Привет! Это команда theLUMA. Сегодня поговорим о том, почему «факторы цитирования» в нейросетях нельзя свести к универсальному чек-листу.
«Факторы цитирования» — удобная рабочая метафора, но не список детерминированных сигналов, по которым все нейросети выбирают источники. У разных AI-систем разные режимы работы: одни могут искать веб-источники во время ответа, другие отвечают без веб-поиска, а конкретная модель, запрос, контекст и доступные источники меняют результат. Поэтому корректнее говорить не о гарантированных факторах, а об условиях и гипотезах, которые повышают шансы источника быть найденным, использованным или процитированным — и которые нужно проверять измерением.
Почему модель «10 факторов цитирования» слишком упрощает реальность
В классическом поиске специалист привык мыслить страницей, запросом и позицией. В ответе нейросети появляется дополнительный слой: система может преобразовать исходный запрос, выполнить несколько поисков, выбрать разные документы, синтезировать ответ и показать не все источники, которые повлияли на формулировку.
Даже внутри одной платформы поведение не обязано быть одинаковым. Google указывает, что AI Overviews и AI Mode могут использовать разные модели и техники, включая разветвление запроса (query fan-out) и извлечение источников из поискового индекса. OpenAI отдельно описывает ChatGPT Search как режим, в котором запрос пользователя может быть переписан в один или несколько поисковых запросов. Без веб-поиска модель может отвечать на основе уже имеющихся у неё знаний.
Отсюда главный вывод: схема «есть фактор → получаем цитату» не работает. Реальная цепочка вероятностная и различается между системами.
Более полезная модель: от запроса до источника
Для практической работы мы предлагаем смотреть на процесс так:
- Запрос и контекст. Что именно хочет пользователь, как сформулирован вопрос, есть ли региональные, временные или продуктовые ограничения.
- Режим системы. Использует ли она веб-поиск или извлечение источников в этом ответе и каким способом.
- Кандидаты-источники. Какие документы доступны и релевантны поисковому слою.
- Синтез ответа. Какие факты и формулировки система использует при генерации.
- Упоминание и цитирование. Будет ли назван бренд, показана ссылка или источник останется неявным.
Каждый переход в этой цепочке вероятностный. Поэтому доля ответов с цитированием источника (Citation Rate) — это наблюдаемая метрика результата, а не доказательство существования единой формулы отбора источников.
Какие условия действительно имеет смысл контролировать
Техническая доступность
Если конкретная AI-функция использует веб-поиск, документ должен быть обнаруживаемым и доступным соответствующему поисковому слою. Для AI-функций Google базой остаются обычные требования поиска: индексация, доступность и право страницы показываться со сниппетом. Это необходимое условие для такого пути извлечения источников, но не гарантия цитаты.
Релевантность и полнота ответа
Источник должен действительно помогать закрыть информационную задачу: давать точные определения, данные, сравнения, ограничения, методологию и контекст там, где это нужно. Это здравый принцип качества источника, а не универсальный «фактор цитирования» с фиксированным весом.
Проверяемость и первичные данные
Для фактических утверждений сильнее материал, в котором понятно, откуда взялись цифры, условия и выводы. Официальные документы, первичные исследования, собственная прозрачная методология и корректные ссылки дают пользователю возможность проверить ответ. Но наличие статистики или цитаты само по себе не гарантирует, что AI-система выберет страницу.
Актуальность там, где она важна
Цены, правила, версии продуктов, функции AI-сервисов и другие меняющиеся сведения требуют свежих источников. Для исторической или фундаментальной темы «самая новая дата» не обязательно означает лучший источник — актуальность зависит от задачи.
Присутствие за пределами собственного сайта
В рекомендационных запросах ответ может опираться не только на сайт бренда, но и на обзоры, каталоги, медиа, форумы, официальные реестры и другие внешние площадки. Поэтому полезно анализировать не абстрактную «авторитетность», а реальные домены, которые регулярно появляются по вашим запросам. Подробнее — в разборе источников ответов нейросетей.
Что нельзя считать доказанным фактором
- определённую длину абзаца или «идеальный блок»;
- FAQ как самостоятельный сигнал цитирования;
- наличие llms.txt;
- одно исследование, показавшее корреляцию в ограниченном наборе систем;
- позицию в топ-10 как гарантию попадания в ответ нейросети;
- внешнее упоминание как гарантированный причинный сигнал;
- один удачный скриншот как подтверждение устойчивой видимости.
Такие элементы могут быть полезны для пользователя или коррелировать с результатом в конкретном эксперименте. Но переносить наблюдение на все модели, запросы и периоды без повторной проверки нельзя.
Как проверять гипотезы о цитируемости
- Собрать стабильный набор запросов для мониторинга по важным пользовательским задачам.
- Зафиксировать базовый замер: упоминания бренда, рекомендации, цитируемые URL и домены, конкурентов.
- Сделать несколько повторных проверок, чтобы увидеть вариативность результата.
- Разделять системы: не объединять ChatGPT, Google, Perplexity и другие продукты в одну «среднюю нейросеть».
- Изменять конкретный слой — контент, техническую доступность или внешние источники — и фиксировать вмешательство.
- Проводить повторный замер тем же протоколом и смотреть на динамику, а не на единичный ответ.
Именно здесь SEO-аудит превращается в мониторинг AI-видимости. Сначала нужно понять, где бренд реально виден, затем диагностировать источники и контент, внести изменение и повторить замер.
От SEO к GEO: что действительно меняется
SEO не исчезает: для AI-функций, использующих поиск или извлечение веб-источников, техническая доступность и поисковая база по-прежнему критичны. Меняется объект измерения. Помимо позиции страницы нужно наблюдать ответ → бренд → конкурентов → источники → контекст → изменение во времени.
Поэтому практический GEO-процесс лучше строить не вокруг чек-листа «факторов цитирования», а вокруг цикла измерить → диагностировать → расставить приоритеты → улучшить → повторно измерить. В theLUMA этот цикл можно начать с регулярного мониторинга. Если данные показывают устойчивый пробел и понятно, где на него можно воздействовать, следующим шагом становится мониторинг + GEO с последующей проверкой результата.
Главный вывод
У AI-поиска нет подтверждённой универсальной таблицы «факторов цитирования». Есть разные системы, разные механизмы извлечения источников, стохастическая генерация и набор наблюдаемых условий, которые можно улучшать и тестировать. Поэтому сильнее не обещание «внедрить 10 факторов», а повторяемый протокол: выбрать важные запросы, выполнить базовый замер, увидеть конкурентов и источники, проверить конкретную гипотезу и повторно измерить результат.
