Граф сущностей бренда: как нейросети собирают картину о вашей компании

Сущность (entity) - это всё, что машина воспринимает как отдельную «вещь»: компания, человек, продукт, город, услуга. Строка - просто набор символов на странице; сущность - запись о том, что за строкой стоит объект с признаками и связями. Название компании, повторённое на десяти страницах сайта, - это строка. Запись «компания занимается тем-то, основана тогда, работает с такими-то клиентами, ею руководит такой-то человек» - уже сущность. Разница принципиальна: строки модель каждый раз читает заново, а сущность она «знает» заранее.

Граф сущностей - сеть таких записей и связей: «компания выпускает продукт», «продукт относится к категории», «основатель - публичный эксперт», «компания работает в регионе». Модели опираются на граф, когда отвечают на вопрос о конкретной компании: не пересчитывают интернет заново, а достают узел и сверяют признаки по независимым источникам. Поэтому вопросы вида «какая студия делает то-то в таком-то городе» решаются задолго до запроса: модель сначала понимает, какие сущности вообще участвуют в теме, и только потом выбирает формулировки.

Для владельца бизнеса вывод простой: к моменту, когда клиент спросит нейросеть о вашей нише, бренд в её картине мира либо существует как сущность с внятными признаками, либо не существует вовсе. Контент (об этом - в статье как писать тексты, которые цитируют нейросети) отвечает за извлекаемость фрагментов; граф сущностей - за то, что бренд вообще фигурирует в картине мира. Уровни дополняют друг друга, работать должны одновременно: база AEO описана в материале что такое AEO и GEO простыми словами.

Важно и то, что граф не принадлежит вам. Сайт - ваша территория; базы знаний - общая: записи правятся по правилам сообщества, а признаки должны подтверждаться независимыми источниками. Работа с сущностью - не «разовая регистрация», а дисциплина согласованности: единое название, единое описание, одинаковые признаки во всех местах, где о вас знает сеть. Практика показывает, что именно согласованность, а не объём усилий, отличает бренды, которых модели уверенно рекомендуют, от брендов, которых модели путают с однофамильцами и «соседями» по нише.

Отдельно стоит сказать о том, как граф сущностей соотносится с самими чат-моделями. ChatGPT, GigaChat и их коллеги не хранят «граф» в том виде, в котором он есть у поисковой системы, - но построены на данных, где сущности уже выделены: энциклопедии, справочники, структурированные корпуса. А системы с доступом к поиску используют существующие графы напрямую. Поэтому «работа с сущностями» для чата и для генеративной выдачи - это одна и та же работа с одними и теми же источниками: собранный граф обслуживает сразу все точки контакта, где модель решает, что за компания перед ней.

Путь поиска к сущностям занял десятилетие, и каждое звено этой цепочки прямо влияет на сегодняшний AEO.

Май 2012 года: Google запускает Knowledge Graph со слоганом «things, not strings». На старте - более 500 млн объектов и 3,5 млрд фактов; за первые семь месяцев база утроилась до 570 млн сущностей и 18 млрд фактов. Появились панели знаний - блоки, которые показывали не список ссылок, а сводку о сущности. С этого момента оптимизировать «строку» стало недостаточно: у поиска появилось собственное представление о том, кто вы.

Октябрь 2015-го: RankBrain становится, по публичной формуле Google, третьим по важности сигналом ранжирования - машинному обучению доверили интерпретацию незнакомых запросов. Октябрь 2019-го: BERT позволяет учитывать контекст каждого слова. 2021-й: MUM - модель, в тысячу раз мощнее BERT, обученная на 75 языках и работающая сразу с текстом и изображениями. Декабрь 2022-го: в руководстве для асессоров появляется E-E-A-T - четвёртый элемент «Experience» делает доказуемый опыт официальным признаком качества.

Параллельно строилась открытая инфраструктура знаний. Wikidata, запущенная в 2012 году, выросла до более чем 123 млн элементов и 1,65 млрд утверждений - структурированных триплетов «субъект - свойство - значение». Именно в этом формате мыслят и генеративные модели: обучающие корпуса насыщены структурированными данными, и на фактические вопросы ответы опираются на них в первую очередь.

Вывод из этой истории: генеративный поиск не возник на пустом месте. Модели унаследовали от классического поиска понимание сущностей - и отвечают, как человек со справочником: «эта компания делает то-то, работает там-то, её отличает то-то». Российский рынок проходил те же фазы со сдвигом в пару лет - эта история подробно разобрана в статье об истории рынка AEO в России.

И практический вывод: работа с графом - не «новая модная услуга», а прямое продолжение дел, которые велись годами: справочники, каталоги, реестры, разметка сайта. Меняется адресат: раньше эти данные помогали поисковику собирать панели знаний, теперь они же питают генеративные модели всех крупных платформ.

Российский сегмент добавляет в картину нюанс: помимо глобальных баз знаний, модели опираются на локальные справочники и карты, а отечественные платформы - на собственные экосистемные данные. На практике это означает расширенный список источников согласования: международные базы знаний плюс российские справочники и каталоги, плюс профили на картах. Сужать список до «только Википедии» - ошибка: разные модели на разных языках тянут признаки из разных контуров, и сущность должна быть собранной в каждом из них. Хорошая новость в том, что признаковое ядро одно: сверив его один раз, вы раскладываете его по всем источникам почти без переделок.

Цифровая сущность собирается из трёх слоёв: ядро, признаки, связи. Разберём каждый.

Ядро - Organization: машинная запись «кто вы» на собственном сайте. В неё входят официальное название, описание деятельности одним абзацем, адрес и зона работы, контакты, логотип и - критично важно - свойство sameAs: список ссылок на все официальные профили в базах знаний, каталогах и соцсетях. sameAs работает «клеем»: он говорит машине, что запись в Wikidata, карточка в справочнике и сайт - один и тот же объект. Техническая сторона слоя подробно разобрана в статье о микроразметке Schema.org для AEO.

Признаки - то, что модель назовёт, если спросить «что это за компания»: сфера деятельности, продукты и услуги, география, ценовой сегмент, годы на рынке, ключевые цифры. Признаки живут не в одном месте: часть на сайте, часть в базах знаний, часть в СМИ и каталогах. Задача - не «разместить», а согласовать: одна формулировка сферы, одинаковые названия продуктов, совпадающие цифры. Расхождение признаков между источниками - причина номер один расплывчатых ответов о компании.

Связи - третий слой, который чаще всего недостроен: «бренд - продукт - эксперт - регион». Компания должна быть связана со своими продуктами (через сайт и записи в базах знаний), с персоналиями (основатель, эксперты с публичными биографиями) и с регионами работы. Именно связи отвечают на запросы вида «исполнители такой-то услуги в таком-то городе»: модель идёт по рёбрам «регион - сфера - компании». Если ребра нет, бренд в подборке не появится независимо от качества сайта.

Проверка простая: выпишите, какими признаками и связями должен обладать бренд, чтобы модель уверенно рекомендовала его в 10-20 типовых запросах ниши. Затем для каждого пункта отметьте, где это подтверждено сейчас: на сайте, в базе знаний, во внешних источниках. Пустых клеток обычно больше, чем ожидают даже зрелые компании, - и это готовый список работ с приоритетами.

У сущности в базе знаний есть идентификатор - буквенно-цифровой код, который не зависит от языка и формулировок. Это снимает главную проблему брендов: омонимию. Название компании может совпадать с фамилией, географическим объектом или другой фирмой из соседнего региона - строка такого не различит, а запись в базе знаний различает однозначно. Когда модель уверенно связывает упоминание с правильным элементом, ответы о компании собираются корректно; когда связи нет - в ответах появляются «соседние» факты: чужой город, чужая отрасль, чужие основания. Проверить свою различимость просто: задайте моделям запрос «кратко расскажи о компании» с точным названием и посмотрите, тот ли объект они описывают.

Wikidata - самая практичная точка входа в граф. Это открытая база знаний Фонда Викимедиа: более 123 млн элементов, свободное редактирование, каждый факт - утверждение с указанием источника. Модели читают её напрямую: дампы Wikidata входят в обучающие корпуса, а строгая связь «утверждение - источник» делает базу удобным якорем истины. Элемент компании содержит то, что нужно модели: описание деятельности, отрасль, дату основания, штаб-квартиру, ключевых людей, продукты.

Работа в Wikidata подчиняется правилам сообщества, и это стоит учитывать заранее. Значимость - элемент создают, если о компании есть независимые авторитетные источники: публикации в СМИ, отраслевые справочники, книги. Источники - каждое спорное утверждение подкрепляется ссылкой; «само о себе» считается слабым доказательством. Поэтому реальная последовательность для бизнеса обратная: сначала внешний цитируемый контур (публикации, упоминания, реестры), затем регистрация - с опорой на уже собранные источники.

Статья в Википедии - отдельный и более высокий порог: энциклопедическая значимость проверяется строже, а неудачные статьи удаляются и оставляют негативный след в истории правок. Википедию не стоит делать самоцелью: в разы важнее, чтобы признаки бренда совпадали в тех источниках, которые модели читают массово, - справочниках, каталогах, картах, отраслевых рейтингах.

Отдельный слой - собственный сайт как «база знаний для машин»: помимо разметки, файл-инструкцию читают краулеры и модели (об этом - в статье про llms.txt), а страницы «О компании», «Команда», «Услуги» должны быть согласованы с внешними записями дословно по ключевым признакам. Модели сворачивают картину из десятков источников, и ваш сайт - лишь один из них, но единственный, который вы контролируете полностью.

Разбор типичного случая. У компании распространённое название, совпадающее с названием другой фирмы в соседнем регионе. В ответах модели путаница: половина фактов - о «двойнике». Порядок исправления: развести названия (официальная форма с юридическим отличием - в базах знаний), собрать sameAs-профиль, где все ссылки ведут на одинаковые признаки, закрепить за брендом отличительные признаки (специализация, география, цифры), которые не пересекаются с двойником, и нарастить количество независимых упоминаний с этими признаками. Через один-два замерных цикла путаница уходит: модели любят однозначность и быстро переключаются на согласованную версию.

Нейросеть не верит одному источнику - даже вашему собственному сайту. Признаки сущности сверяются кросс-источниково: описание деятельности на сайте сравнивается с базой знаний, база знаний - с СМИ, СМИ - с отзывами и каталогами. Чем больше независимых источников согласны между собой, тем увереннее модель называет признаки. Это делает работу с сущностью работой с репутационным полем, а не с одной площадкой.

Иерархию доноров показывает статистика цитирований. По данным Profound, Википедия - самый цитируемый источник ChatGPT: 7,8% всех цитирований. Отчёт SurferSEO раскладывает тройку лидеров: YouTube - около 23,3%, Wikipedia - около 18,4%, Google.com - около 16,4%. И состав этот не статичен: трёхмесячное исследование Semrush зафиксировало заметное снижение доли Reddit и Wikipedia - платформы пересматривают «список доверенных» источников.

Что это означает практически. Во-первых, нельзя изменить сущность «одним постом»: модель не возьмёт новый признак из одного анонса - нужно, чтобы признак подхватили источники разного типа. Во-вторых, выбор площадок для упоминаний - это работа по иерархии доверия: базы знаний, справочники, отраслевые СМИ, рейтинги. В-третьих, замер обязателен: как именно считать упоминания и пересказы - в материале о доле голоса в ИИ-системах, а механизм отбора источников - в статье как нейросети выбирают, кого цитировать.

Отсюда же - стандарт проверки любой публикации: прежде чем объявлять что-то о себе, проверьте, совпадает ли формулировка с тем, что уже написано о вас в других местах. Несогласованный признак не добавляется к сущности - он порождает конфликт версий, и модель вместо чёткого ответа даёт «возможно, компания занимается...». Такие формулировки в ответах - прямой симптом разорванного графа.

Регламент замера силы сущности лучше сделать тупым и регулярным: первое число месяца, три ключевые страницы, три внешних текста, протокол на один экран. Сравнивайте не абсолютные значения, а динамику и состав: кто сегодня главная сущность документа, какие тематические сущности поддерживают бренд, не появились ли посторонние лидеры. Такой протокол занимает двадцать минут и заменяет «ощущения» фактами - в том числе в разговоре с руководством, где вопрос «а что нам даёт AEO» требует сухих чисел.

У работы с сущностями есть редкое качество - измеримость. Google Cloud Natural Language API, доступный в демо-режиме бесплатно, выдаёт для каждой сущности текста оценку salience - значимости, центральности сущности для документа. Число от 0 до 1: 0,5 - сущность занимает центр текста, 0,02 - упоминается вскользь. Это прямой ответ на вопрос «о чём моя страница с точки зрения машины».

Как пользоваться. Прогоните через API главную страницу и страницу «О компании»: главная сущность этих документов должна совпадать с вашим брендом - если лидирует другая компания или общий термин, ядро собрано неверно. Прогоните профильные статьи: бренд должен быть среди двух-трёх ведущих сущностей, а не в хвосте. Прогоните тексты конкурентов - сравнительная картина сильнее любого внутреннего ощущения.

Тест ловит и обратную ситуацию: перекос в «самохвальство». Если в тексте только бренд и ноль отраслевых сущностей, модель не может привязать компанию к теме - контекстные сущности (услуги, технологии, клиенты, регион) должны присутствовать. Рабочий баланс для коммерческой страницы: бренд - ведущая сущность, 5-15 тематических сущностей - поддержка. Как переписать текст под этот баланс - в статье о контенте для нейросетей.

Ограничение инструмента стоит помнить: salience меряет текст, а не весь граф. Высокая оценка на сайте не заменяет регистрации в базах знаний - она лишь показывает, что собственная территория настроена. Зато стоит инструмент ноль рублей и даёт результат за секунды - лучший быстрый аудит сущности перед любой встречей с подрядчиком.

Пример из практики - условный производитель промышленного оборудования. На сайте описание деятельности спрятано в пару строк внизу страницы «Контакты», в базе знаний - устаревший элемент с прошлым названием компании, в отраслевом справочнике - вообще другой город. Модель, собравшая картину из трёх источников, честно отвечает: «возможно, вы имеете в виду...» - и бренд теряет запрос, не начав конкурировать. Сборка графа в этом случае - четыре недели: сверка признаков, разметка, правка базы знаний, согласование карточек. Ни одна из работ не требует бюджета на «технологии» - только времени и дисциплины.

Разница между колонками - не в бюджетах, а в дисциплине. Разорванный граф - нормальное состояние, в котором компания жила годами: у каждой площадки своя карточка, написанная когда и кем пришлось. Собранный граф - результат одного квартала методичной работы: сверить, исправить, связать, замерить.

Обратите внимание: в правой колонке нет ни одного «хакнутого» приёма. Всё, что улучшает сущность для модели, улучшает и представление о компании для человека: одинаковое название, внятное описание, публичные биографии, подтверждённые цифры. AEO не изобретает новую работу - он делает старую измеримой.

Прежде чем начинать шаги, стоит закрыть организационный вопрос: кто в компании владеет сущностью. Обычно это маркетинг - но с обязательными зависимыми: юрист (официальные реквизиты и формулировки), продажи (реальные продуктовые границы), кадры (публичные биографии). Паспорт сущности хранится одним документом с версионностью; любое изменение названия, сферы или реквизитов сначала вносится в паспорт, затем расходится по источникам. Обратный порядок - «сначала на сайте, потом разберёмся» - и есть механизм порождения противоречий, с которого мы начинали.

1. Инвентаризация. Соберите топ-20 источников, где машина ищет вас сейчас: сайт, Wikidata (если есть), справочники, карты, каталоги, СМИ, соцсети. Выпишите, что написано в каждом.
2. Сверка признаков. Сведите описания к «паспорту сущности»: официальное название, сфера, география, продукты, ключевые люди, цифры. Одна версия истины - без вариантов.
3. Разметка ядра. Organization + sameAs на сайте, согласованность разметки между страницами; проверка валидатором.
4. Wikidata. Создайте или исправьте элемент компании: описание, признаки, связи, источники утверждений. Без источников не выкладывайте - дождитесь внешних публикаций.
5. Профили. Карточки в картах и справочниках, отраслевые каталоги, реестры: те же формулировки, те же реквизиты, актуальные данные.
6. Персоналии. Публичные биографии основателей и экспертов: одинаковые должности и факты на сайте, в соцсетях, в публикациях.
7. Внешний контур. Публикации и упоминания в СМИ и отраслевых материалах, которые модели читают: каждое - подтверждение признаков сущности.
8. Связи. Проверьте рёбра «бренд - продукт - эксперт - регион» на сайте, в базе знаний, в профилях: по ним модель находит вас в отраслевых и гео-запросах.
9. Замер. Закреплённый пул промптов, 3-4 нейросети, регулярный интервал; фиксируйте, как модель пересказывает компанию. О промптах - в статье промпты для мониторинга GEO.
10. Поддержка. Назначьте владельца графа: раз в квартал - сверка расхождений, обновление признаков, контроль упоминаний.

Сроки: шаги 1-3 - неделя работы своими силами; шаги 4-7 - один-два квартала в зависимости от готовности внешнего контура; шаги 8-10 - постоянный процесс. Дешевле всего начинать с шага 1: инвентаризация почти всегда находит противоречия, о которых не догадывались, и сразу превращает абстрактную тему в конкретный список правок.

Отдельно про накрутку упоминаний. Массовые некачественные размещения на площадках «для машин» не собирают сущность, а размывают её: источники разного качества дают разные версии признаков, и модель получает хаос вместо консенсуса. Хуже того - резкий всплеск однотипных упоминаний сам по себе сигнал недостоверности. Правильная траектория - медленный, но согласованный контур: меньше площадок, выше качество, одинаковые формулировки. Сущность - актив с длинным горизонтом, и короткие тактики накрутки в этой области работают против владельца.

Тема сущностей обросла мифами быстрее остальных разделов AEO - и на ней активнее всего работают продавцы «магии». Вот признаки, по которым стоит остановить разговор.

• Гарантия статьи в Википедии «за неделю». Энциклопедическая значимость не гарантируется никем: вымученная статья удаляется, а история правок остаётся навсегда. Честный подрядчик сначала оценивает внешнюю фактуру.
• «Секретные базы знаний» и «прямая регистрация в графе». Базы знаний правятся по публичным правилам; «прямой доступ к графу» поисковой системы не продаётся. За такими формулировками - либо накрутка, либо ничего.
• Регистрация в Wikidata без источников. Элемент без независимых подтверждений живёт до первой проверки и вредит: удалённая запись сложнее новой.
• Отчёт «мы добавили вас в граф» без проверяемых ссылок. Каждый результат работы с сущностью - публичная запись или публикация: если ссылок нет, работы не было.
• Игнорирование собственного сайта. Если sameAs и Organization не настроены, а подрядчик сразу уводит работу «во внешние источники» - граф будет собран из противоречивых кусков.
• Продажа конфликта каналов. «Забудьте про SEO, теперь только сущности» - ложная развилка: и то и другое - части одной картины (разбор - в статье SEO vs AEO).

Общий принцип: работа с графом проверяется публично. Сущность - это записи, которые видит любой: элемент в Wikidata, карточка в справочнике, публикация в СМИ, разметка в исходном коде сайта. Если из отчёта подрядчика нельзя перейти по ссылкам и увидеть результат - перед вами не AEO, а отчётность ради отчётности. Хороший маркер зрелости подрядчика - готовность показать собственную сущность: посмотреть, как само агентство-кандидат представлено в базах знаний, дешевле, чем оплачивать его ошибки.

Первые две недели можно уложить в четыре встречи с собой. Неделя первая: инвентаризация источников и сверка признаков (шаги 1-2), тест Natural Language API на двух страницах. Неделя вторая: разметка ядра и заявка на правку элемента в базе знаний (шаги 3-4), разбор трёх расхождений во внешних карточках. После этого останется только контур упоминаний и замер - а это уже управляемый процесс, который удобно отдать подрядчику с проверяемыми KPI.

Граф сущностей - это ответ на вопрос, который старый поиск не задавал, а генеративный задаёт всегда: «кто вы такой?». Модель отвечает клиенту не по одному лучшему фрагменту, а по совокупности согласованных записей о бренде - на сайте, в базах знаний, в справочниках, в СМИ. Собранный граф делает бренд участником любых отраслевых ответов; разорванный обнуляет даже отличную контент-работу - модели не решают противоречия в пользу компании.

Хорошая новость: это самая проверяемая часть AEO. Элемент в Wikidata, sameAs-профиль, согласованные биографии, замер salience - всё видно по ссылкам и числам, без веры на слово. Начните с малого: инвентаризация двадцати источников и тест Natural Language API на двух страницах сайта. Один вечер работы - и у вас на руках карта противоречий, которая заменяет часы презентаций подрядчиков.

И удерживайте рамку: сущность - не замена контенту и технике, а их фундамент. Фрагменты (цитируемый контент), техническая доступность (краулеры) и граф сущностей - три опоры, на которых держится видимость в генеративном поиске. Рейтинг AEO RANK™ оценивает все три - и критерий B5 показывает, что на рынке «работа с сущностями» пока встречается реже, чем декларируется: проверяйте не слова, а записи.

Общий итог статьи умещается в одну фразу: прежде чем бороться за цитирование, убедитесь, что машина понимает, кого цитировать. Граф сущностей - невидимая часть AEO, которая определяет верхнюю границу всех остальных усилий: контент и упоминания дают модели материал, но собрать из него правильную картину она сможет только тогда, когда записи о бренде согласованы и связаны. Уровень этой работы на рынке пока невысок - что и делает её самым дешёвым источником преимущества: собранная сущность выделяет бренд на фоне конкурентов, чьи записи расходятся между источниками.