Органический трафик падает, прямые переходы в Google Analytics растут, но вы не знаете, какие запросы теперь отвечает ChatGPT вместо того, чтобы вести пользователей на ваш сайт. В середине 2026 года LLM'ы захватили 23% поискового трафика (SimilarWeb Q2 2026). Вместо того чтобы пытаться вернуть этот трафик, вам нужно начать измерять долю упоминаний вашего сайта как источника в LLM'ах. Добавьте новый слой в метрики SEO: citation rate, source prominence, retrieval frequency.

Что такое LLM Citation и почему нужно измерять сейчас

LLM citation — это доля случаев, когда генеративная модель упоминает ваш бренд или контент как источник при ответе на вопрос пользователя. Если ChatGPT пишет "Источник: roibase.com.tr", Perplexity добавляет встроенную ссылку или Gemini указывает сайт в сноске — вы получили citation.

В классическом SEO была "рейтинг" — быть на 3-м месте в Google. В эпоху LLM это "citation prominence" — если модель показывает 4 источника, какова ваша доля? Вы первый источник или находитесь в списке "похожих источников" в конце? Эта разница влияет на CTR на 300% (Perplexity Labs internal data, Q1 2026).

Если не начнете измерять сейчас, через 6 месяцев не сможете ответить: "Принесли ли результаты наши GEO усилия?" Первый шаг — создать синтетический набор запросов и регулярно опрашивать LLM'ы.

Построение архитектуры измерения: Синтетический конвейер запросов

Ручные тесты для измерения LLM citation недостаточны. Вам нужно ежедневно отправлять одни и те же 50–100 запросов в Perplexity, ChatGPT и Gemini и парсить ссылки на источники в ответах. Используйте трёхуровневый конвейер:

Уровень 1: Дизайн набора запросов
Извлеките из Search Console последние 90 дней запросы с высоким числом показов, позицией 1–20 и CTR ниже 5%. Эти запросы означают "мы видны в Google, но не получаем клики" — LLM'ы уже отвечают на них. Выберите 50–100 запросов. Не только брендовые — смешайте информационные и транзакционные. Примеры: "длительность cookie в server-side GTM", "оптимизация стоимости BigQuery".

Уровень 2: Автоматизированный запрос
Создайте рабочий процесс n8n, который раз в день обращается к API каждого LLM. Для Perplexity используйте параметр model: sonar-pro, для ChatGPT — режим browsing: true, для Gemini — grounding: web. Сохраняйте ответ в JSON — и основной текст, и массив sources. Важно: управляйте rate limits (Perplexity free tier — 5 req/min, ChatGPT Plus — 40 req/3 часа).

Уровень 3: Парсер Citation
В ответе JSON найдите ключ sources — обойдите массив и проверьте совпадение домена (roibase.com.tr или поддомен). Если sources нет, ищите в тексте встроенную ссылку ([ссылка](...)) или простой URL (regex). Для каждого запроса сохраняйте 3 метрики:

  1. Citation exists: boolean (0/1)
  2. Ranking: позиция в массиве sources (1–5, иначе null)
  3. Prominence: встроенная в текст или только в сносках (встроенная = 2, сноска = 1, отсутствует = 0)

Запишите данные в BigQuery в таблицу llm_citations — схема: query_id, llm_provider, date, cited, rank, prominence.

Расчёт Citation Rate и Benchmark

Если запускаете 50 запросов раз в день в течение 30 дней в 3 LLM'ах, получаете 50 × 3 × 30 = 4.500 строк данных. Теперь рассчитайте метрики:

1. Общий Citation Rate

SELECT 
  llm_provider,
  COUNTIF(cited = 1) / COUNT(*) AS citation_rate
FROM `project.dataset.llm_citations`
WHERE date >= DATE_SUB(CURRENT_DATE(), INTERVAL 30 DAY)
GROUP BY llm_provider;

Benchmark (B2B SaaS Q2 2026):

  • Perplexity: 18–24%
  • ChatGPT browsing: 12–16%
  • Gemini grounding: 8–14%

Если на Perplexity ниже 12%, это признак проблемы с GEO — контент не оптимизирован для retrieval.

2. Primary Source Rate

Как часто вы — первый указанный источник, когда вас цитируют:

SELECT 
  llm_provider,
  COUNTIF(rank = 1) / COUNTIF(cited = 1) AS primary_rate
FROM `project.dataset.llm_citations`
WHERE cited = 1
GROUP BY llm_provider;

Целевой показатель: 40%+ (если цитируют, в 4 из 10 случаев вы должны быть первым источником). Ниже 20% — слабой signal релевантности, вероятно, низкое сходство embedding при retrieval.

3. Volatility запросов

Для каждого запроса рассчитайте дисперсию citation за 30 дней — если вас всегда цитируют, volatility низкая; если иногда да, иногда нет — высокая. Высокая volatility означает, что LLM часто обновляет индекс или конкуренты вас оттеснили.

SELECT 
  query_id,
  STDDEV(cited) AS citation_volatility
FROM `project.dataset.llm_citations`
WHERE llm_provider = 'perplexity'
GROUP BY query_id
HAVING COUNT(*) >= 20
ORDER BY citation_volatility DESC;

Volatility > 0.4 — перепроверьте запрос вручную. Вероятно, проблема свежести (контент опубликован 6 месяцев назад, LLM предпочитает новые источники).

Компромисс атрибуции: Direct Traffic или LLM Referral

Побочный эффект получения LLM citation: в Google Analytics растет direct traffic, но вы не знаете, откуда он из LLM. Потому что клики из веб-интерфейса ChatGPT отображаются как (direct) / (none) — нет referrer header.

Решайте двумя способами:

Метод 1: UTM Injection (в API LLM)
Если отправляете контент через API LLM (например Perplexity Publisher API), добавляйте к URL ?utm_source=perplexity&utm_medium=llm&utm_campaign=citation. Тогда в GA4 видна будет source. Но работает только с LLM'ами, использующими API — для веб-краулинга ChatGPT UTM не поможет.

Метод 2: Server-Side Fingerprinting
Bot'ы LLM'ов используют определённые паттерны User-Agent:

  • Perplexity: PerplexityBot
  • ChatGPT: ChatGPT-User или GPTBot
  • Gemini: Google-Extended

Фильтруйте эти User-Agent в логах сервера и отправляйте в GA4 как server-side event через First-Party Вступление & Архитектура измерения. Event name: llm_visit, параметр: llm_provider. Так различаете LLM в "прямом" трафике.

МетодПреимуществоНедостаток
UTM InjectionАвтоматическое отображение source в GA4Только API
Server-Side FingerprintРаботает для всех LLM'овТребует парсинга логов

Какой бы метод ни выбрали, цель: увидеть корреляцию между citation rate и referral traffic. Если citation выросла на 20%, но LLM traffic не вырос — пользователи не кликают несмотря на упоминание. Проблема в prominence или качестве snippet.

Citation Prominence: встроенная или сноска

Вас упомянули, но как? Perplexity вставила встроенную ссылку в текст (позиция в предложении с [1]) или только в список "Related sources" в конце? Эта разница влияет на CTR на 400% (Roibase internal A/B test, n=2.300 запросов).

Пример встроенной citation:

"Длительность cookie в server-side GTM повышается до 730 дней [1]."

Пример сноски:

"...доступны несколько способов.
Источники:

  1. roibase.com.tr/...
  2. competitor.com/..."

Встроенная — пользователь видит ссылку в контексте и кликает. Сноска — клик только если ищет "больше деталей", intent ниже.

Расчёт prominence score:
При каждом упоминании сохраняйте position_type (inline/footnote/sidebar). За 30 дней усредните:

SELECT 
  AVG(CASE 
    WHEN position_type = 'inline' THEN 3
    WHEN position_type = 'footnote' THEN 1
    ELSE 0
  END) AS avg_prominence_score
FROM `project.dataset.llm_citations`
WHERE cited = 1;

Целевой показатель: 2.0+ (если цитируют, половина должна быть встроенной). Ниже 1.5 — LLM видит вас как "дополнительный источник", не основной. Решение: структурируйте контент так, чтобы LLM брала прямые цитаты — однострочные определения, fact box, code snippet.

Конкурентный анализ: Source Overlap по запросам

На какие запросы конкуренты упоминаются, а вы нет? Парсьте все источники, которые показывает LLM, не только себя.

Пример: на запрос "оптимизация стоимости BigQuery" Perplexity показывает:

  1. competitor-a.com
  2. roibase.com.tr
  3. competitor-b.com

Запишите все источники в таблицу llm_all_sources — схема: query_id, llm_provider, date, source_domain, rank. Теперь рассчитайте "матрицу overlap":

SELECT 
  a.source_domain AS source_1,
  b.source_domain AS source_2,
  COUNT(DISTINCT a.query_id) AS co_citation_count
FROM `project.dataset.llm_all_sources` a
JOIN `project.dataset.llm_all_sources` b 
  ON a.query_id = b.query_id 
  AND a.llm_provider = b.llm_provider
  AND a.date = b.date
WHERE a.source_domain != b.source_domain
GROUP BY source_1, source_2
HAVING co_citation_count > 5
ORDER BY co_citation_count DESC;

Результат: "Упоминаемся вместе с competitor-a на 47 запросах." Разделите co_citation_count на количество запросов, где competitor-a упоминается самостоятельно — это "citation overlap ratio". Выше 60% — прямая конкуренция, ниже 30% — разные ниши.

Трансформация в действия:
Высокий overlap, но вас не упоминают — восполняйте content gap. Прочитайте страницу конкурента: какие факты приводит, какой формат (таблица/список/код)? Поместите те же факты в структурированный вид — JSON-LD, таблица, bullet list. LLM при retrieval предпочитает структурированные данные.

Что начать измерять прямо сейчас

Спроектируйте синтетический набор запросов — извлеките из Search Console запросы с низким CTR и высокими показами. Запустите ежедневный конвейер n8n, записывайте ответы в BigQuery. За первые 30 дней соберите baseline: citation rate, primary source rate, prominence score. Затем мониторьте влияние Generative Engine Optimization — какие изменения контента повышали citation, какие понижали. Если citation выросла, но трафик нет — проблема в prominence. Если преимущество есть — inline citation, это основной фокус. Проанализируйте конкурентов через co-citation и закройте content gap. Добавьте метрики в SEO dashboard — к концу 2026 смотрите не на "органический трафик", а на "органический + LLM visibility".