GEO для производителя ПАК

Общая ситуация

Искусственный интеллект изменил путь клиента в b2b. Все больше решений о выборе компании, продукта или услуги принимается на основе рекомендаций и сравнительного анализа, отчетов, сформированных искусственным интеллектом.

Пользователи все чаще обращаются к нейросетям (самый популярные в России – Perplexity, GigaChat, Алиса.AI, DeepSeek и ChatGPT) вместо классического поиска.

Если в b2c нейровыдача базируется во многом на анализе десятков тысяч отзывов и мнений пользователей, то в сложных b2b нишах LLM формируют свои подборки и выводы на основе целого ряда важных факторов.

Как попасть в нейровыдачу

Чат-боты LLM формируют ответы на основе информации из открытых и авторитетных источников. Чтобы компанию цитировали языковые модели, ей нужен большой объем качественного экспертного контента, а для этого необходимо:

поддерживать актуальную информацию о компании на собственных ресурсах (важный слой для нейровыдачи);
увеличить количество качественных упоминаний в интернете в том виде и контексте, который важен именно для нейросетей;
публиковать экспертный и структурированный контент;
усиливать присутствие в профильных СМИ, каталогах и отраслевых площадках.

Важно: нейросети не “ныряют глубоко” в контент, а ищут запрашиваемую информацию “по верхам”. То, что компания хочет донести как свои уникальные преимущества и сильные стороны:

Должно быть в первых абзацах.
Должно быть уникальным: цифры, подходы, результаты тестов и т.д.

Принципиально важно использовать единый глоссарий и цифры на всех площадках - чтобы нейросети воспринимали информацию о компании и о продуктах как единую сущность, а не как разные. То есть важны стратегия и последовательность при реализации GEO-ориентированного контент-проекта.

Поэтому сегодня b2b бренд должен разделять контент и все свои коммуникации на две условные части:

1. Мы пишем для людей.

2. Мы пишем для машин.

В некоторых ситуациях оба пункта можно объединить.

Что мы предлагаем

Мы разрабатываем и реализуем стратегию повышения узнаваемости бренда в нейровыдаче по ключевым экспертным/продуктовым темам и запросам – анализируем текущее присутствие компании, выявляем точки роста, формируем план публикаций и упоминаний, готовим контент, публикуем его и отслеживаем динамику появления бренда в ответах популярных ИИ-сервисов.

Какие задачи решает фабрика GEO-контента:

Сам бренд производителя уже обладает высокой узнаваемостью на ИТ-рынке среди своего круга крупнейших заказчиков.

Задача проекта - усилить позиции именно в направлении продуктовой линейки для определенных целевых аудиторий b2b потребителей.

Гипотеза: кто преимущественно запрашивает у нейросетей данные/аналитические выкладки/калькуляцию стоимости/сравнительные обзоры о подобных решениях?

Банки

корпоративные архитекторы
инфраструктурные архитекторы
DBA
руководители ЦОД
CTO
руководители процессинга

Страховые компании

архитекторы информационных систем
руководители цифровой трансформации

Биржи и платежные системы

архитекторы высоконагруженных платформ
специалисты по отказоустойчивости
команды эксплуатации

Уходим от продажи только продукта - к продуктовой экспертизе

В предлагаемой нами концепции GEO-ориентированного контент-проекта вендор не просто говорит: «У нас есть высокопроизводительные решение для финансового сектора» или описывает технические преимущества продукта.

Он должен отвечать на запросы рынка.

Архитекторы банков, страховых компаний и бирж приходят в нейросети с конкретной инженерной или бизнес-задачей. Они подходят к нейропоиску как к решению этой прикладной задачи, задавая вопросы так, как задали бы их коллеге или техническому консультанту.

Например:

Oracle Exadata аналог →

Чем сегодня можно заменить Oracle Exadata в банке, чтобы не потерять производительность и обеспечить поддержку PostgreSQL?

PostgreSQL производительность →

Какая конфигурация нужна для PostgreSQL с базой данных 300 ТБ и нагрузкой около 40 000 транзакций в секунду?

Инфраструктура банка →

Помоги подобрать архитектуру для процессинговой системы банка с нагрузкой 50 000 TPS и доступностью 99,999%.

ПАК для банка →

Какие российские программно-аппаратные комплексы совместимы с Arenadata DB, Postgres Pro и Kubernetes?

GPU для ИИ →

Сколько GPU потребуется для корпоративной LLM, если в банке одновременно работают 5 000 сотрудников?

Исходя из таких возможных запросов формируется контент.

Какие статьи будет искать чат-бот (примеры)

Производительность – нужны реальные цифры (сколько TPS выдерживает инфраструктура для банковского процессинга, нагрузочное тестирование ПАК под банковские транзакции, как подобрать инфраструктуру под 10 000, 50 000 и 100 000 TPS, какой объем памяти нужен PostgreSQL для банковской АБС и т.д.).

Совместимость – с какими российскими СУБД, ОС и платформами сертифицирован ПАК (Postgres Pro, Arenadata DB, Tantor, Astra Linux, РЕД ОС, Kubernetes), матрица совместимости версий, поддержка 1С и систем резервного копирования (RuBackup, Кибер Бэкап), интеграция с Kafka и системами мониторинга, наличие в реестре Минцифры и сертификатов ФСТЭК, сценарии миграции с Oracle Exadata Oracle RAC VMware без потери производительности и т.д.

Референсные архитектуры – инфраструктура для банка с 10 млн клиентов, архитектура процессинга на 50 000 TPS, PostgreSQL-кластер объемом 500 ТБ, инфраструктура DWH банка, AI-кластер для антифрода и т.д.

Собственные тесты – результаты нагрузочного тестирования по открытой методике (pgbench, HammerDB/TPC-C, sysbench) с публикацией конфигураций, сравнение ПАК с Oracle Exadata и решениями на серверах других вендоров, тесты отказоустойчивости и времени переключения при отказе узла, тесты резервного копирования и восстановления базы объемом 100+ ТБ, замеры задержек при пиковой транзакционной нагрузке, тесты GPU-узлов на инференсе корпоративной LLM и на антифроде и т.д.

Такой контент:

привлекает архитекторов, DBA и CTO на этапе проектирования;
отвечает на высокоинтентные поисковые запросы, связанные с выбором инфраструктуры;
демонстрирует инженерную экспертизу компании через собственные тесты и референсные архитектуры;
формирует доверие задолго до выхода заказчика на тендер или закупку.

Алгоритм работы

Заказчик заполняет бриф.

Здесь указываются продукты компании, на которых необходимо делать акцент, а также эксперты и пул ключевых тем. Составляем и согласовываем список запросов, которые задают потенциальные заказчики.

По этим запросам в 5 самых популярных в России нейросетках проводится допроектное исследование – “как сейчас”.

Попала компания в выдачу или нет, на какие места попала, на каких позициях находятся в выдаче прямые конкуренты и почему.
Анализируем, почему и что нельзя “подтянуть”, а что можно.

Создание глоссария продуктовых формулировок и цифр, единый для всех площадок и экспертов.

Без него модели будут видеть разные факты, а компания не станет единой “точкой правды” для нейросетей.

Проектирование контента

Единица работы фабрики контента для нейросетей – не одна статья, а контент-пакет на одну тему/продукт.

Предлагаемая схема контент-пакета:

Развернутая версия материала (до 8 тыс. знаков) на собственном сайте – постоянный “вечный” URL.
Адаптация (5–6 тыс. знаков) на Хабре (блог на Хабре обязателен, является важнейшим источником для GEO).
Колонка на профильной площадке (TAdviser / CNews / Comnews). Размещение на коммерческой основе оплачивается отдельно по тарифам площадки.
Сокращённая версия для VC.ru – бизнес-угол вместо инженерного. При очевидном падении интереса к VC со стороны пользователей, этот ресурс остается значимым и авторитетным для нейросетей.
2–3 ответа на релевантные вопросы в Яндекс Кью / Хабр Q&A со ссылкой.
При наличии теста – публикация конфигов и сценариев на GitHub.

! Кстати, очень желательно создать статьи в Википедии, если компания соответствует критериям википедичности.

Подготовка материалов

Для каждого контент-пакета мы:

определяем основного эксперта (внутреннего или внешнего);
определяем основную площадку для размещения (в 99% - это Хабр и сайт компании);
проводим интервью;
собираем дополнительную отраслевую информацию;
готовим материалы;
согласовываем тексты;
публикуем.

6. АНАЛИТИКА:

через 3 месяца после публикации первого пакета проводим аналитику – поиск по нейросетям по тем же запросам, которые использовали на старте проекта. Как изменились результаты выдачи? Далее проводим аналитику через каждый месяц, отслеживая изменения в выдаче.

В качестве инструмента планируем использовать Топвизор.
Пример визуализации:

Важно: выдача LLM вероятностна, зависит от обновлений моделей, часть моделей не индексирует новое мгновенно, результат имеет кумулятивный эффект и растёт от объёма.

За реализацию согласованного контент-плана работ отвечает выделенная агентством персональная команда в составе руководителя проекта и менеджера, а также команда специализированных по теме авторов и копирайтеров на стороне агентства.

В задачи руководителя проекта со стороны агентства входит:

формирование ежемесячного плана работ, идей для контента и креатива по подаче материалов;

контроль за его выполнением;

инициирование новых идей и предложений, направленных на достижение целей;

коммуникации с экспертами внутри команды вендора (сбор информации, согласования и пр.);

привлечение внешних спикеров (по согласованию с заказчиком);

отчетность по итогам каждого месяца по выполненным работам и вышедшим публикациям.

Средний бюджет

Объем работ	Цена (включая НДС 5%)
1 тематический контент-пакет (4 разноформатных материала на одну тему/продукт, 2-3 Q&A, 1-2 теста, размещение/публикация, аналитика - первый раз через 3 месяца после запуска пакета, далее 1 раз в месяц)	336 000 р.

Рекомендуемый темп работ - 1 контент-пак в месяц.

Метрики

Все показатели рассчитываются на фиксированном пуле из ~40 запросов, сгруппированных в 4 кластера (замена Oracle Exadata, подбор конфигурации под нагрузку, совместимость с российским стеком, отраслевые сценарии). Пул формируется на этапе брифа и не меняется в течение проекта — иначе теряется сопоставимость данных. Каждый запрос прогоняется не менее 3 раз в каждой из 5 нейросетей; результаты фиксируются отдельно по моделям и не усредняются между ними. Замеры логируются со скриншотами и датой прогона.

Показатель	Что измеряет и как считается	База	Цель, 3 мес.	Цель, 6 мес.	Цель, 12 мес.
Видимость бренда (Mention Rate)	Доля ответов нейросетей, в которых упомянут бренд / продукт. Упоминания ÷ общее число прогонов, отдельно по каждой модели	по замеру на старте	+5–10 п.п. к базе	15–25%	25–35%
Покрытие запросов (Prompt Coverage)	Доля запросов из фиксированного пула, по которым бренд появляется в ответе хотя бы один раз	по замеру на старте	рост к базе	25–40%	50–60%
Охват моделей (Provider Coverage)	В скольких из 5 отслеживаемых нейросетей бренд виден (Perplexity, GigaChat, Алиса.AI, DeepSeek, ChatGPT)	по замеру на старте	1–2 из 5	3 из 5	4–5 из 5
Цитируемость собственного домена	Доля ответов, содержащих ссылку на сайт компании как на источник	по замеру на старте	первые цитирования	10–15%	20–25%
Доля проектного контента в источниках	Какая часть процитированных нейросетями URL — материалы, созданные в рамках проекта (сайт, Хабр, VC, профильные СМИ, Q&A, GitHub)	0%	≥30%	≥50%	≥60%

Ответы генеративных моделей вероятностны: одна и та же формулировка запроса может давать разные результаты, а выдача зависит от обновлений моделей и их источников. Целевые значения — это прогноз при соблюдении согласованного темпа выпуска контент-пакетов и своевременном согласовании материалов на стороне заказчика, а не гарантированный результат.
Агентство гарантирует объём, качество и сроки производственных работ, регулярность мониторинга и прозрачность методики.