Нейросети работают по архитектуре RAG: они не ранжируют домены по общему авторитету, а извлекают конкретные фактоидные чанки под запрос. Если лидер выдачи даёт абстрактный лонгрид без прямого ответа, модель цитирует точный абзац с 8-го места или из узкого справочника. Это явление называется Search Citation Gap (SCG) — разрыв между классической органикой и цитированием в ИИ. SEO оптимизирует страницу под алгоритмы ранжирования (ссылочный профиль, поведенческие, DR). GEO (Generative Engine Optimization) готовит данные для синтеза ответа LLM: здесь решают плотность фактов на токен, отсутствие лишней энтропии и однозначная разметка сущностей. Чтобы оцифровать этот разрыв, я в FastUp разработал открытый стандарт аудита — FastUp GAS. Метрики SCG и NVI (индекс небрендовой видимости) в нём считаются по прозрачным формулам без закрытых сервисов и закрытых тулзов. Спецификация и открытый код доступны на GitHub (FastUpBy/fastup-gas) и на fastup.by/geo-audit-system. Сталкивались уже с тем, что ваш топ в классической выдаче проигрывает в ответах нейросетей? Откуда LLM в вашей нише чаще тянут фактуру?