сайта
Что это значит? Для ecommerce важны смешанные запросы, где пользователь уже близко к покупке, но просит помочь с выбором:
«какой пылесос взять в квартиру с котом и коврами до 15 000»;
«сравни Bosch MCM3501M и Philips HR7510»;
«что лучше для дачи: электрический или бензиновый триммер»;
«кухонный комбайн для теста и нарезки овощей».
Именно на таких запросах карточки, категории, подборки и FAQ попадают в нейроответ — или не попадают.
Упрощенно процесс работает так: пользователь задает запрос → система ищет релевантные документы → из них извлекаются ключевые данные — товар, бренд, цена, характеристики, наличие, отзывы → модель сравнивает источники и синтезирует ответ. В ответ попадают не целые страницы, а конкретные фрагменты — наиболее точные, полные и проверяемые.
Задача магазина — дать нейросети достаточно данных, чтобы та могла использовать карточку как источник. Система должна однозначно понять: что за товар, кому подходит, сколько стоит, есть ли в наличии и почему ему можно доверять.
Чеклист карточки, которую видит ИИ: что проверить и исправить
1. Полное название
Проблема: в H1 написано «Пылесос Samsung» — для человека в каталоге достаточно, для нейросети нет.
Решение: Тип + бренд + модель + ключевая модификация + важный параметр + цвет/размер/объем. Плохо: «Пылесос Samsung». Хорошо: «Пылесос Samsung VC18M3120, 1 800 Вт, контейнер 2 л, сухая уборка, синий».
2. Описание под сценарий
Проблема: описание скопировано у производителя — маркетинговый текст не отвечает на вопрос «кому подходит и для какой задачи».
Решение: Для кого/какой задачи → ключевые свойства → практическая польза → ограничения. Пример: «Подойдет для сухой уборки квартиры с коврами и домашними животными. Турбощетка собирает шерсть с мягкой мебели. Влажная уборка не предусмотрена.»
3. Характеристики в HTML
Проблема: подгружаются через JavaScript, спрятаны в табах — часть ИИ-систем такой контент не видит.
Решение: таблица в исходном HTML, единицы измерения единообразные — Вт, не «ватт» вперемешку с «W».
4. Цена и наличие
Проблема: одна цена на странице, другая в микроразметке, третья в фиде — для генеративной системы это сигнал недоверия.
Решение: цена конечная и единая везде. Наличие однозначно: InStock, OutOfStock, PreOrder. Не «уточняйте у менеджера».
5. Доставка и самовывоз
Проблема: карточка не отвечает на вопрос «есть ли доставка завтра в СПб».
Решение: указать регионы, сроки, стоимость или условия бесплатной доставки, ПВЗ, ограничения по крупногабариту.
6. Отзывы и рейтинг
Проблема: нет отзывов, или абстрактные — «Отличный товар!» без даты и автора не считается.
Решение: уникальные отзывы с датами, плюсами и минусами. Рейтинг совпадает с видимым на странице.
7. FAQ на карточке
Проблема: пользователь спрашивает «подойдет ли для индукционной плиты» — карточка молчит, нейросеть берет источник, где ответ есть.
Решение: FAQ закрывает вопросы по совместимости, гарантии, возврату, расходникам, выбору размера. Размечать отдельно, размещать ближе к основной информации.
8. Сравнение с аналогами
Проблема: ИИ часто отвечает сравнением, а магазин никак это не контролирует.
Решение: таблица отличий — эта модель vs предыдущая, vs старшая в линейке, vs конкурентный аналог. Блок «кому подойдет / кому не подойдет».
9. Единообразие названий
Проблема: товар называется «смартфон Apple» в одном месте, «Айфон» в другом, «iPhone 15 128» в третьем — модель может не собрать это в одну сущность.
Решение: одно каноническое название везде — в H1, title, разметке, фиде.
10. Schema.org-разметка
Проблема: нет разметки или она неполная — нейросеть вынуждена угадывать данные из текста.
Решение: базовый минимум — Product + Offer. Расширенный: + AggregateRating + Review + BreadcrumbList. Для вариантов товара — ProductGroup + Offer на каждый вариант. Разметка совпадает с видимым контентом.
11. Технические проблемы с индексацией
Проблема: robots.txt, noindex, пагинация с параметрами, дубли, lazy-load — если страницу не видит робот, ее не увидит и нейросеть.
Решение: стандартный SEO-аудит технической доступности — здесь GEO не добавляет новых требований, но усиливает цену ошибки.
Мы видим одну и ту же картину у клиентов: магазины, у которых карточки написаны под сценарии использования и есть нормальный FAQ, попадают в нейровыдачу значительно чаще. Размер каталога при этом почти не важен. Имеет значение точность данных: полное название, актуальная цена, синхронизированная разметка. Один магазин с 300 хорошо проработанными карточками вытесняет крупного конкурента из ответа нейросети на конкретный запрос — просто потому что его карточка отвечает на задачу, а не просто описывает товар
Если хотите быстро проверить свой сайт на ошибки без погружения в детали — пройдите диагностику по короткому чеклисту за 5 минут.
Schema.org для товарной карточки: от минимума до полного варианта
Schema.org — стандарт семантической разметки, который позволяет поисковикам и ИИ-системам читать данные о товаре не из текста, а из структурированного кода. Если карточка размечена правильно, нейросети не нужно угадывать цену, наличие или производителя — все это указано явно в машиночитаемом формате. Ниже — два варианта реализации: минимальный, который закрывает базовые требования, и расширенный — с рейтингом, отзывами и характеристиками.
Минимальная структура в JSON-LD:
{
"@context": "https://schema.org",
"@type": "Product",
"name": "Пылесос Samsung VC18M3120, 1 800 Вт, контейнер 2 л, синий",
"description": "Пылесос для сухой уборки квартиры с коврами и домашними животными.",
"sku": "VC18M3120-SB",
"brand": { "@type": "Brand", "name": "Samsung" },
"offers": {
"@type": "Offer",
"price": "12990",
"priceCurrency": "RUB",
"availability": "https://schema.org/InStock"
}
}Расширенный вариант — с характеристиками, рейтингом и отзывами:
{
"@context": "https://schema.org",
"@type": "Product",
"name": "Пылесос Samsung VC18M3120, 1 800 Вт, контейнер 2 л, синий",
"sku": "VC18M3120-SB",
"brand": { "@type": "Brand", "name": "Samsung" },
"image": ["https://example.ru/upload/products/samsung-front.jpg"],
"additionalProperty": [
{ "@type": "PropertyValue", "name": "Мощность", "value": "1 800 Вт" },
{ "@type": "PropertyValue", "name": "Тип уборки", "value": "Сухая" },
{ "@type": "PropertyValue", "name": "Объём контейнера", "value": "2 л" }
],
"offers": {
"@type": "Offer",
"url": "https://example.ru/catalog/pylesosy/samsung-vc18m3120/",
"price": "12990",
"priceCurrency": "RUB",
"availability": "https://schema.org/InStock",
"itemCondition": "https://schema.org/NewCondition"
},
"aggregateRating": {
"@type": "AggregateRating",
"ratingValue": "4.7",
"reviewCount": "128"
},
"review": [{
"@type": "Review",
"author": { "@type": "Person", "name": "Анна" },
"datePublished": "2026-03-14",
"reviewBody": "Хорошо собирает шерсть с ковра, контейнера хватает на несколько уборок.",
"reviewRating": {
"@type": "Rating",
"ratingValue": "5",
"bestRating": "5",
"worstRating": "1"
}
}]
}Вручную прописывать JSON-LD для каждой карточки в большом каталоге — задача нереальная. Готовые решения Аспро на базе «1С-Битрикс» генерируют Schema.org-разметку типа Product автоматически для каждой карточки товара. При выгрузке каталога из 1С товары сразу получают разметку — без ручной работы.
Важный нюанс: автогенерация закрывает базовую структуру, но мелкие ошибки случаются — особенно в синхронизации цены и наличия. После подключения стоит прогнать несколько карточек через валидаторы и убедиться, что данные в разметке совпадают с видимым контентом.
Проверять разметку нужно через Rich Results Test и Валидатор микроразметки Яндекса.
Как товары попадают в ответы ИИ
Яндекс. Для магазинов на 1С-Битрикс подключение к Алисе и нейроответам Яндекса упрощается через Yandex Commerce Protocol (YCP). Готовый модуль берет данные каталога и передает их в экосистему Яндекса — после этого карточки товаров начинают появляться в диалоге с ИИ, а пользователь может оформить заказ прямо там, не переходя на сайт.
Google. Товары попадают в AI Overview через Google Merchant Center: магазин загружает фид с актуальными ценами, наличием и характеристиками. Чем точнее и полнее данные — тем выше шанс появиться в ответе. Для магазинов на 1С-Битрикс есть готовые модули выгрузки фида в Merchant Center.
Другие генеративные нейросети. Для остальных ИИ нужно также загружать товарные фиды в Яндекс и Google и не закрывать доступ для ботов.
Как отслеживать присутствие в нейровыдаче
Для аналитика стандартных позиций в топ-10 больше недостаточно. Нужен отдельный GEO-мониторинг. Вот вам 5 новых метрик:
Prompt Win Rate — доля тестовых промптов, в ответах на которые упоминается ваш сайт, бренд или товар. Формула: Prompt Win Rate = упоминания / общее количество промптов × 100%
Citation Rate — доля ответов, где есть ссылка на ваш сайт как на источник.
Product Inclusion Rate — доля ответов, где конкретный товар попал в подборку.
Attribute Accuracy — насколько корректно нейросеть передала цену, наличие, характеристики и условия доставки.
Competitor Overlap — кто из конкурентов попадает в ответы по тем же промптам.
Примеры тестовых промптов:
«Какой пылесос выбрать для квартиры с кошкой и коврами до 15 000 рублей?»
«Сравни Bosch MCM3501M и Philips HR7510»
«Кухонный комбайн для теста и нарезки овощей»
«Офисное кресло с доставкой по Москве завтра»
«Электрический или бензиновый триммер для дачи 6 соток — что выбрать?»
«Смартфон до 30 000 рублей с хорошей камерой и NFC»
Мы используем несколько сервисов для отслеживания метрик:
Яндекс Вебмастер. На странице «Видимость Сайта в Алисе AI» можно посмотреть долю запросов с упоминанием сайта, а также сами запросы, в которые попадают страницы.
Bing для просмотра упоминаний в ИИ Microsoft.
Яндекс Метрика. Самый универсальный способ отслеживаний переходов по ссылкам из ИИ.
Мы фиксируем результаты в таблице: дата, платформа, промт, ответ, упоминания, ссылки, конкуренты, ошибки в данных, что доработать. Мониторинг нужен регулярно — раз в 1–2 недели. Нейроответы меняются без уведомления: сегодня карточка в подборке, после переиндексации — нет.
Вывод
Генеративный поиск не отменяет классическое SEO — он повышает планку качества карточки. Теперь важно не только привлечь пользователя на страницу, но и сделать так, чтобы сама страница стала надежным источником данных для нейросети.
Для интернет-магазина это инженерная задача: нормализовать названия, структурировать характеристики, синхронизировать цены и наличие, собрать реальные отзывы, добавить раздел вопросов и ответов (FAQ), разметить Schema.org.
Если человек, поисковый робот и ИИ-ассистент одинаково понимают, что это за товар, кому он подходит и почему ему можно доверять, — у страницы есть шанс попасть не только в выдачу, но и в сам ответ.