Когда клиент спрашивает у ChatGPT «какой сервис анализа конкурентов лучше выбрать в России», модель называет 3–5 имён. Если вашего бренда там нет — вас фактически нет в этом канале продаж. В статье — пошаговый план попадания в ответы LLM.
Шаг 1. Снять блокировки
Первое, что проверяем — robots.txt. По умолчанию многие сайты блокируют всех неизвестных user-agent правилом Disallow: / для *. AI-боты попадают под это правило и автоматически исключаются.
Откройте /robots.txt вашего сайта и убедитесь, что для GPTBot, ClaudeBot, Google-Extended, PerplexityBot, YandexAdditional, CCBot стоит Allow: /, а не Disallow.
Откройте https://yourdomain.com/robots.txt — если там только User-agent: * и Allow: /, ничего блокировать не нужно. Если есть Disallow: / для *, добавьте явные секции для каждого AI-краулера с Allow.
Шаг 2. Дать моделям машиночитаемый контент
- Создайте /llms.txt с короткой картой сайта в Markdown — это гигиена без подтверждённого эффекта на цитирование (ни один крупный провайдер официально не читает его), но и без вреда.
- Добавьте JSON-LD разметку: Organization, SoftwareApplication, FAQPage, Article, BreadcrumbList — по данным Ahrefs (1885 страниц, контрольная группа) сама разметка тоже не даёт измеримого прироста цитирований, но нужна для Knowledge Graph и Яндекса.
- Главное на этом шаге — не разметка, а доступность контента без JavaScript: откройте view-source и проверьте, что там есть полезный текст, а не пустой div #root. Краулеры OpenAI, Anthropic и Perplexity JavaScript не выполняют.
Шаг 3. Отвечать на конкретные вопросы
LLM ищут не «хорошие тексты», а ответы на конкретные вопросы. Чем чётче на странице сформулирован вопрос и ответ, тем выше шанс цитирования.
Практически это означает: для каждого ключевого запроса в вашей нише на сайте должна быть страница (или раздел) с явным заголовком-вопросом и развёрнутым ответом, оформленным в FAQPage Schema.
- Соберите 30–50 реальных вопросов от потенциальных клиентов (CustDev, чаты поддержки, комментарии).
- Сгруппируйте по темам — обычно получается 5–10 кластеров.
- Под каждый кластер создайте страницу-FAQ или раздел внутри лендинга.
- Для каждого вопроса напишите ответ 50–200 слов — самодостаточный, без отсылок «смотрите ниже».
- Разметьте всё через FAQPage JSON-LD.
Шаг 4. Усилить E-E-A-T
Модели цитируют те источники, которым «доверяют». Доверие складывается из четырёх факторов: опыт автора, экспертиза, авторитетность площадки, достоверность данных.
- Создайте страницу «О компании» с реквизитами (ОГРН, ИНН, юр.адрес), составом команды и историей.
- Подписывайте статьи именами реальных авторов с фото, должностью и кратким bio. Используйте Person Schema.
- Цитируйте авторитетные внешние источники с явными ссылками.
- Указывайте дату публикации и обновления статей.
- Размещайте кейсы с конкретными цифрами и Review Schema.
Шаг 5. Получить внешние упоминания
Модели обучаются на открытых датасетах (Common Crawl, RefinedWeb, FineWeb) и регулярно подтягивают свежие данные через AI-краулеры. Чтобы попасть в датасет, бренд должен упоминаться в местах, которые туда индексируются.
- Habr — технические статьи в нише. ClaudeBot и GPTBot активно индексируют Habr.
- VC.ru — бизнес-статьи. Хорошо ранжируется в Яндекс.Нейро и Алисе.
- Wikipedia — отдельная статья про продукт/компанию даёт мощный сигнал.
- Отраслевые СМИ и блоги.
- Открытые рейтинги и каталоги (G2, Capterra, отраслевые подборки).
Шаг 6. Мониторить и итерировать
Алгоритмы LLM меняются ежемесячно. Сегодня вас цитирует ChatGPT, через 2 месяца — нет. Поэтому нужен регулярный мониторинг: каждые 2–4 недели прогонять одни и те же контрольные запросы через все ключевые модели и фиксировать упоминания.
Делать это вручную долго. MarketRadar делает автоматически: 20–40 запросов прогоняются через ChatGPT, Claude, Gemini и Perplexity, фиксируется доля упоминаний, позиция, контекст, и список конкурентов, упомянутых рядом.
Самое быстрое — запустить бесплатный экспресс-аудит на /express-report. За 2 минуты получите Score AI-видимости, перечень технических блокировок и приоритезированный план действий.