2026 рік надворі. Якщо ви досі інвестуєте шалені кошти виключно в закупівлю посилань і замовляєте SEO-тексти на десять тисяч знаків, в яких копірайтери намагаються втиснути 10 разів фразу «купити Одеса», маю для вас погану новину: ви фінансуєте минуле. За статистикою, яку Google був змушений визнати ще минулого року, класичний пошук просів майже на 25%. Користувачі змінилися. Вони більше не хочуть скролити сторінки з рекламою та продиратися крізь водянисті статті, які нікому, крім Гугла, не цікаві. І ця статистика буде тільки зростати з кожним роком.
Сьогодні людина відкриває ChatGPT, Perplexity чи іншого ШІ-асистента і пише пряме запитання: «Який змішувач для раковини вибрати для жорсткої води в бюджеті до 5000 гривень?» І отримує чітку, аргументовану відповідь з рекомендацією конкретного бренду та товару. І знаєте що? Зараз люди більше довіряють ШІ, ніж рекомендаціям Гугла або й навіть своїх знайомих.
Привіт, мене звати Дмитро. Я розробник ШІ-рішень для бізнесу і фрилансер, який спеціалізується на контрольованій автоматизації бізнес-процесів. Останнім часом я щодня бачу одну й ту саму картину: величезні інтернет-магазини з крутим асортиментом втрачають найгарячіший трафік просто тому, що їхні сайти «невидимі» для штучного інтелекту.
Але також я бачу і зворотну картину: щойно створений інтернет-магазин за кілька місяців виходить на такий обсяг продажів, що для звичного SEO потрібно було б кілька років або десятки тисяч гривень на рекламу щомісяця. Думаю, що ви розумієте, — це не випадковий успіх і не удача, це застосування новітніх технологій, вмінь і правильне проектування контенту. У цій статті я на реальному кейсі покажу, що таке GEO (Generative Engine Optimization) і як ми змусили нейромережі продавати товари замість нас.
Чому ШІ ігнорує ваш сайт (і до чого тут архітектура)
Поговорімо простою мовою, без складних айтівських термінів. Уявіть, що класичний пошуковий робот Google — це бібліотекар. Він шукає потрібну книгу за назвою на обкладинці та частотою згадок ключових слів. Якщо на сторінці десять разів написано «купити ванну Київ» і людина в пошуку введе цю або схожу фразу, бібліотекар вважає її релевантною.
Велика мовна модель (LLM) — це професор, який читає саму книгу. Він розуміє контекст, аналізує характеристики і робить логічні висновки. ШІ не шукає ключові запити, він шукає сутності та зв'язки, а також чітко структуровані дані.
Головна проблема більшості e-commerce проєктів полягає в тому, що їхні бази товарів — це суцільний хаос. Характеристики звалені у звичайний текстовий блок описів, розміри перемішані з матеріалами, описи скопійовані у постачальників з купою помилок і вони абсолютно ідентичні в десятків продавців, які їх просто перенесли з файлу постачальника. Для штучного інтелекту це просто візуальне сміття.
Нейромережа не буде витрачати обчислювальні потужності, щоб розгадати, що ви мали на увазі в описі товару або прочитати ще один абсолютно ідентичний опис, який ШІ до цього читав уже 28 разів. Логіка залізна: якщо у вас крива структура бази, ШІ вас не побачить. Щоб вас почали рекомендувати, інтернет-магазин треба буквально «перекласти» машинною мовою.
Внутрішня кухня GEO: кейс інтернет-магазину Aquada
Розкажу на прикладі реального e-commerce проєкту, яким я безпосередньо займаюся, — магазину сантехніки Aquada. Завдання стояло конкретне: зробити так, щоб боти мовних моделей легко зчитували наш асортимент і використовували ці дані для генерації відповідей користувачам.
Робити це руками для тисяч товарів — шлях у нікуди.
Тому ми вирішили повністю переформатувати контент за допомогою скриптів та АРІ штучного інтелекту.
Крок 1. Вивантаження старого хаосу з бази даних
Спочатку потрібно було зібрати всі наявні дані. Я пішов найоптимальнішим шляхом — вивантажив усю необхідну інформацію безпосередньо з бази даних магазину та отримав величезний масив «сирої» інформації: неструктуровані описи, необроблені фото та характеристики, звалені в одну купу. Далі за справу взялися Python-скрипти, які розібрали цей масив за таблицями і підготували дані для передачі в нейромережу.
Щоб ви розуміли, із чим доводиться працювати, ось типова картка товару з бази — біль будь-якого e-commerce.
БУЛО (сирий текст від постачальника):
Назва: Змішувач для ванни hansgrohe focus e хромований з однією ручкою для монтажу на стіну.
Опис: Змішувач для ванни, одноважільний, настінний монтаж. Характеристика: -тип з'єднання: S-подібні ексцентрики -міжосьове підключення: 150 мм +/- 12 мм -звичайний струмінь -витрата води: 22 л/хв -керамічний змішувальний вузол -регульоване обмеження темпиратури [з помилкою] -з перемикачем вакуумного типу -клапан зворотного потоку води -з шумопоглиначем -підходить для протічних водонагрівачів. Аератори з технологією Air Power від Hansgrohe змішують воду з повітрям... Завдяки спеціальній функції QuickClean ви миттєво видалите залишки вапняного нальоту…
Характеристики: Окремо блоку характеристик взагалі не існує.
Для ШІ це каша. Маркетингова вода перемішана з технічними характеристиками та помилками. Нейромережа не розуміє, де тут ключові параметри для рекомендації.
Крок 2. Переформатування через API мовних моделей
Ось тут починається найцікавіше. Зібрані дані ми не віддавали копірайтерам. Ми підключили скрипти до API сучасних моделей — зокрема, використовували Gemini 3, яка зараз є однією з найпотужніших і найшвидших моделей для обробки великих масивів логічних даних.
Як це працювало на практиці: скрипт передавав Gemini старий текст про товар і давав чіткий промпт (завдання) — витягнути із цього тексту конкретні сутності: бренд, матеріал, тип монтажу, колір, наявність гарантії та аналогічні.
Ось частина прикладу такого робочого промпту:
«Ти — професійний технічний копірайтер та GEO-оптимізатор для інтернет-магазину елітної сантехніки. Створи контент для товару на основі сирих даних.
ДАНІ ТОВАРУ:
Назва: {product_name}
Артикул: {product_code}
Бренд: {product_brand}
Опис: {product_description}
ГЛОБАЛЬНІ ВИМОГИ:
- СУВОРО БЕЗ HTML ТЕГІВ у тексті.
- Український текст має бути природним, використовуй виключно точну технічну термінологію (наприклад, "керамічний картридж", "аератор", "латунь", "ексцентрик"). Пиши як досвідчений інсталятор сантехніки для дизайнерів та майстрів.
ФОРМАТ ВІДПОВІДІ (поверни у JSON):
[H1_TITLE] Чиста технічна назва. Формула: [Тип] + [Бренд] + [Колекція] + [(Колір)] + [(Арт: {product_code})].
[DESCRIPTION] Загальний технічний опис (принцип роботи, матеріали, сумісність з проточними водонагрівачами).
[TECH_TABLE] Словник "ключ:значення" з параметрами (без форматування).
[FAQ_GEO] Згенеруй 5 запитань та відповідей, які найчастіше ставлять ШІ-асистентам щодо цього товару. Запитання мають бути корисними, цікавими і не дублювати інформацію з назви чи опису».
Далі модель генерувала абсолютно новий контент. Але це була не водяниста SEO-стаття, а структурований технічний текст, розбитий на логічні блоки. Невеликий ліричний відступ: ці блоки мають бути абсолютно різними для різних груп товарів, тобто не можна робити однакові описи для магазину взуття і для магазину 3D-принтерів, це теж потрібно враховувати.
Ба більше, ШІ обожнює таблиці. Тому через API ми змусили модель автоматично формувати HTML-таблиці з характеристиками для кожного товару. Коли бот OpenAI заходить на таку сторінку, він одразу бачить ідеальну структуру <table...> і миттєво додає ці дані у свою базу знань. Ще одним окремим блоком стали «таблиці порівняння», в які ШІ просто закоханий: порівняння характеристик різних виробників або моделей — це маст хев для будь якого ШІ.
Машині потрібна чітка команда і формат. Замість емоційного простирадла, скрипт отримує від моделі ідеально структурований JSON, який автоматично розкладається за полями бази:
А тепер подивимось, як це виглядатиме на сайті. Думаю, що доволі непогано. Цей згенерований масив даних автоматично розгортається на сайті у вигляді чистої HTML-таблиці характеристик, яку так люблять парсити нейромережі:
Крок 3. Мікророзмітка та Alt-теги для картинок
Важливий нюанс: мовні моделі не пишуть мікророзмітку для сайту. Це завдання мого скрипта. Боти дивляться на код. Якщо у вас немає правильної мікророзмітки Schema.org (Product, Offer, Review), ви просто не існуєте для машини. До нашого втручання в картках товарів не було жодної структурованої розмітки. Боти бачили лише базовий HTML-каркас і губилися.
Отримавши від нейромережі чисті, стандартизовані дані, скрипт на льоту генерує жорстку мікророзмітку Schema.org/Product у форматі JSON-LD для кожної картки, чітко вказавши ціну, наявність, рейтинг (і ще деякі «ексклюзивні» дані). Ось шматок коду, який тепер прошитий у картці товару:
Саме цей код є «зеленим світлом» для будь-якого ШІ-краулера. Він миттєво зчитує сутності і з високою ймовірністю потягне цей товар у свою видачу.
Окремим викликом стали зображення. Зазвичай картинки на сайтах називаються «img1234.jpg» з порожнім тегом Alt. Це катастрофа для парсингу. Ми налаштували автоматизацію, де модель аналізувала категорію товару і прописувала точні Alt-теги. Наприклад: «Врізний латунний змішувач Hansgrohe для раковини, колір хром». Тепер ШІ точно знає, що зображено на фото, і може показувати його у візуальних відповідях.
Результати: що показують логи серверу
Тут ви можете логічно запитати: «Дмитре, а де ж графіки продажів? На скільки відсотків зріс прибуток?» Буду відвертим з вами. GEO зараз перебуває на стадії раннього розвитку. Нормальної наскрізної аналітики, яка покаже, що покупець прийшов саме з відповіді ChatGPT і натиснув кнопку «Купити», поки що не існує в природі. Якщо хтось малює вам такі графіки, він вас обманює.
Проте існують технічні докази, які неможливо підробити чи домалювати у фотошопі. Головний показник успіху GEO-оптимізації — це поведінка самих нейромереж на вашому сервері.
Погляньте на ці скриншоти з логів термінала. Хоча виглядає доволі страшно, але на них чітко видно, як буквально кожну хвилину боти від OpenAI та Anthropic «пасуться» на нашому сайті. Реально, вже декілька тижнів сервер постійно завантажений на 60-80% потужності, і це за умови, що ми заборонили заходити на сайт ботам з Азії та Південної Америки. Вони постійно сканують сторінки, зчитують нові таблиці та оновлюють свої бази.
Чому вони це роблять так інтенсивно? Тому що ми зробили сайт зручним для них. Правильно налаштували сервер, створили та розмістили потрібні файли в потрібних місцях, забезпечили високу швидкість відповіді й подали дані ідеально структуровано.
Також зробили ручний зріз за десятками популярних запитів. Коли просимо ШІ підібрати сантехніку під специфічні технічні умови, товари нашого магазину регулярно з'являються в топі рекомендацій. І це працює набагато краще, ніж будь-який банер чи реклама.
Висновки. Із чого почати вже сьогодні?
Якщо ви свого часу не встигли влетіти в SEO на початку його епохи і не посіли перші місця, сьогодні у вас є унікальний шанс стати першими в AI-пошуку. Ера ручного прописування тегів та написання текстів заради текстів минає назавжди. Я впевнений, що класичний копірайтинг для e-com, орієнтований на написання суцільних SEO-простирадл, поступово зникає. Настає час AI-редакторів, автоматизації, роботи з API та жорсткого структурування даних.
Щоб зрозуміти, чи готовий ваш бізнес забирати цільовий ШІ-трафік (конверсія з якого часто сягає 15%), проведіть швидку самодіагностику. Ось базовий чекліст:
Крок 1. Зазирніть у свою базу товарів
Відкрийте картку будь-якого товару в адмінці. Як там заповнені характеристики? Це окремі чітко структуровані поля чи суцільний шматок сирого тексту, скопійованого у постачальника? Якщо друге, нейромережа просто не зможе витягнути звідти суть і проігнорує товар.
Крок 2. Перевірте наявність HTML-таблиць
Відкрийте товар на сайті або попросіть свого контент-менеджера подивитися код. Чи виведені технічні характеристики у вигляді справжньої таблиці (через код <table>)? Якщо це просто текст з крапочками або дефісами, ШІ пройде повз, бо він шукає жорстку табличну структуру.
Крок 3. Протестуйте мікророзмітку
Візьміть посилання на будь-який свій товар і вставте у безплатний валідатор мікророзмітки Schema.org. Подивіться на панель результатів: чи є там головна сутність Product? Якщо її взагалі немає, ваш товар не існує для ШІ. Якщо вона є, клікніть на неї, щоб розгорнути внутрішню структуру: чи зашиті туди комерційні дані (offers) з точним відображенням ціни та наявності? Побачили червоні помилки, попередження або порожнечу замість цифр? Вітаю, для ШІ-пошуковиків ваш товар не має жодної цінності і його немає на складі.
Ось приклад правильно налаштованої мікророзмітки для сайту. У вас так само? Я вас вітаю, цю частину на вашому сайті реалізовано чудово:
Крок 4. Запитайте свого розробника про логи
Запитайте людину, яка відповідає за ваш сайт: «Чи бачимо ми в логах сервера активність краулерів OpenAI, Anthropic або Perplexity?» Якщо сервер їх блокує (або вони просто не приходять через погану структуру), ви добровільно віддаєте клієнтів конкурентам, чиї товари ШІ вже давно проіндексував і зараз рекомендує у своїх відповідях.
Якщо на більшість кроків ви відповіли «ні» або «не знаю», не намагайтеся виправити ситуацію за застарілими SEO-мануалами. Реалії 2026 року вимагають написання кастомних скриптів, роботи з API мовних моделей та глибокої технічної перебудови бази. Це не те завдання, яке можна делегувати для експериментів — ціною помилки буде втрата найгарячішого AI-трафіку.
А ще ви маєте розуміти, що зараз не існує гайду «як провести GEO аналіз сайту», яких є тисячі для класичного SEO. Інформація оновлюється щомісяця, а робочі зв'язки тестуються тільки на реальних e-commerce проєктах.
Якщо ви бачите, що ваш магазин потребує такої трансформації, ви можете зв'язатися зі мною в особистих повідомленнях на Freelancehunt або переглянути моє портфоліо, щоб обговорити ситуацію у вашому магазині. Готовий показати на ділі, як перетворити ChatGPT або Gemini на вашого найкращого та найефективнішого менеджера з продажу.