LLM — нейросеть, обученная на огромном корпусе текстов, способная генерировать связные ответы. GPT-4, Claude, Gemini, YandexGPT — всё это LLM. Лежат в основе ChatGPT, Perplexity и ИИ-поиска Google. Чтобы такие модели находили и цитировали ваш сайт, для них готовят llms.txt — карту главных страниц.
Для SEO ключевое: у LLM нет свежих данных без интернет-доступа, поэтому современные ассистенты подключают поиск (RAG). Чтобы попасть в ответ LLM, нужно быть в выдаче того поисковика, который он использует.
GPT-4 обучали на корпусе текстов до апреля 2023. На запрос «что нового в Google Search в 2026» модель без веб-доступа ответит устаревшими данными — нужен RAG.
Для SEO важно различать два режима работы LLM. В «чистом» режиме модель отвечает из памяти — данными на момент обучения, и сюда повлиять контентом сайта почти нельзя. В режиме с поиском (RAG) ассистент сначала ходит в выдачу, забирает 3-10 источников и пересказывает их — вот здесь и появляется задача попасть в эту короткую подборку. Поэтому видимость в AI-ответах сводится к классике: быть в топе поисковика, который дёргает ассистент, и иметь страницу, из которой удобно вытащить факт.
Под цитируемость в LLM текст полезно структурировать иначе, чем под обычную выдачу. Модель легче вытаскивает короткий прямой ответ в первом абзаце, факты с числами, таблицы и списки, а не размытые подводки. Подтверждённое авторство, экспертные цитаты и ссылки на источники усиливают E-E-A-T, по которому ассистенты отбирают «надёжное». Проверять видимость стоит вручную: задайте свои целевые запросы в Perplexity, ChatGPT с поиском и Яндекс Нейро и посмотрите, чей контент они цитируют и ссылаются ли на вас — это и есть метрика AEO.
Модель знает мир только до даты обучения — свежие события без поиска ей недоступны.
С веб-доступом ассистент берёт ответ из текущей выдачи, поэтому ваше место в топе решает, процитируют ли вас.
Структурированный текст, числа и подтверждённая экспертиза повышают шанс попасть в источники ответа.