Чи передбачають AEO-сигнали сайту появу у відповідях ШІ? Ми виміряли 62 компанії

Ні, принаймні в цьому дослідженні. Серед 62 місцевих компаній у Японії наша оцінка AEO сайту (структуровані дані, llms.txt, доступ краулерів та подібні сигнали) не показала жодного зв'язку з тим, як часто Perplexity називав або цитував компанію у відповідь на прохання про рекомендації: Spearman ρ = 0.03 (95% CI від −0.23 до 0.28, p = 0.834). Із вибіркою з 62 компаній дослідження могло надійно виявити лише кореляції близько |ρ| ≥ 0.35, тож слабший зв'язок виключити не можна.

Опубліковано 28.10.2026. Дані виміряно 24.10.2026. Nurevo розробляє інструменти AEO, зокрема оцінку, яку тут перевірено; див. розділ «Наш конфлікт інтересів» нижче.

Коротко

  1. Питання: чи з'являються компанії, сайти яких мають вищу оцінку читабельності для ШІ від Nurevo (від 0 до 100), частіше у відповідях ШІ на запитання, де їх не названо?
  2. Відповідь: не підтверджено. ρ = 0.03 загалом і так само 0.03 з поправкою на галузь і місто.
  3. Загалом компанії з'являлися у 21.0% відповідей на пошукові запитання; 25 із 62 з'явилися щонайменше один раз.
  4. Жодна окрема складова оцінки (структуровані дані, llms.txt, повнота тощо) також не показала зв'язку після поправки на множинні порівняння.
  5. Наш висновок: структуровані дані допомагають ШІ правильно зчитувати відомості про компанію, але самі по собі не визначають, чи буде компанію згадано. Важливіші інші чинники, найімовірніше зокрема те, що про компанію пишуть інші сайти. Останнє — гіпотеза, яку це дослідження не перевіряло.

Навіщо ми провели це дослідження

Поради щодо AEO (answer engine optimization), зокрема наші, стверджують, що сайт, зручний для читання ШІ (структуровані дані schema.org, файл llms.txt, доступ для ШІ-краулерів, контент із серверним рендерингом), допомагає компанії з'являтися у відповідях ШІ. Nurevo продає оцінку, побудовану саме на цих сигналах. Ми хотіли отримати чесні докази того, чи відображає ця оцінка те, що справді важливо власникам: щоб ШІ їх називав. Гіпотезу, аналіз і критерії рішення ми зафіксували до збору будь-яких відповідей і зобов'язалися опублікувати результат, яким би він не був.

Методика

  1. Вибірка: 72 місцеві компанії з власними офіційними сайтами, відібрані через вебпошук (портали виключено), з 5 галузей (стоматологічні клініки, ресторани, салони краси, податкові консультанти, готелі) та 4 японських міст (Токіо, Осака, Фукуока, Саппоро). 10 було виключено, оскільки для їхніх сайтів не вдалося обчислити оцінку; для аналізу залишилося 62.
  2. Оцінка: головну сторінку, robots.txt і llms.txt кожного сайту оцінено тим самим кодом, що й публічну оцінку Nurevo: структуровані дані (30 балів), повнота (25), читабельність (20), llms.txt (15) і узгодженість (10), а також порогова перевірка доступу краулерів, блокування на рівні edge та серверного рендерингу (у разі її непроходження оцінка обмежується 15).
  3. Рушій: Perplexity через Agent API з пресетом «fast» (один вебпошук, потім відповідь) — той самий адаптер, який платний план Nurevo використовує для видимості в ШІ. Лише один рушій; див. обмеження.
  4. Запитання: по три «пошукові» запитання на компанію, у яких зазначено район і вид діяльності, але не саму компанію (наприклад, «Порадьте стоматолога в Umeda»); вони спільні для всіх компаній однієї галузі в одному районі. Плюс одне «іменне» запитання з проханням назвати адресу та години роботи компанії. Кожне запитання ставили тричі.
  5. Результат: компанія «з'явилася» у відповіді, якщо її назва була у відповіді або її власний домен був серед цитованих джерел. Частка появ — це частка відповідей на пошукові запитання, у яких компанія з'явилася.
  6. Перевірка детектора: у відповідях на іменні запитання назву компанії виявлено у 84.3% випадків — вище порогу 70%, який ми встановили як умову довіри до детектора.
  7. Аналіз: рангова кореляція Спірмена з перестановочним p-значенням і бутстреп-довірчим інтервалом; часткова кореляція з галуззю та містом як фіксованими ефектами; перестановочний тест у межах страт; логістична регресія з фіксованими ефектами галузі й міста та квазібіноміальною поправкою, оскільки повторні відповіді на те саме запитання не є незалежними. До шести тестів складових застосовано поправку Голма.

Критерій «підтверджено» було встановлено заздалегідь: ρ ≥ 0.3, p < 0.05, 95% CI вище нуля та позитивна скоригована кореляція. Текст відповідей не зберігався; фіксували лише, чи з'явилася назва, чи цитувався домен і позицію цитування.

Результати

Вердикт — «не підтверджено». Кожен тест оцінки щодо появи дає кореляцію, близьку до нуля:

n = 62 компанії. Виміряно в Perplexity 24.10.2026.
ТестРезультатp-значення
Оцінка й частка появ (Spearman ρ, основний)0.03 (95% CI від −0.23 до 0.28)0.834
Те саме з поправкою на галузь і місто (часткова кореляція)0.030.845
Те саме, перестановочний тест у межах страт0.030.829
Оцінка й поява назви (пошукові запитання)−0.040.782
Оцінка й цитування власного сайту (пошукові запитання)0.180.149
Оцінка й цитування власного сайту (іменні запитання)−0.030.813
Логістична регресія з фіксованими ефектами галузі/міста, квазібіноміальна: відношення шансів на +1 SD оцінки (18.81 бала)×1.01 (95% CI від 0.62 до 1.64)0.972

Найбільший коефіцієнт, 0.18 між оцінкою та цитуванням власного сайту компанії, статистично не відрізняється від нуля (p = 0.149), і його не слід вважати знахідкою.

За діапазонами оцінки

Nurevo показує оцінку червоним, жовтим або зеленим кольором. Більшість сайтів у вибірці були червоними, жоден не досяг зеленого, тож про дуже високі оцінки це дослідження нічого не говорить.

ДіапазонКомпаніїСередня частка появЗ'явилися хоча б раз
Червоний5420.8%22
Жовтий822.2%3
Зелений0--

За складовими оцінки

Жодна зі складових оцінки не була пов'язана з появою. Після поправки Голма всі p-значення дорівнюють 1.000. Ці тести мали пошуковий характер.

p з поправкою Голма = 1.000 для кожної складової.
СкладоваSpearman ρ із часткою появ
Структуровані дані (schema)0.08
Повнота0.12
Читабельність−0.17
llms.txt−0.02 (відношення шансів 1.41, 95% CI від 0.79 до 2.52)
Узгодженість0.06
Порогова перевірка (доступ краулерів, edge, серверний рендеринг)61 пройшли: 21.3% появ; 1 не пройшла: 0%

За галузями та містами

Поява різнилася за галузями та містами сильніше, ніж за оцінкою. Це описові дані з невеликих груп, а не перевірені відмінності.

Рядки за галузями та рядки за містами охоплюють ті самі 62 компанії.
ГрупаКомпаніїСередня оцінкаЧастка появ
Податкові консультанти1327.9210.3%
Готелі1321.0823.9%
Стоматологічні клініки1340.1525.6%
Салони краси824.258.3%
Ресторани1524.2030.4%
Осака1526.2715.6%
Саппоро1729.419.8%
Токіо1525.5331.1%
Фукуока1529.2728.9%

Обмеження

  1. Поперечний зріз: одноразове вимірювання багатьох сайтів показує зв'язок, а не причину. Щоб з'ясувати, чи змінює покращення сайту його появу, потрібне дослідження тих самих сайтів до і після.
  2. Статистична потужність: за вибірки з 62 компаній кореляцію, слабшу приблизно за |ρ| = 0.35, часто було б пропущено. Компанії з одного району та однієї галузі отримують ті самі відповіді, тож ефективна вибірка ще менша. «Не виявлено» тут не означає «не існує».
  3. Один рушій, один тиждень: Perplexity із пресетом «fast», виміряно 24.10.2026. ChatGPT, Gemini, AI Overviews від Google та Copilot використовують інші пошукові індекси та моделі; ці результати на них не переносяться.
  4. Неспостережувані змішувальні чинники: відгуки, впізнаваність бренду, реклама, тривалість роботи та присутність на інших сайтах не вимірювалися. Поправку зроблено лише на галузь і місто.
  5. Вибірка: компанії знаходили через вебпошук, тож у ній переважають ті, кого й так легко знайти. Жоден сайт не отримав зеленої оцінки. 5 галузей і 4 міста Японії можуть не відображати інші галузі, регіони чи мови.

Що це означає для сайту компанії

Структуровані дані, llms.txt і доступ для краулерів і далі виконують своє завдання: вони дають ШІ змогу зчитувати відомості про компанію (адресу, години роботи, телефон, послуги) напряму й точно, а не вгадувати. Це завдання варте зусиль, але воно відрізняється від того, щоб отримати рекомендацію. У цьому дослідженні краще прочитаний сайт не згадувався частіше.

Наша робоча гіпотеза: джерела поза сайтом (відгуки та картки на мапах, місцеві медіа, каталоги, інші сайти, що згадують компанію) значною мірою визначають, чи назве ШІ компанію у відповідь на прохання про рекомендацію. Це дослідження таких джерел не вимірювало, тож це гіпотеза для перевірки, а не результат.

На практиці: підтримуйте базові елементи сайту в порядку, бо вони роблять точним те, що ШІ каже про вас, і вимірюйте, чи справді ШІ вас згадує, замість того щоб робити висновки з оцінки читабельності.

Наш конфлікт інтересів і що ми змінюємо

Nurevo розробляє інструменти AEO, і перевірена тут оцінка — один із наших продуктів. Висновок, що оцінка не передбачає появу, — не той результат, який ми б обрали. Ми публікуємо його, бо критерії було встановлено до отримання даних і бо власники мають знати, що оцінка може їм сказати, а що ні.

Що ми робимо: ми не подаємо оцінку читабельності для ШІ як предиктор появи у відповідях ШІ. Натомість ми вимірюємо появу напряму: план Pro вимірює, як часто Perplexity називає або цитує сайт (бета), а для сайтів на планах Free і Standard ми додаємо невелику щомісячну перевірку появи. Також ми розробляємо другу версію оцінки, яка поєднує виміряну видимість у ШІ із сигналами сайту, а не спирається лише на сигнали сайту.

Назви та сайти досліджених компаній не публікуються.

Поширені запитання

Чи змушують структуровані дані ШІ згадувати мою компанію?

У цьому дослідженні 62 місцевих компаній у Perplexity не виявлено зв'язку між сигналами сайту, як-от структуровані дані, і частотою згадування компанії (ρ = 0.03). Структуровані дані допомагають ШІ правильно зчитувати відомості про вас, але самі по собі не передбачали згадування.

Чи допомагає llms.txt компанії з'являтися у відповідях ШІ?

У цьому дослідженні зв'язку не виявлено: ρ = −0.02 між складовою llms.txt і часткою появ (p з поправкою Голма = 1.000). Дослідження було невеликим і охоплювало один рушій, тож це не доказ того, що llms.txt ніколи не має значення.

Чи означає це, що AEO марний?

Ні. AEO на сайті робить точним те, що ШІ каже про компанію. Це дослідження вказує, що його недостатньо, щоб отримати рекомендацію, і що згадування слід вимірювати напряму, а не виводити з оцінки читабельності.

Який ШІ-рушій вимірювали?

Лише Perplexity, через Agent API з пресетом «fast», 24.10.2026. Результати не переносяться на ChatGPT, Gemini, AI Overviews від Google чи Copilot.