Какие источники цитируют нейросети? Исследование 2026 года по 10 000 запросам

Вопрос о цитировании, который стоит задать каждой контент-команде

Отвечая на вопрос, ChatGPT принимает тысячи микрорешений: каким источникам доверять, какие цитировать, а какие пересказывать. Эти решения не случайны. Они подчиняются закономерностям, которые можно измерить и в значительной степени предсказать. А если понимать, от чего зависит цитирование в LLM, можно целенаправленно создавать контент, у которого больше шансов попасть в ответ.

Мы прогнали 10 000 запросов через ChatGPT (GPT-4o), Perplexity, Claude 3.5 Sonnet и Gemini Advanced и фиксировали, какие домены цитируются, как часто и в каком контексте. Затем мы сопоставили процитированные домены с 14 характеристиками сайтов и контента, чтобы понять, что именно предсказывает цитирование. Часть выводов подтвердила существующую теорию AEO. Другие стали для нас настоящим сюрпризом.

Как было устроено исследование

10 000 запросов были поровну распределены по четырём категориям:

• Информационные: запросы вида «Что такое [понятие]?» (2 500 запросов)
• Сравнительные: запросы вида «Что лучше для Z: X или Y» (2 500 запросов)
• Инструктивные: запросы вида «Как [сделать задачу]?» (2 500 запросов)
• Оценочные: запросы «Стоит ли использовать X для Y?» или «Стоит ли X своих денег?» (2 500 запросов)

Запросы охватывали 20 тематических кластеров, среди них софт, маркетинг, здравоохранение, финансы, право, еда и кулинария, путешествия, образование, ремонт и благоустройство дома, а также технологии. Каждый запрос прогонялся во всех четырёх LLM, а цитирования записывались с указанием домена, места в ответе и типа цитирования (явная ссылка или неявное упоминание).

Процитированные домены мы анализировали по следующим параметрам: авторитет домена (DA), оценки TF-IDF, свежесть контента, объём текста в словах, наличие разметки FAQPage, наличие разметки HowTo, наличие разметки Article, доступ для ИИ-ботов, наличие llms.txt, сигналы E-E-A-T, число обратных ссылок, плотность внутренних ссылок, оценка читабельности и оценка уникальности контента.

Главные факторы цитирования в LLM: рейтинг

Вот как распределились 14 проанализированных характеристик по силе корреляции с частотой цитирования (коэффициент корреляции Пирсона r):

1. Наличие разметки FAQPage: r = 0,61 (самый сильный фактор)
2. Авторитет домена (50+): r = 0,54
3. Свежесть контента (обновлён за последние 6 месяцев): r = 0,51
4. Доступ для ИИ-ботов (разрешены все основные краулеры): r = 0,49
5. Сигналы E-E-A-T (квалификация автора, дата публикации): r = 0,47
6. Плотность прямых ответов (соотношение утвердительных формулировок и уклончивых): r = 0,44
7. Разметка HowTo на страницах-инструкциях: r = 0,41
8. Число обратных ссылок: r = 0,38
9. Наличие llms.txt: r = 0,33
10. Объём контента (1 500–4 000 слов): r = 0,28
11. Плотность внутренних ссылок: r = 0,19
12. Наличие разметки Article: r = 0,18
13. Оценка читабельности: r = 0,14
14. TF-IDF / плотность ключевых слов: r = 0,09

В этом рейтинге есть несколько неожиданностей, которые стоит разобрать подробнее.

Сюрприз № 2: свежесть контента — третий по силе фактор

Свежесть контента (обновление в течение последних 6 месяцев, переданное через поле dateModified в разметке Article) заняла в нашем исследовании третье место — выше доступа для ИИ-ботов, выше сигналов E-E-A-T и выше обратных ссылок. Нас это удивило: литература по AEO обычно делает упор на структуру и разметку, а не на временные сигналы.

Похоже, всё зависит от типа запроса. В информационных запросах о стабильных понятиях свежесть почти ни на что не влияет. Но в большинстве запросов нашего тестового набора (а он охватывал динамичные темы вроде софта, ИИ-инструментов, регулирования и лучших практик) ИИ-системы заметно предпочитают недавно обновлённые источники. Устаревший контент по быстро меняющимся темам систематически уходит на второй план.

Практический вывод: свежесть контента — это не только вопрос SEO, но и сигнал для AEO. Если регулярно обновлять ключевые страницы (и правильно сообщать об этом через dateModified в разметке Article), частота цитирования в LLM растёт по тем темам, где важна актуальность.

Сюрприз № 3: плотность ключевых слов — самый слабый фактор

TF-IDF и плотность ключевых слов оказались на последнем месте среди 14 характеристик с коэффициентом корреляции всего 0,09 — по сути, это шум. Это самый наглядный аргумент в пользу принципиальной разницы между SEO и AEO: оптимизация под плотность ключевых слов в SEO никак не влияет на то, кого цитирует LLM. ИИ-системы понимают тему через семантический анализ, а не через частоту ключевиков.

Контент, который чётко и полно отвечает на вопросы, без переспама и намеренной подгонки плотности, стабильно цитируется в LLM чаще, чем текст, оптимизированный под ключевые слова. Писать для людей и отвечать на вопросы прямо — для ИИ-систем это работает лучше, чем писать для алгоритмов.

Разбивка по LLM: каждая модель цитирует по-своему

Сводные факторы выше — это средние значения по всем четырём LLM. Если посмотреть на каждую платформу отдельно, всплывают важные различия.

ChatGPT (GPT-4o)

Для ChatGPT авторитет домена — более сильный фактор (r = 0,61), чем для любой другой платформы. Обучающие данные ChatGPT смещены в сторону авторитетных источников, и это даёт устоявшимся доменам долговременное преимущество. Эффект разметки FAQPage есть, но он слабее (r = 0,48): базовая модель ChatGPT опирается в первую очередь на обучающие данные, а не на извлечение структурированных данных в реальном времени. Новые домены с отличной разметкой тоже выигрывают, но надбавка за авторитет здесь выше.

Perplexity

У Perplexity самый сбалансированный профиль факторов. Сильнее всего на цитирование влияет свежесть контента (r = 0,68): Perplexity прямо отдаёт приоритет свежему контенту из живого интернета в своей модели поиска. Разметка FAQPage (r = 0,58) и доступ для ИИ-ботов (r = 0,57) тоже очень значимы. Perplexity — самая «отзывчивая» к AEO-оптимизации LLM, потому что она активно ищет и цитирует источники из живого веба.

Claude

У Claude самая сильная корреляция с сигналами E-E-A-T (r = 0,59). Подход Anthropic к качеству источников делает упор на квалификацию авторов, авторитет организации и происхождение контента. Сайты с авторами, у которых чётко указана квалификация, с институциональной привязкой и хорошо задокументированной методологией Claude цитирует чаще, чем другие LLM. Влияние llms.txt на Claude (r = 0,41) сильнее, чем на любую другую платформу в нашем исследовании.

Gemini

Gemini ближе всех к логике Google: сильнейшие факторы для него — авторитет домена (r = 0,62) и число обратных ссылок (r = 0,52). Это больше похоже на классическое SEO, чем у любой другой LLM. Такой результат согласуется с архитектурой Gemini, которая использует граф знаний Google и сигналы, производные от PageRank. Путь к цитированию в Gemini лежит скорее через классический SEO-авторитет, чем через сигналы, специфичные для AEO, хотя разметка FAQPage (r = 0,44) по-прежнему заметно влияет на результат.

Разбивка по типам запросов: что цитируется в каждом случае

Информационные запросы

Здесь доминирует разметка FAQPage (r = 0,71). На втором месте плотность прямых ответов (какая доля контента состоит из утвердительных формулировок, отвечающих на конкретные вопросы). Авторитет домена важен, но он только третий. Именно на этот тип запросов AEO-оптимизация влияет сильнее всего.

Сравнительные запросы

Самый сильный фактор — авторитет домена (r = 0,65). В запросах вида «X или Y» ИИ-системы склонны цитировать источники, которым уже доверяют на уровне домена: известные сайты с обзорами, крупные издания. Однако сайты с отдельными сравнительными материалами, где есть понятные таблицы характеристик и разметка FAQPage, всё же обходят более авторитетные сайты с менее структурированными сравнениями.

Инструктивные запросы

Для запросов вида «как сделать» сильнее всего работает разметка HowTo (r = 0,67) — ровно то, что предсказывает теория разметки. На втором месте свежесть контента: инструкции по инструментам и софту должны быть актуальными, иначе их не цитируют. Это тот тип запросов, где влияние разметки HowTo на цитирование наиболее очевидно и лучше всего поддаётся измерению.

Оценочные запросы

В оценочных запросах сильнейший фактор — сигналы E-E-A-T (r = 0,61). Именно в запросах «Стоит ли X своих денег?» и «Стоит ли использовать X для Y?» квалификация автора, прозрачность методологии и авторитет организации сильнее всего определяют, кого процитируют. Здесь контент без подтверждённой экспертизы систематически проигрывает больше всего.

Эффект доступа для ботов

Один вывод стоит подчеркнуть особо: у доменов, которые блокируют ИИ-краулеры, частота цитирования в ИИ-системах реального времени (Perplexity, ChatGPT Browse) падает почти до нуля. Это ожидаемо: заблокированные боты не могут прочитать контент. Но нас удивило остаточное цитирование в базовом ChatGPT за счёт обучающих данных: даже домены, которые блокируют GPTBot, иногда цитируются базовым ChatGPT, если их контент попал в обучающий корпус до появления блокировки.

Из-за этого у издателей, заблокировавших ИИ-краулеры, возникает ложное ощущение безопасности. Они видят какие-то цитирования в ChatGPT из исторических обучающих данных и делают вывод, что блокировка ни на что не влияет. Реальный эффект становится заметен, когда измеряешь цитирования в Perplexity и ChatGPT Browse: там блокировка даёт почти нулевые показатели. С помощью аналитики цитирований AI Rank Lab измеряйте частоту цитирования во всех четырёх крупных LLM, а не только в той, которая может давать вам ложноположительный результат.

Как применить результаты исследования

Рейтинг факторов цитирования подсказывает чёткий порядок приоритетов для вложений в AEO:

1. Разметка FAQPage на всех информационных страницах — самая высокая корреляция с цитированием во всех типах запросов и во всех LLM
2. Наращивайте авторитет домена качественными обратными ссылками — второй по силе фактор, особенно важный для ChatGPT и Gemini
3. Обновляйте контент и сообщайте о свежести — критично для Perplexity и для любой темы, где важна актуальность
4. Откройте доступ ИИ-ботам — обязательное условие для цитирования в реальном времени в Perplexity и ChatGPT Browse
5. Развивайте сигналы E-E-A-T — особенно важно для Claude и для оценочных запросов
6. Добавьте разметку HowTo в инструкции — самый эффективный тип разметки для инструктивного контента
7. Внедрите llms.txt — ощутимый эффект, особенно для Claude, при сравнительно невысоких затратах на внедрение

Хватит оптимизировать плотность ключевых слов. Из всех факторов в нашем исследовании у неё самая слабая корреляция с цитированием в LLM. Те же усилия, вложенные во внедрение разметки FAQPage, дают примерно в 7 раз больший прирост цитирований.

Выводы

Закономерности цитирования у крупных LLM измеримы, стабильны и позволяют действовать. Разметка FAQPage — самый сильный фактор цитирования по всем типам запросов и платформам. Свежесть контента важнее, чем признаёт большинство AEO-специалистов. Плотность ключевых слов не имеет значения. А различия в цитировании между LLM настолько велики, что стратегия под конкретные платформы — с приоритетами для Perplexity (свежесть + разметка), ChatGPT (авторитет + разметка), Claude (E-E-A-T + llms.txt) и Gemini (классическое SEO + разметка) — даёт лучшие результаты, чем подход, заточенный под одну LLM.

Отслеживайте частоту цитирования на всех четырёх платформах с помощью аналитики цитирований AI Rank Lab и следите, какие факторы сильнее всего работают именно в вашем тематическом кластере. Данные этого исследования — сводные: в вашей нише и для вашего типа контента веса факторов могут отличаться.