Предсказывают ли AEO-сигналы сайта появление в ответах ИИ? Мы измерили 62 компании

Нет, по крайней мере в этом исследовании. Среди 62 местных компаний в Японии наша оценка AEO сайта (структурированные данные, llms.txt, доступ краулеров и подобные сигналы) не показала никакой связи с тем, как часто Perplexity называл или цитировал компанию в ответ на просьбу о рекомендациях: Spearman ρ = 0.03 (95% CI от −0.23 до 0.28, p = 0.834). При 62 компаниях исследование могло надёжно выявить лишь корреляции порядка |ρ| ≥ 0.35, поэтому более слабую связь исключить нельзя.

Опубликовано 28.10.2026. Данные измерены 24.10.2026. Nurevo разрабатывает инструменты AEO, в том числе оценку, которая проверяется здесь; см. раздел «Наш конфликт интересов» ниже.

Кратко

  1. Вопрос: появляются ли компании, сайты которых получают более высокую оценку читаемости для ИИ от Nurevo (от 0 до 100), чаще в ответах ИИ на вопросы, где они не названы?
  2. Ответ: не подтверждено. ρ = 0.03 в целом и по-прежнему 0.03 с поправкой на отрасль и город.
  3. В целом компании появлялись в 21.0% ответов на поисковые вопросы; 25 из 62 появились хотя бы один раз.
  4. Ни одна отдельная составляющая оценки (структурированные данные, llms.txt, полнота и т. д.) также не показала связи после поправки на множественные сравнения.
  5. Наш вывод: структурированные данные помогают ИИ правильно считывать сведения о компании, но сами по себе не определяют, будет ли компания упомянута. Важнее другие факторы, весьма вероятно включая то, что о компании пишут другие сайты. Последнее — гипотеза, которую это исследование не проверяло.

Зачем мы провели это исследование

Рекомендации по AEO (answer engine optimization), в том числе наши, утверждают, что сайт, удобный для чтения ИИ (структурированные данные schema.org, файл llms.txt, доступ для ИИ-краулеров, контент с серверным рендерингом), помогает компании появляться в ответах ИИ. Nurevo продаёт оценку, построенную именно на этих сигналах. Мы хотели получить честные данные о том, отражает ли эта оценка то, что действительно важно владельцам: чтобы ИИ их называл. Гипотезу, анализ и критерии решения мы зафиксировали до сбора каких-либо ответов и обязались опубликовать результат, каким бы он ни оказался.

Методика

  1. Выборка: 72 местные компании с собственными официальными сайтами, отобранные через веб-поиск (порталы исключены), из 5 отраслей (стоматологические клиники, рестораны, салоны красоты, налоговые консультанты, гостиницы) и 4 японских городов (Токио, Осака, Фукуока, Саппоро). 10 были исключены, так как для их сайтов не удалось рассчитать оценку; для анализа осталось 62.
  2. Оценка: главная страница, robots.txt и llms.txt каждого сайта оценивались тем же кодом, что и публичная оценка Nurevo: структурированные данные (30 баллов), полнота (25), читаемость (20), llms.txt (15) и согласованность (10), а также пороговая проверка доступа краулеров, блокировки на уровне edge и серверного рендеринга (при её непрохождении оценка ограничивается 15).
  3. Движок: Perplexity через Agent API с пресетом «fast» (один веб-поиск, затем ответ) — тот же адаптер, который платный тариф Nurevo использует для видимости в ИИ. Только один движок; см. ограничения.
  4. Вопросы: по три «поисковых» вопроса на компанию, в которых указаны район и вид деятельности, но не сама компания (например, «Посоветуйте стоматолога в Umeda»); они общие для всех компаний одной отрасли в одном районе. Плюс один «именной» вопрос с просьбой назвать адрес и часы работы компании. Каждый вопрос задавался три раза.
  5. Результат: компания «появилась» в ответе, если её название присутствовало в ответе или её собственный домен был среди цитируемых источников. Доля появлений — это доля ответов на поисковые вопросы, в которых компания появилась.
  6. Проверка детектора: в ответах на именные вопросы название компании обнаруживалось в 84.3% случаев — выше порога 70%, установленного нами как условие доверия к детектору.
  7. Анализ: ранговая корреляция Спирмена с перестановочным p-значением и бутстрап-доверительным интервалом; частная корреляция с отраслью и городом как фиксированными эффектами; перестановочный тест внутри страт; логистическая регрессия с фиксированными эффектами отрасли и города и квазибиномиальной поправкой, поскольку повторные ответы на один и тот же вопрос не независимы. К шести тестам составляющих применена поправка Холма.

Критерий «подтверждено» был задан заранее: ρ ≥ 0.3, p < 0.05, 95% CI выше нуля и положительная скорректированная корреляция. Текст ответов не сохранялся; фиксировалось только, появилось ли название, цитировался ли домен и позиция цитирования.

Результаты

Вердикт — «не подтверждено». Каждый тест оценки в сравнении с появлением даёт корреляцию, близкую к нулю:

n = 62 компании. Измерено в Perplexity 24.10.2026.
ТестРезультатp-значение
Оценка и доля появлений (Spearman ρ, основной)0.03 (95% CI от −0.23 до 0.28)0.834
То же с поправкой на отрасль и город (частная корреляция)0.030.845
То же, перестановочный тест внутри страт0.030.829
Оценка и появление названия (поисковые вопросы)−0.040.782
Оценка и цитирование собственного сайта (поисковые вопросы)0.180.149
Оценка и цитирование собственного сайта (именные вопросы)−0.030.813
Логистическая регрессия с фиксированными эффектами отрасли/города, квазибиномиальная: отношение шансов на +1 SD оценки (18.81 балла)×1.01 (95% CI от 0.62 до 1.64)0.972

Наибольший коэффициент, 0.18 между оценкой и цитированием собственного сайта компании, статистически неотличим от нуля (p = 0.149), и его не следует считать находкой.

По диапазонам оценки

Nurevo отображает оценку красным, жёлтым или зелёным цветом. Большинство сайтов в выборке оказались в красной зоне, ни один не достиг зелёной, поэтому об очень высоких оценках это исследование ничего не говорит.

ДиапазонКомпанииСредняя доля появленийПоявились хотя бы раз
Красный5420.8%22
Жёлтый822.2%3
Зелёный0--

По составляющим оценки

Ни одна из составляющих оценки не была связана с появлением. После поправки Холма все p-значения равны 1.000. Эти тесты носили поисковый характер.

p с поправкой Холма = 1.000 для каждой составляющей.
СоставляющаяSpearman ρ с долей появлений
Структурированные данные (schema)0.08
Полнота0.12
Читаемость−0.17
llms.txt−0.02 (отношение шансов 1.41, 95% CI от 0.79 до 2.52)
Согласованность0.06
Пороговая проверка (доступ краулеров, edge, серверный рендеринг)61 прошли: 21.3% появлений; 1 не прошла: 0%

По отраслям и городам

Появление различалось по отраслям и городам сильнее, чем по оценке. Это описательные данные по небольшим группам, а не проверенные различия.

Строки по отраслям и строки по городам охватывают одни и те же 62 компании.
ГруппаКомпанииСредняя оценкаДоля появлений
Налоговые консультанты1327.9210.3%
Гостиницы1321.0823.9%
Стоматологические клиники1340.1525.6%
Салоны красоты824.258.3%
Рестораны1524.2030.4%
Осака1526.2715.6%
Саппоро1729.419.8%
Токио1525.5331.1%
Фукуока1529.2728.9%

Ограничения

  1. Поперечный срез: однократное измерение множества сайтов показывает связь, а не причину. Чтобы понять, меняет ли улучшение сайта его появление, нужно исследование одних и тех же сайтов до и после.
  2. Статистическая мощность: при 62 компаниях корреляция слабее примерно |ρ| = 0.35 часто осталась бы незамеченной. Компании одного района и одной отрасли получают одни и те же ответы, поэтому эффективная выборка ещё меньше. «Не обнаружено» здесь не означает «не существует».
  3. Один движок, одна неделя: Perplexity с пресетом «fast», измерено 24.10.2026. ChatGPT, Gemini, AI Overviews от Google и Copilot используют другие поисковые индексы и модели; эти результаты на них не переносятся.
  4. Ненаблюдаемые искажающие факторы: отзывы, узнаваемость бренда, реклама, срок работы и упоминания в каталогах на других сайтах не измерялись. Поправка делалась только на отрасль и город.
  5. Выборка: компании находили через веб-поиск, поэтому в ней преобладают те, кого и так легко найти. Ни один сайт не получил зелёную оценку. 5 отраслей и 4 города Японии могут не отражать другие отрасли, регионы или языки.

Что это значит для сайта компании

Структурированные данные, llms.txt и доступ для краулеров по-прежнему выполняют свою задачу: они позволяют ИИ считывать сведения о компании (адрес, часы работы, телефон, услуги) напрямую и точно, а не угадывать. Эта задача стоит усилий, но это не то же самое, что получить рекомендацию. В этом исследовании лучше читаемый сайт не упоминался чаще.

Наша рабочая гипотеза: источники за пределами сайта (отзывы и карточки на картах, местные СМИ, каталоги, другие сайты, упоминающие компанию) во многом определяют, назовёт ли ИИ компанию в ответ на просьбу о рекомендации. Это исследование такие источники не измеряло, поэтому это гипотеза для проверки, а не результат.

На практике: поддерживайте базовые элементы на сайте в порядке, поскольку они делают точным то, что ИИ говорит о вас, и измеряйте, упоминает ли вас ИИ на самом деле, вместо того чтобы делать выводы по оценке читаемости.

Наш конфликт интересов и что мы меняем

Nurevo разрабатывает инструменты AEO, и проверяемая здесь оценка — один из наших продуктов. Вывод о том, что оценка не предсказывает появление, — не тот результат, который мы бы выбрали. Мы публикуем его, потому что критерии были заданы до получения данных и потому что владельцы должны знать, что оценка может им сказать, а что нет.

Что мы делаем: мы не представляем оценку читаемости для ИИ как предиктор появления в ответах ИИ. Вместо этого мы измеряем появление напрямую: тариф Pro измеряет, как часто Perplexity называет или цитирует сайт (бета), а для сайтов на тарифах Free и Standard мы добавляем небольшую ежемесячную проверку появления. Мы также разрабатываем вторую версию оценки, которая объединяет измеренную видимость в ИИ с сигналами сайта, а не опирается только на сигналы сайта.

Названия и сайты исследованных компаний не публикуются.

Частые вопросы

Заставляют ли структурированные данные ИИ упоминать мою компанию?

В этом исследовании 62 местных компаний в Perplexity не обнаружено связи между сигналами сайта, такими как структурированные данные, и частотой упоминания компании (ρ = 0.03). Структурированные данные помогают ИИ правильно считывать сведения о вас, но сами по себе не предсказывали упоминание.

Помогает ли llms.txt компании появляться в ответах ИИ?

В этом исследовании связи не обнаружено: ρ = −0.02 между составляющей llms.txt и долей появлений (p с поправкой Холма = 1.000). Исследование было небольшим и охватывало один движок, поэтому это не доказательство того, что llms.txt никогда не имеет значения.

Значит ли это, что AEO бесполезен?

Нет. AEO на сайте делает точным то, что ИИ говорит о компании. Это исследование указывает, что его недостаточно, чтобы получить рекомендацию, и что упоминания следует измерять напрямую, а не выводить из оценки читаемости.

Какой ИИ-движок измерялся?

Только Perplexity, через Agent API с пресетом «fast», 24.10.2026. Результаты не переносятся на ChatGPT, Gemini, AI Overviews от Google или Copilot.