Глоссарий
Оптимизация сущностей для ответов нейросетей
Близко к работе с графом знаний, но фокус на ответах чатов и на подборе фрагментов из ваших страниц.
Сочетается с AEO, RAG и борьбой с галлюцинациями.
Определение
Оптимизация сущностей — практика навести порядок в том, как ваш бренд описан как объект знания: каноническое имя, тикер на бирже (если есть), основатель, юридический адрес, линейки продуктов, связи между подбрендами. Если карточка размыта, нейросети смешивают вас с тёзками, придумывают офисы или путают тарифы. Чистая карточка повышает шанс, что поиск по базе подтянет верный фрагмент и что проверки на размноженных запросах стабильно проходят.
Пример
Два юридических лица «ООО Ромашка» в разных городах: на сайте нет полного наименования и ИНН в подвале страницы. Модель в ответе склеивает адреса и поддержку. После того как вынесли полное название, ИНН, один телефон поддержки и схему Organization в разметке, расхождения в ответах пошли на спад.
Как считается
Публичной формулы нет — прогресс видно косвенно: меньше конфликтующих фактов в ответах, ниже доля ложных атрибутов на «идентификационных» вопросах, выше согласованность между моделями после обновления структурированных данных и внешних профилей (справочники, маркетплейсы).
Как это работает на практике
Что сделать
- Опубликовать стабильный JSON-LD
Organization/Productс неизменяемыми@id. - Синхронизировать карточки в маркетплейсах, справочниках, Wikipedia/Wikidata (если применимо).
- Явно описать «не путать с брендом X» во внутренних гайдах и на странице «О компании».
Как читать показатель
Если LLM-Score скачет при сильном контенте, сначала проверьте сущность и дубли юридических названий — иногда быстрее, чем переписывать статьи.
Когда использовать
- После M&A, ребрендинга или выхода суббренда.
- Когда модели называют несуществующий офис или регион.
- При выходе на новый язык с похожими транслитерациями.