ИИ-сводка в 94% B2B-подборок почти не показывает сайты самих компаний
Сайт подрядчика в топ-10 Google, но на вопрос «кто сделает это в моём городе» ChatGPT называет каталоги, а не его. В 200 B2B-запросах ИИ-сводка в 94 из 100 подборок открылась, а сайты компаний почти не попали в список. Модель сверяет компанию по налоговому номеру во внешних реестрах, а самоописанию не верит. Поэтому нужна карточка во внешнем реестре со ссылкой на сайт.
AI-обработка оригинала Habr AI; редакция Hamidun News
Проблема в том, что сайт компании может уверенно стоять в топ-10 обычного поиска, но нейросеть всё равно его не назовёт. Представьте: клиент спрашивает у ChatGPT, Perplexity или в ИИ-сводке Google «кто сделает это в моём городе». Вместо самих исполнителей модель выдаёт подборку из внешних каталогов и справочников. Автор разбора на Habr прогнал 200 реальных B2B-запросов, то есть вопросов о поиске подрядчика. В 94 из 100 отраслевых подборок ИИ-сводка действительно открывалась, но корпоративные сайты в неё почти не попадали. Заголовок про «94% ответов» точнее читать так: в 94 из 100 подборок сайты самих компаний почти не вошли в список. Если вы отвечаете за сайт или маркетинг, это подсказывает, какие данные о компании нужно выложить вне собственного домена.
Как модель проверяет подрядчика
Затем автор вручную посмотрел, как ведут себя модели Gemini 3 Flash и gpt-5-mini с веб-поиском (прогоны 31 октября и 1 ноября 2026 года). Схема у обеих оказалась похожей:
- сначала поиск по названию компании, городу и латинской транслитерации;
- затем модель вытаскивает со страницы 9-значный налоговый номер (УНП) и отправляет отдельный запрос только по этим цифрам;
- после этого сверяет, существует ли юрлицо и совпадают ли его услуги с описанием на сайте.
Логика простая: текст на собственном домене для модели остаётся саморекламой. «Двадцать лет опыта» и любые цены он не подтверждают. Если независимого подтверждения по УНП в выдаче нет, модель либо отбрасывает сайт, либо берёт данные из старых картотек. Там часто висят устаревшие телефоны и размытые коды деятельности вроде «оптовая торговля широким ассортиментом».
Почему llms.txt не помогает, а боты читают JSON и Markdown
15 июня 2026 года в руководстве Google Search прямо написано, что llms.txt не используется ни в ранжировании, ни в ИИ-обзорах. Логи открытого каталога на 30 900 карточек это подтверждают. За 30 дней там зафиксировано 773 704 обращения. Из них 705 323 подтверждены по официальным IP и обратному DNS, то есть это настоящие боты, а не маскировка под них.
Распределение такое: отраслевые подборки — 616 242 обращения, карточки в JSON — 38 139, карточки в Markdown — 20 110. Файлы /llms.txt и /llms-full.txt открыли всего 14 раз. По суточному логу за 16 ноября внешние клиенты сделали 7 087 запросов к открытому REST API: они фильтровали компании по городу, виду услуг и наличию сайта.
По ботам: GPTBot — 383 898 запросов, PerplexityBot — 308 764, ClaudeBot — 40 614. Из классических поисковиков YandexBot — 5 534, Applebot — 2 587, Googlebot — 1 956, bingbot — 975. Пользовательские запросы в реальном времени заметно скромнее: ChatGPT-User — 82, OAI-SearchBot — 48. Автор отмечает, что старые справочники часто отдают парсерам ошибки 403 или 429, не имеют чистого Markdown и перегружены рекламой. Чистые машиночитаемые данные выигрывают просто потому, что их удобно забирать.
«Цифровой паспорт» компании и оговорки
Одной оптимизации лендинга, по выводам автора, недостаточно. Нужна внешняя карточка в нейтральном реестре, которая закрывает четыре требования:
- Привязка к госреестру (УНП или ИНН): статус юрлица, дата регистрации и регион подтягиваются из официальных баз, вручную их не поправить.
- Конкретные услуги и география вместо общих кодов ОКЭД, плюс ориентиры по ценам и ответы на частые вопросы.
- Отдача без обёрток: одна карточка в серверном HTML, Markdown, JSON и в разметке Schema.org с полем taxID.
- Двусторонняя связь с сайтом: заявки директора мало, нужна ссылка с сайта на карточку или свойство sameAs в разметке Organization.
Автор связывает это с объединением Google AI Overviews и AI Mode (19 мая 2026) и развитием спецификации WebMCP в W3C: браузерные агенты всё чаще читают структурированные данные, а не разбирают вёрстку.
Есть и оговорки. Данные получены на собственном каталоге автора, так что у него есть коммерческий интерес, а материал местами читается как презентация продукта. Выборка небольшая (200 запросов), а трафик ботов на каталог ещё не доказывает, что модель потом процитирует конкретную компанию.
Практический вывод полезен независимо от каталога. Проверьте, что ваш УНП или ИНН легко найти на сайте и он совпадает с данными в реестрах. Убедитесь, что есть независимые страницы о компании с актуальными услугами и телефонами. Добавьте разметку Organization с sameAs и taxID. И не рассчитывайте на llms.txt: на этих данных его почти никто не читает.
- 18 нояб. 2026 г.Агент OpenAI заполняет страховые заявки: Luna взяла 91,8% баллов за 8,5 цента
- 18 нояб. 2026 г.MoEngage подключила ИИ-агентов к готовым API: CTR пушей у Glance вырос на 38%
- 18 нояб. 2026 г.Tencent Hy4 flash набрала 2,79 из 4 против 2,81 у Haiku 5.5 и стоит в 18 раз дешевле за задачу
- 18 нояб. 2026 г.Пять нейросетей чинили один баг: две справились, три сломали больше
Вопросы и ответы по материалу
Что известно по теме: как модель проверяет подрядчика?
Затем автор вручную посмотрел, как ведут себя модели Gemini 3 Flash и gpt-5-mini с веб-поиском (прогоны 31 октября и 1 ноября 2026 года). Схема у обеих оказалась похожей: сначала поиск по названию компании, городу и латинской транслитерации; затем модель вытаскивает со страницы 9-значный налоговый номер (УНП) и отправляет отдельный запрос только по этим цифрам; после этого сверяет, существует ли юрлицо и совпадают ли его услуги с описанием на сайте.
Что известно по теме: почему llms.txt не помогает, а боты читают JSON и Markdown?
15 июня 2026 года в руководстве Google Search прямо написано, что llms.txt не используется ни в ранжировании, ни в ИИ-обзорах. Логи открытого каталога на 30 900 карточек это подтверждают. За 30 дней там зафиксировано 773 704 обращения. Из них 705 323 подтверждены по официальным IP и обратному DNS, то есть это настоящие боты, а не маскировка под них. Распределение такое: отраслевые подборки — 616 242 обращения, карточки в JSON — 38 139, карточки в Markdown — 20 110.
Что известно по теме: «Цифровой паспорт» компании и оговорки?
Одной оптимизации лендинга, по выводам автора, недостаточно. Нужна внешняя карточка в нейтральном реестре, которая закрывает четыре требования: Привязка к госреестру (УНП или ИНН): статус юрлица, дата регистрации и регион подтягиваются из официальных баз, вручную их не поправить. Конкретные услуги и география вместо общих кодов ОКЭД, плюс ориентиры по ценам и ответы на частые вопросы. Отдача без обёрток: одна карточка в серверном HTML, Markdown, JSON и в разметке Schema.org с полем taxID.
Внедряйте ИИ быстрее рынка вместе с инженерами и фаундерами
Внутри Vibe Club (hamidun.com/club): еженедельные живые мастермайнды и разборы архитектуры с Жемалом Хамидуном, закрытый Tech Radar, LMS и обновляемая база из 370+ боевых скиллов.
Главное из мира ИИ — раз в неделю
7 ключевых событий недели, отобранных вручную. Без шума, репостов и пресс-релизов.
Готово! Проверьте почту — мы отправили подтверждение.