Эфир 18.11 · Поток 318 ноября в 19:00 МСК — бесплатный практический эфир по ИИ-агентам · Живой Поток 3 стартует 23.11Эфир 18 ноября →Поток 3 (23.11)
РелизРазбор · На радарHabr AI→ оригинал

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
ИИ-сводка в 94% B2B-подборок почти не показывает сайты самих компаний
Источник: Habr AI. Коллаж: Hamidun News.
Слушать статью
Паспорт материала и цифры
ПараметрДанные
ПервоисточникHabr AI ↗
Главный редактор
Ключевой факт #1Модель берёт 9-значный УНП со страницы и проверяет юрлицо отдельным запросом
Ключевой факт #2llms.txt открыли 14 раз из 773 704 обращений к каталогу за 30 дней
Ключевой факт #3GPTBot сделал 383 898 запросов, PerplexityBot — 308 764

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:

  1. Привязка к госреестру (УНП или ИНН): статус юрлица, дата регистрации и регион подтягиваются из официальных баз, вручную их не поправить.
  2. Конкретные услуги и география вместо общих кодов ОКЭД, плюс ориентиры по ценам и ответы на частые вопросы.
  3. Отдача без обёрток: одна карточка в серверном HTML, Markdown, JSON и в разметке Schema.org с полем taxID.
  4. 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.

Сюжет

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.

ЖХ
Жемал Хамидун — CPO Alpina Digital, продакт-менеджер AlpinaGPT. Делает AI-продукты с 2019 года. Hamidun News — pet project, который вырос в production-агрегатор с 6000+ читателей.
✦ Закрытый клуб практиков · Vibe Club

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.

Вступить в Vibe Club →Тест-драйв Академии (72ч)
Что вы думаете?
Загружаем комментарии…