Глава 22
RAG, розгортання запиту та опора на джерела: механіка генеративного пошуку
Технічна модель пошуку зі штучним інтелектом без магії: інтерпретація запиту, розгортання запиту в пов’язані пошуки (query fan-out), добір документів (retrieval), відбір фрагментів-кандидатів, опора на джерела, синтез відповіді, посилання на джерела. Що Google підтверджує, а що залишається закритими деталями реалізації.
Генеративний пошук краще розуміти не як «LLM поверх Google», а як послідовність етапів, у якій класичні пошукові можливості поєднані з генеративним синтезом відповіді. Google у 2026 році публічно описує генерацію, доповнену добором документів (retrieval-augmented generation, RAG), опору на джерела та розгортання запиту: модель запускає пов’язані пошуки, отримує релевантні вебсторінки з пошукового індексу й використовує їх для формування відповіді з посиланнями.[1]
22.1Розгортання запиту змінює одиницю релевантності
Один запит користувача до моделі може породити кілька запитів для добору документів. Наприклад, «найкращий телефон для подорожей до $600» може розкладатися на запити про камеру, акумулятор, роумінг/eSIM, міцність і поточні ціни. Це означає, що одна сторінка може бути релевантною не до початкового формулювання запиту, а до конкретного підзавдання. SEO-фахівці не бачать повного розгортання запиту в Google, тому не варто вигадувати точні формулювання прихованих запитів. Bing уже показує приклади запитів для пошуку джерел, на які спирається відповідь, — це ближче до даних, які можна спостерігати.[2]
22.2Добір документів ≠ остаточна відповідь
Документ може потрапити до набору кандидатів і не бути використаним. Інший може бути використаний для підтвердження фактів, але не отримати видимого посилання на нього як на джерело. Третій — отримати посилання як додаткове джерело. Саме тому твердження «нас немає у відповіді штучного інтелекту» недостатньо: треба визначити, яку подію вимірює інструмент.
22.3Корисність окремих фрагментів важлива, але «розмір фрагмента — 50 слів» не є підтвердженим правилом
Генеративні системи можуть видобувати конкретну інформацію зі сторінок або їхніх фрагментів, але Google не вимагає спеціально ділити контент на маленькі частини. Посібник Google зі штучного інтелекту за 2026 рік прямо спростовує міф про обов’язковість такого спеціального поділу.[1] Практичний висновок простіший: заголовки, таблиці, чіткі твердження та змістова зв’язність усередині фрагментів допомагають і людям, і системам видобування інформації, але не треба ламати нормальний текст заради псевдоформули.
22.4Для опори на джерела важливі актуальність і перевірюваність
RAG потрібна саме для того, щоб модель спиралася на актуальні зовнішні джерела. Для SEO це підвищує цінність сторінок із чітко викладеними фактами, датами, джерелами, структурованими даними про товари та місцеві об’єкти. Але додавання посилань на джерела — не трюк для підвищення позицій. Важливіше, щоб сторінка містила правильну, конкретну інформацію, яку можна оновлювати.
22.5Пошуковий індекс залишається фундаментом функцій штучного інтелекту в Google
Google прямо пише: щоб сторінка могла з’явитися як посилання на джерело в AI Overviews/AI Mode, вона має бути проіндексована й відповідати умовам показу текстового фрагмента в результатах звичайного пошуку Google.[3] Це важливе обмеження для концепції «LLM SEO без SEO»: якщо пошуковий робот не може отримати сторінку або для неї задано noindex, спеціальна розмітка для штучного інтелекту її не врятує.
22.6Керування пошуком зі штучним інтелектом у Google спирається на ті самі засоби керування пошуком
Для функцій штучного інтелекту в пошуку Google використовує засоби керування Googlebot: noindex, nosnippet, data-nosnippet, max-snippet визначають, що можна показувати.[3] Google-Extended стосується інших сценаріїв навчання моделей та опори на джерела й не є засобом керування AI Overviews/AI Mode у пошуку. Це треба чітко розділяти.
22.7Чого ми не знаємо
З публічних даних невідомі: точна схема розгортання запиту, кількість раундів добору документів, порогові значення, оцінювання фрагментів, переформулювання запиту користувача, відносна вага органічного ранжування та інших систем. Тому будь-який сервіс, що продає «точний показник цитування у відповідях штучного інтелекту Google», фактично моделює зовнішні прояви роботи системи, а не отримує доступ до її внутрішніх механізмів.
Джерела до глави 22
- Google Search Central. Optimizing for generative AI features. https://developers.google.com/search/docs/fundamentals/ai-optimization-guide
- Bing Webmaster Blog. AI Performance in Bing Webmaster Tools. https://blogs.bing.com/webmaster/February-2026/Introducing-AI-Performance-in-Bing-Webmaster-Tools-Public-Preview
- Google Search Central. AI features and your website. https://developers.google.com/search/docs/appearance/ai-features
Глава 24
GEO, AEO та LLMO: що справді нового, а що просто перейменували
Розкладаємо модні терміни на конкретні завдання: основи пошукової оптимізації, добір документів (retrieval), цитування, згадки, вимірювання показників у ШІ-пошуку та засоби керування на платформах. Без «секретних факторів GEO».
Я використовую GEO/AEO/LLMO як умовні назви, коли треба коротко окреслити обсяг робіт. Але не приймаю тезу, що SEO «закінчилося» і його замінила нова дисципліна. Google у 2026 році формулює це прямо: оптимізація для пошуку з генеративним ШІ — це оптимізація пошукового досвіду, і вона залишається SEO; базові рекомендовані практики й далі актуальні.[1]
24.2Що просто отримало нову назву
Технічна доступність, можливість індексування, корисний контент, чітко визначені сутності, оригінальні докази, граф посилань, бренд, актуальність та внутрішня архітектура не стали іншими механізмами через слово GEO. Якщо консультант продає «GEO» і не перевіряє канонічні URL, індексацію та правила сканування, він оптимізує поверхню без фундаменту.
24.3Google прямо спростовує частину міфів на ринку GEO
У посібнику з оптимізації для ШІ-пошуку Google розбирає популярні міфи: llms.txt не потрібен для ранжування чи видимості в Google Search; спеціальної структурованої розмітки для ШІ не існує; не потрібно штучно ділити контент на фрагменти; не треба створювати сторінку під кожен похідний запит, сформований під час розгалуження початкового запиту (fan-out query).[1] Це дуже корисна межа між роботою з вимірюваними результатами та ритуалом.
24.4Інші платформи мають інші засоби керування
ChatGPT Search використовує OAI-SearchBot для виявлення сторінок у межах пошуку; OpenAI окремо описує GPTBot для навчання моделей та інших агентів.[2] Bing має IndexNow і AI Performance. Google Search використовує засоби керування доступом Googlebot для AI Overviews та AI Mode. Отже, операційні завдання, специфічні для окремих платформ, справді існують, але це інфраструктура, а не «новий алгоритм роботи з контентом».
24.5Термінологія без вимірювання нічого не варта
Якщо агентство обіцяє «видимість завдяки GEO: +300%», перше питання: яка база розрахунку? Які запити до моделі? Яка платформа, модель, дата й мовно-регіональні налаштування? Ідеться про згадку чи цитування? Скільки було повторних перевірок? Без протоколу вимірювання цифру неможливо відтворити. Сама методологія вимірювання важливіша за назву дисципліни.
24.6Моя робоча модель
Я залишаю SEO як загальне поняття. Усередині нього — оптимізація для пошукових систем, видимість у ШІ-пошуку, видимість сутностей і брендів, доступність для агентів. GEO/AEO/LLMO можна використовувати для комунікації, але в плані робіт завдання формулюється конкретно: «підвищити частоту цитування в Bing Copilot для 120 фіксованих запитів до моделі» або «дозволити доступ OAI-SearchBot і перевірити трафік переходів за посиланнями».
Джерела до глави 24
- Google Search Central. Optimizing for generative AI features. https://developers.google.com/search/docs/fundamentals/ai-optimization-guide
- OpenAI Help Center. Publishers and developers FAQ. https://help.openai.com/uk-ua/articles/12627856-publishers-and-developers-faq
- Bing Webmaster Blog. AI Performance. https://blogs.bing.com/webmaster/February-2026/Introducing-AI-Performance-in-Bing-Webmaster-Tools-Public-Preview
Це скорочений виклад: у книзі кожна глава має повний розбір, таблиці й приклади. Завантажити книгу або почати зі вступу.