AI-термины: глоссарий понятий AI-поиска и GEO

AEO (Answer Engine Optimization)

Answer Engine Optimization — это практика оптимизации контента так, чтобы AI-системы ответов выбирали его источником прямого ответа. Она тесно связана с GEO, но с упором на то, чтобы быть тем самым ответом, а не одной из десяти синих ссылок.

Agent (AI agent)

AI-агент — это система, которая использует языковую модель, чтобы совершать действия: вызывать инструменты, ходить по сайтам или выполнять многошаговые задачи, — а не просто возвращать текст. Именно поэтому важны протоколы вроде MCP: агентам нужен безопасный стандартный способ добираться до внешних данных и сервисов.

AI Mode

AI Mode — это разговорный поисковый режим Google с ответами, сгенерированными AI, где чат-интерфейс сразу отвечает на уточняющие вопросы. Показы внутри AI Mode нельзя измерить так, как классические позиции, но клики, которые он приносит, можно отследить в аналитике.

AI Overview

AI Overview — это сгенерированная AI сводка, которую Google размещает над многими результатами поиска, опираясь на несколько источников и ссылаясь на них. Попасть в число этих источников — одна из главных целей GEO.

Answer engine

Система ответов (answer engine) — это любая система, которая отвечает на запрос синтезированным ответом, а не списком ссылок: сюда подходят ChatGPT, Perplexity, Gemini и AI Overviews от Google. Термин задаёт рамку стратегического сдвига, стоящего за AEO.

B

Brand mention monitoring

Мониторинг упоминаний бренда в AI-поиске — это отслеживание того, когда, где и как AI-системы называют ваш бренд в своих ответах. Это фундамент любой стратегии видимости в AI: нельзя улучшить то, чего вы не видите.

C

Chunking

Чанкинг — это разбиение контента на более мелкие фрагменты, чтобы система извлечения могла проиндексировать и достать самый релевантный кусок. Ясная структура — короткие разделы, описательные заголовки, самодостаточные абзацы — делает контент проще для разбиения и извлечения.

Citation

AI-цитирование — это ссылка на ваш сайт или бренд внутри ответа, сгенерированного AI: она показывается как источник со ссылкой, сноска или упоминание в тексте. Цитирования для AI-поиска — то же, что позиции для классического SEO: единица видимости, за которую вы боретесь.

Источник: Seer Interactive.

Crawler (AI crawler)

AI-краулер — это бот, которым управляет AI-компания, чтобы собирать веб-контент для обучения или извлечения в реальном времени: например, GPTBot, ClaudeBot, Google-Extended или PerplexityBot. Ваш robots.txt определяет, кому из них можно заходить на сайт.

E

Embedding

Эмбеддинг — это числовое представление текста (или изображений), которое передаёт смысл в виде списка чисел, чтобы модель могла измерить, насколько похожи два фрагмента контента. На эмбеддингах держатся семантический поиск и извлечение внутри AI-систем.

Entity

Сущность (entity) — это отдельный, однозначно определяемый объект: человек, бренд, продукт или место, — который системы отслеживают и связывают в графе знаний. Признание вас чёткой сущностью помогает AI-системам связывать ваш бренд с нужными темами и уверенно его упоминать.

F

Fine-tuning

Fine-tuning — это дообучение базовой модели на узком наборе данных, чтобы специализировать её поведение или знания. Это не то же самое, что извлечение: fine-tuning встраивает информацию в саму модель, а извлечение достаёт её в момент ответа.

G

GEO (Generative Engine Optimization)

Generative Engine Optimization — это дисциплина, в которой вы оптимизируете свой контент и присутствие бренда так, чтобы генеративные AI-системы упоминали и цитировали вас. Она расширяет SEO на ChatGPT, Gemini, Perplexity и AI Overviews.

Grounding

Grounding — это когда AI-система строит ответ на извлечённых, проверяемых источниках, а не только на обученных параметрах. Именно такие ответы чаще всего содержат цитирования, и именно поэтому так важно быть доступным для извлечения и заслуживающим доверия источником.

H

Hallucination

Галлюцинация — это уверенное, но ложное или выдуманное утверждение, которое выдаёт AI-модель. Сильный, хорошо структурированный и пригодный для цитирования контент снижает шанс, что система придумает детали о вашем бренде вместо того, чтобы взять верные факты.

K

Knowledge graph

Граф знаний — это структурированная карта сущностей и связей между ними. AI-системы опираются на графы знаний, чтобы различать бренды и решать, каким фактам о вас доверять.

L

LLM (Large Language Model)

Большая языковая модель — это AI-модель, обученная на огромных объёмах текста предсказывать и порождать язык; это движок, стоящий за ChatGPT, Claude, Gemini и другими. В конечном счёте на ней работает всё в AI-поиске.

llms.txt

llms.txt — это предлагаемый текстовый файл, который указывает AI-моделям на ваш самый важный контент в чистом структурированном виде. Практика его применения только складывается, и он не заменяет качественный, доступный для сканирования контент.

M

MCP (Model Context Protocol)

Model Context Protocol — это открытый стандарт, который позволяет AI-ассистентам единообразно подключаться к внешним инструментам и источникам данных. Именно так модель может безопасно обратиться к сервису вроде SEOcrawl AI и получить актуальные SEO-данные, а не гадать по обучающим данным.

Multimodal

Мультимодальность описывает модель, которая умеет обрабатывать больше одного типа входных данных — текст, изображения, аудио или видео — в рамках одной системы. Поэтому AI-системы теперь читают скриншот или график, а не только слова.

P

Prompt

Промпт — это инструкция или вопрос, который вы даёте AI-модели, чтобы получить ответ. В AI-поиске промпты, которые набирают реальные пользователи, — это и есть запросы, по которым вы хотите показываться.

Prompt tracking

Отслеживание промптов — это наблюдение за тем, как AI-системы отвечают на заданный набор промптов во времени: какие бренды они упоминают, какие источники цитируют и как это меняется. Это аналог отслеживания позиций для AI-поиска.

Q

Query fan-out

Query fan-out — это приём, при котором AI-система разбивает один вопрос пользователя на несколько подзапросов, выполняет их параллельно и сводит результаты в один ответ. Понимание этого объясняет, почему полное раскрытие темы работает лучше, чем нацеливание на одну точную фразу.

R

RAG (Retrieval-Augmented Generation)

RAG — это архитектура, в которой модель извлекает релевантные документы в момент ответа и использует их, чтобы сгенерировать обоснованный ответ со ссылками на источники. Большинство сценариев AI-поиска — это та или иная разновидность RAG, и потому быть доступным для извлечения — это и есть вся игра.

Reranking

Реранкинг — это второй проход, на котором извлечённые фрагменты переупорядочиваются по релевантности до того, как модель напишет ответ. Это одна из причин, почему самый полезный, точно подходящий фрагмент часто выигрывает у просто популярного.

S

Share of AI voice

Доля голоса в AI — это процент ответов AI по теме или набору промптов, в которых появляется ваш бренд, по сравнению с конкурентами. Это главная метрика для измерения видимости в AI и сравнения с соперниками.

T

Token

Токен — это единица текста, которую модель читает и порождает, примерно слово или часть слова. Токены важны, потому что задают пределы контекста модели и стоимость её работы.

Training data

Обучающие данные — это массив текста и другого контента, на котором модель училась до запуска. Если ваш бренд и факты о нём хорошо представлены по всему вебу, они с большей вероятностью отразятся в том, что модель уже «знает».

V

Vector database

Векторная база данных хранит эмбеддинги и находит ближайшие к запросу совпадения по смыслу, а не по точным ключевым словам. Это движок извлечения, стоящий за семантическим поиском и большинством RAG-систем.

Z

Zero-click

Zero-click — это результат, при котором пользователь получает ответ прямо в интерфейсе и так и не заходит на сайт. Ответы AI подняли долю zero-click, и поэтому видимость внутри ответа — цитирования и упоминания — теперь значит не меньше, чем клик.