Глоссарий GEO и AEO для B2B-маркетолога

Почему словарный запас решает всё

Представьте, что вы пытаетесь управлять рекламной кампанией в Google Ads, не зная, что такое CTR, Quality Score и ставка за клик. Именно в такой ситуации сегодня находится большинство B2B-маркетологов относительно ИИ-поиска.

Генеративные системы — ChatGPT с веб-доступом, Perplexity, Google AI Overviews, Microsoft Copilot — уже сейчас отвечают на миллионы коммерческих запросов в день. И в отличие от классической поисковой выдачи, здесь нет «позиции номер один». Есть либо цитирование, либо отсутствие.

Чтобы попасть в ответ, нужно понимать, по каким правилам ИИ выбирает источники. А правила эти описываются конкретными терминами.

LLM: предсказатель токенов, которому нужны ваши данные

LLM (Large Language Model) — большая языковая модель — это нейронная сеть, обученная на гигантских массивах текста. Технически она делает одно: предсказывает следующий токен (слово или часть слова) на основе предыдущего контекста.

Звучит просто, но за этим стоит принципиальное ограничение: модель знает только то, что было в обучающей выборке. GPT-4 обучался на данных до определённой даты — всё, что произошло после, для неё не существует. Ваш новый продукт, ваш кейс, ваши актуальные цены — ничего этого в весах модели нет.

Именно поэтому современные ИИ-ассистенты используют RAG — они дополняют статичные знания модели живыми данными из интернета. И вот тут начинается зона влияния маркетолога.

Практический вывод из понимания RAG прямолинеен: контент нужно писать так, чтобы отдельный абзац мог стать самодостаточным ответом на конкретный вопрос. Не «вода» на три экрана, а плотные, фактурные блоки с чёткими утверждениями.

Именно поэтому в GEO-оптимизации так ценятся FAQ-разделы, структурированные определения, числовые данные и Schema Markup — всё это повышает вероятность того, что RAG-система выберет именно ваш фрагмент как источник.

Эмбеддинги: математика, которая решает, похож ли ваш текст на вопрос

Векторные эмбеддинги (Embeddings) — это способ представить текст в виде числового вектора в многомерном пространстве. Каждое слово, предложение или абзац превращается в набор координат — например, 1536 чисел для модели OpenAI text-embedding-3-large.

Смысл в том, что семантически близкие тексты получают близкие координаты. «Стоимость внедрения CRM» и «цена CRM-системы» окажутся рядом в векторном пространстве — даже если в них нет ни одного общего слова. Именно поэтому RAG-поиск работает по смыслу, а не по ключевым словам.

Для маркетолога это означает: ваш контент должен семантически покрывать вопросы, которые задают потенциальные клиенты. Не «набивать» страницу ключевыми словами, а отвечать на реальные вопросы полными, содержательными предложениями.

Важно понять: галлюцинации — это не баг, который разработчики скоро «починят». Это фундаментальное свойство вероятностных моделей. Единственный способ управлять ими применительно к своему бренду — обеспечить высокую плотность верифицированных данных в публичном пространстве.

Чем больше согласованных, структурированных фактов о вашей компании доступно для RAG-извлечения, тем меньше пространства у модели для «творческого домысливания».

Граф знаний: как ИИ понимает, кто вы такие

Knowledge Graph (граф знаний) — это структурированная база данных сущностей (компаний, людей, продуктов, концепций) и связей между ними. Google Knowledge Graph, Wikidata, Freebase — всё это примеры таких графов.

Когда ИИ-система обрабатывает запрос «лучшие CRM для логистики», она не просто ищет текст — она работает с сущностями. Если ваша компания представлена в графе знаний как сущность с чёткими атрибутами (отрасль, продукт, целевая аудитория, связи с другими сущностями), модель с большей вероятностью включит её в релевантный ответ.

Для B2B-брендов это означает: наличие актуальной страницы в Wikidata, корректный Google Business Profile, упоминания в отраслевых базах данных и справочниках — всё это не «про SEO», это про то, существуете ли вы как сущность для ИИ.

Таблица выше — не просто словарь. Это карта зависимостей: каждый термин описывает конкретный рычаг, на который маркетолог может нажать. Понимание механики — это понимание того, что именно нужно изменить в контент-стратегии, чтобы бренд начал появляться в ответах ИИ.

Brand Mentions в контексте ИИ-поиска — это уже не просто упоминания в блогах и СМИ. Это цитирование в ответах генеративных систем. И в отличие от классических ссылок, здесь нет «PageRank» — есть фактическая релевантность и структурная доступность вашего контента для RAG-извлечения.