TL;DR: В аудите 100 листингов в ChatGPT, Perplexity и Gemini частота цитирований выросла с 12 % у листингов только с текстом до 71 % у листингов с полными структурированными геоданными. Три сигнала, давшие наибольший эффект, это верифицированные геокоординаты, поля nearby context и согласованность NAP между платформами.
В течение первых двух недель апреля 2026 года мы провели контролируемый аудит 100 локационных листингов, чтобы ответить на один вопрос: насколько структурированные геоданные реально меняют частоту, с которой ИИ-ассистент цитирует листинг?
Короткий ответ: разница между худшей и лучшей корзинами составила примерно шесть раз. Ниже приведены полная методология, результаты по корзинам и практические выводы для всех, кто оптимизирует листинг под ИИ-поиск.
Методология
Листинги. 100 листингов в четырёх вертикалях: 30 апартаментов, 25 бутик-отелей, 25 независимых ресторанов, 20 локальных достопримечательностей. География охватывала 14 европейских городов, чтобы ограничить смещение в сторону одного рынка. У всех листингов был активный индексируемый сайт и присутствие минимум в одном стороннем каталоге.
Набор запросов. Пятнадцать шаблонов промптов с discovery-интентом на листинг, охватывающих общий discovery («тихие бутик-отели в Порту»), discovery с привязкой к фичам («отели в Порту в пешей доступности от метро») и именованный вызов («Casa do Vale, хороший гостевой дом в Порту?»). Каждый шаблон запускался с нуля, без истории диалога, в чистой сессии.
Модели. ChatGPT (класса GPT-5), Perplexity, Gemini. Каждый промпт запускался по одному разу на модель, что дало 45 ответов на листинг и 4500 ответов суммарно.
Оценка. Ответ засчитывался как цитирование, если листинг появлялся как связанный источник, был явно назван в ответе или и то и другое. Частичные совпадения по имени просматривались вручную для отсева ложных срабатываний.
Разбиение по корзинам. Каждый листинг оценивался MapAtlas AEO Checker по 29 структурированным сигналам, затем распределялся в одну из четырёх корзин по полноте. Пороги корзин были зафиксированы до начала оценивания.
Главный результат
Разрыв в частоте цитирований между нижней и верхней корзиной оказался больше, чем мы ожидали.
Источник: бенчмарк MapAtlas, апрель 2026, n=100 листингов, 4500 ответов.
Нижняя корзина, листинги с богатым текстом, но без структурированных данных, достигла частоты цитирований 12%. Верхняя корзина, листинги с полной разметкой Place, верифицированными геокоординатами, полями контекста окружения, FAQ-разметкой и согласованным NAP между платформами, достигла 71%.
Разбор по отдельным сигналам
Чтобы понять, какие именно сигналы двигали результат верхней корзины, мы провели feature-ablation анализ. Для каждого из шести самых весомых сигналов мы сравнили частоту цитирований у листингов, где сигнал присутствовал, и у тех, где его не было, удерживая остальные переменные приблизительно постоянными.
| Сигнал | С сигналом | Без сигнала | Lift |
|---|---|---|---|
Полный Place JSON-LD с geo | 58% | 19% | 3.1x |
| Верифицированные данные о ближайших POI | 62% | 24% | 2.6x |
| Поля близости к транспорту | 54% | 22% | 2.5x |
| FAQ-разметка с локационными вопросами | 49% | 26% | 1.9x |
| Согласованность NAP на 3+ платформах | 56% | 21% | 2.7x |
| Внешний идентификатор (Wikidata / Place ID) | 51% | 27% | 1.9x |
Источник: бенчмарк MapAtlas, апрель 2026.
Четыре вывода из этой таблицы:
- Геокоординаты являются самым сильным единичным lift. Блок Place без
geoработает лишь немногим лучше, чем полное отсутствие разметки. - Контекст окружения почти так же силён. Близость к именованным POI и транспорту является вторым по силе предиктором цитирования.
- FAQ-разметка помогает, но меньше, чем локационные сигналы. FAQ, отвечающие на локационные вопросы («сколько идти до ближайшего метро»), обошли обычные операционные FAQ с большим отрывом.
- Внешние идентификаторы бьют выше своего веса. Привязка листинга к Wikidata QID или Google Place ID почти удваивала частоту цитирований в ablation, вероятно потому, что позволяет ИИ-системам дедуплицировать между источниками.
Различия по вертикалям
Размер эффекта был неоднороден по вертикалям. Апартаменты, стартующие с самой слабой базовой линии, показали наибольший абсолютный прирост от структурированных данных. Достопримечательности, которые уже хорошо представлены в обучающих данных, показали наименьший.
| Вертикаль | Нижняя корзина | Верхняя корзина | Разрыв |
|---|---|---|---|
| Апартаменты | 7% | 68% | +61 |
| Бутик-отель | 14% | 74% | +60 |
| Независимый ресторан | 13% | 69% | +56 |
| Локальная достопримечательность | 18% | 72% | +54 |
Источник: бенчмарк MapAtlas, апрель 2026.
Апартаменты являются самой очевидной победой. Листинг, который начинается невидимым, может стать стабильно цитируемым источником за счёт одних только структурированных данных. Для объектов, уже имеющих сильное публичное представление, эффект слабее, но всё ещё значим.
Что модель на самом деле делает
При качественном разборе 200 ответов проявился устойчивый паттерн. Когда у листинга были полные структурированные данные, ассистент склонен был цитировать конкретные факты: время пешком до станции, число ресторанов в радиусе 300 метров, название района, часы работы. Когда тот же листинг лишался структурированных данных, ассистент либо опускал его полностью, либо описывал общими словами.
Это согласуется с поведением моделей с retrieval-augmentation. Они предпочтительно цитируют источники, отвечающие на вопрос конкретными, проверяемыми фактами. Текст, описывающий листинг как «тихий и удобный для прогулок», проигрывает структурированному полю, гласящему «walk score 92, средний уровень шума 18 дБ». Второй вариант проще извлечь, проще сравнить с запросом пользователя и проще атрибутировать.
Что переводит листинг из корзины 1 в корзину 4
На основе ablation четыре изменения дают основную часть прироста:
1. Добавьте полный JSON-LD блок Place или LodgingBusiness с геокоординатами. Координаты, совпадающие с почтовым адресом, канонический внешний идентификатор и все обязательные поля Schema.org. Собственное руководство Google по структурированным данным для локального бизнеса перечисляет поля, имеющие наибольший вес. Полевые подробности изложены в JSON-LD разметке для цитирований локального бизнеса ИИ.
2. Обогатите листинг верифицированным контекстом окружения. Время пешком до ближайших остановок транспорта, количество ближайших ресторанов и кафе, именованные POI в заданном радиусе. MapAtlas GeoEnrich генерирует это в масштабе из верифицированных источников, так что это можно встроить и в разметку, и в текст страницы.
3. Публикуйте локационную FAQ-разметку. Вопросы, напрямую отражающие то, как пользователи формулируют локационные запросы. См. локационные FAQ для ИИ-поиска.
4. Сверьте NAP между платформами. Сайт листинга, Google Business Profile и минимум один сторонний каталог должны показывать одни и те же имя, адрес и телефон. Механика разобрана в Согласованности NAP для ИИ-поиска.
Оговорки
Этот бенчмарк ориентировочный, а не окончательный. Три ограничения, которые стоит обозначить:
- Размер выборки. 100 листингов достаточно, чтобы увидеть крупные эффекты, но мало, чтобы разрешить тонкие различия.
- Дрейф модели. ИИ-ассистенты часто обновляются. Абсолютные числа будут смещаться, относительный порядок сигналов стабильнее.
- Состав запросов. Наши шаблоны смещены в сторону discovery-интента. Транзакционные запросы («забронировать номер в Порту на сегодня вечером») маршрутизируются иначе и выходили за рамки работы.
Более широкая мысль не в точности какого-то одного числа. Она в том, что разрыв между структурированными и неструктурированными листингами велик, измерим и в значительной мере закрывается работой, которая находится в зоне контроля владельца листинга.
Измерьте собственный базовый уровень
MapAtlas AEO Checker оценивает листинг по тем же 29 сигналам, что и этот бенчмарк. Прогоните его на лучшем объекте, затем на слабейшем. Разница в оценке обычно совпадает с разницей в том, как часто каждый из них всплывает в ответах ИИ-ассистентов на практике.
Частота цитирований становится аналогом органического ранжирования для поколения пользователей, ищущих через ИИ. Побеждают те листинги, которые дают модели что-то для извлечения. Всё остальное представляет собой текст, который модель вежливо проигнорирует.
По теме:
- Почему ИИ-ассистенты галлюцинируют адреса
- SEO было «ключ к ключу», теперь это «база к базе»
- Локационные FAQ для ИИ-поиска
- Проверьте свой показатель видимости в ИИ бесплатно
Часто задаваемые вопросы
Что такое частота цитирований в ИИ?
Частота цитирований в ИИ представляет собой долю релевантных пользовательских запросов, в которых ИИ-ассистент включает конкретный листинг в цитируемые источники или упоминает листинг по имени в ответе. Это эквивалент органического ранжирования для ИИ-поиска, но измеряется на уровне ответа, а не страницы результатов. Листинг с частотой цитирований 40% появляется в двух ответах из пяти на релевантные запросы по тестируемым ассистентам.
Как проводился этот бенчмарк?
Мы отобрали 100 листингов в четырёх вертикалях: апартаменты, бутик-отели, независимые рестораны и локальные достопримечательности. Каждый листинг прогонялся 15 раз через ChatGPT, Perplexity и Gemini с использованием стандартного шаблона запросов с discovery-интентом. Ответы оценивались по тому, появился ли листинг как цитируемый источник или именованная рекомендация. Затем листинги были разбиты на корзины по полноте структурированных данных, измеряемой MapAtlas AEO Checker.
Что сильнее всего влияло на частоту цитирований?
Три сигнала двигали стрелку сильнее всего: наличие полного JSON-LD блока Place или LodgingBusiness с геокоординатами, верифицированный контекст окружения (время в пути на транспорте и близость к именованным POI) и согласованность NAP между Google Business Profile, главной страницей листинга и как минимум одним сторонним каталогом. Листинги с высокими оценками по всем трём имели частоту цитирований примерно в шесть раз выше, чем листинги с низкими оценками по всем трём.
Помогали ли одни лишь текстовые описания?
Минимально. Длинные текстовые описания, содержащие локационные ключевые слова, но без структурированных данных, давали базовую частоту цитирований около 12%. Добавление разметки Schema.org без верифицированных гео-полей поднимало её примерно до 28%. Добавление верифицированного контекста окружения и согласованных данных NAP поднимало её дальше, примерно до 71% в корзине с лучшим результатом. Качество текста важно для доверия пользователя после того, как листинг процитирован, но мало влияет на то, будет ли листинг процитирован вообще.
Как измерить собственную частоту цитирований?
Прогоните URL своего листинга через бесплатный MapAtlas AEO Checker на mapatlas.eu/ai-seo-checker. Чекер оценивает те же 29 сигналов, что и в этом бенчмарке, и помечает отсутствующие. Совместите оценку с периодическими ручными промптами в ChatGPT, Perplexity и Gemini, чтобы отслеживать, как часто ваш листинг всплывает во времени.
