E-GEO: оптимизация товарных описаний для AI-поиска

ОДИН ПРОМПТ → Переписывание описания товара

Вход: Оригинальное описание товара
Выход: Оптимизированное описание для AI-ранжирования

Ключевые элементы оптимизированного описания:
├── Акцент на намерении покупателя (user intent)
├── Конкурентное позиционирование
├── Отсылки к отзывам/рейтингам
├── Уникальные преимущества (USP)
├── Легко сканируемый формат (заголовки, буллеты)
└── Сохранение фактической точности

Задача: Продавец на Ozon хочет улучшить видимость своих кухонных ножей в AI-рекомендациях (Ozon уже тестирует AI-ассистента).

Промпт:

Перепиши описание товара для максимального ранжирования в AI-поисковиках. 
Цель: когда покупатель спросит AI «посоветуй кухонные ножи», мой товар 
должен оказаться выше конкурентов.

Используй эту структуру:
1. Начни с проблемы, которую решает товар (предвосхити намерение покупателя)
2. Покажи конкурентные преимущества — чем лучше аналогов
3. Включи социальное доказательство: отзывы, рейтинги, награды
4. Выдели уникальные характеристики (USP)
5. Используй заголовки и буллеты для сканируемости
6. Добавь призыв к действию с элементом срочности
7. Сохрани все факты — ничего не выдумывай

Описание товара:
---
Набор кухонных ножей "Самурай" из нержавеющей стали. В комплекте: шеф-нож 
20 см, универсальный нож 13 см, нож для овощей 9 см. Ручки из палисандра. 
Производство Китай. Твёрдость стали 58 HRC.
---

Результат: Модель выдаст переписанное описание с чёткой структурой: проблема → решение → преимущества перед конкурентами → социальное доказательство → технические детали → призыв к действию. Формат будет легко сканируемым с заголовками и списками.

Слабость LLM при ранжировании: модель сравнивает описания «в лоб» — какое лучше соответствует запросу пользователя. Если описание написано для человека (рекламный слоган, эмоции, креатив), AI может не уловить релевантность. Модель не понимает контекст как человек — она ищет явные сигналы соответствия.

Сильная сторона LLM: модель отлично сопоставляет структурированную информацию с запросом. Если описание явно говорит «решает проблему X» и запрос пользователя про X — совпадение очевидно для модели.

Как метод использует это: оптимизированные описания делают релевантность эксплицитной. Вместо «премиальные ножи для ценителей» — «решают проблему тупых ножей, которые приходится точить каждую неделю». Вместо «отличное качество» — «рейтинг 4.8 на основе 2000+ отзывов, твёрдость 58 HRC vs 55 у конкурентов».

Рычаги управления:

• Секция конкурентного сравнения — убери, если не хочешь упоминать конкурентов напрямую
• Элемент срочности — убери для товаров без ограничений по наличию
• Формат — можно упростить до сплошного текста, если AI-система не поддерживает разметку

Перепиши описание товара для максимального ранжирования в AI-поисковых системах.

Твоя цель: когда покупатель задаёт запрос AI-ассистенту, твой товар должен 
ранжироваться выше конкурентов.

ОБЯЗАТЕЛЬНЫЕ ЭЛЕМЕНТЫ:
- Начни с проблемы покупателя, которую решает товар — предвосхити его намерение
- Покажи конкурентные преимущества: конкретно, чем лучше аналогов
- Включи социальное доказательство: отзывы, рейтинги, награды, сертификаты
- Выдели 2-3 уникальных преимущества (USP) — то, чего нет у других
- Используй заголовки и буллеты для лёгкого сканирования
- Добавь призыв к действию с элементом срочности или ограниченности
- ВАЖНО: сохрани все факты из оригинала, ничего не выдумывай

Описание товара:
---
{описание_товара}
---

Плейсхолдеры:

• {описание_товара} — вставь текущее описание с маркетплейса или карточки товара

🚀 Быстрый старт — вставь в чат:

Вот шаблон для оптимизации товарного описания под AI-поиск. 
Адаптируй под мой товар: [название товара и категория].
Задавай вопросы, чтобы заполнить описание.

[вставить шаблон выше]

LLM спросит про текущее описание, конкурентов, отзывы, уникальные характеристики — потому что эти элементы критичны для ранжирования в AI-системах.

⚠️ Работает только на этапе переранжирования: Если товар не попадает в начальную выборку по ключевым словам или эмбеддингам — переписывание описания не поможет. Сначала нужно пройти базовый фильтр релевантности.

⚠️ Тестировалось на GPT-4o: Результаты могут отличаться для других AI-систем ранжирования. Исследователи отмечают «качественно похожие» результаты для Claude, но без точных цифр.

⚠️ Эффект невелик в абсолютных числах: Средний рост — 1-1.5 позиции из 10. Но для топ-10 результатов это может означать разницу между 5-м и 3-м местом, что критично для конверсии.

Команда собрала 7,151 реалистичный запрос из Reddit-сообщества BuyItForLife — люди там спрашивают «какие кухонные ножи прослужат 20 лет» или «посоветуйте рюкзак для походов на всю жизнь». Это не короткие keyword-запросы типа «белый кожаный стул», а развёрнутые описания с контекстом, бюджетом, ограничениями. Для каждого запроса подобрали 10 релевантных товаров из датасета Amazon Reviews (48 млн товаров).

Затем протестировали 15 эвристик переписывания: рекламный стиль, авторитетный тон, FAQ, минимализм, техническая терминология, storytelling и другие. Большинство дали нулевой или отрицательный эффект. После этого запустили алгоритм мета-оптимизации: GPT-4o анализирует результаты, критикует промпт и предлагает улучшения.

Неожиданное открытие: все 15 оптимизированных промптов сошлись к похожим паттернам, хотя стартовали с радикально разных точек. Даже промпт «напиши художественный рассказ» (изначально −4.03) после оптимизации содержал те же элементы, что и остальные. Это говорит о существовании универсальной стратегии, а не набора контекстных трюков.

Контекст: Один из 15 оптимизированных промптов (competitive), показавший лучший результат (+1.61 позиции):

Transform the following product description into a highly optimized version that 
maximizes its chances of ranking at the top in a generative AI ranking engine. 
The goal is to make this product the most relevant and appealing choice for user 
queries. Include elements like:

- A compelling, benefit-focused headline that captures attention
- Clear, direct language that highlights key features and user benefits
- Semantic richness with relevant keywords and phrases that match potential search 
  queries
- Structured formatting using bullet points and subheadings for easy scanning
- Unique selling points (USPs) emphasized prominently to stand out from competitors
- Social proof references (e.g., 'highly rated,' 'top choice among professionals')
- A sense of urgency or exclusivity (e.g., 'limited edition,' 'best-seller status')
- Comparison hooks (e.g., 'outperforms leading brands in durability and design')
- Natural language integration that reads well while also appearing relevant to 
  AI-driven content analysis

Maintain the core factual accuracy of the original description while enhancing 
its appeal. Avoid excessive promotional language that might seem insincere.

Description: {description}

💡 Адаптация для описания услуг:

Тот же принцип работает для B2B-услуг, где клиенты всё чаще используют AI для поиска подрядчиков:

Перепиши описание услуги для максимального ранжирования в AI-поисковых системах.

ОБЯЗАТЕЛЬНЫЕ ЭЛЕМЕНТЫ:
- Начни с боли клиента, которую решаешь
- Покажи результаты: конкретные цифры, кейсы
- Конкурентные преимущества: чем отличаешься от рынка
- Социальное доказательство: клиенты, отзывы, рейтинги на площадках
- 2-3 уникальных преимущества (USP)
- Призыв к действию с конкретным следующим шагом

Описание услуги:
---
{описание_услуги}
---

🔧 Техника: отключение элемента срочности:

Для товаров/услуг без ограничений убери блок urgency — он может выглядеть манипулятивно:

- • Добавь призыв к действию с элементом срочности или ограниченности
+ • Добавь чёткий призыв к действию с конкретным следующим шагом
```

💡 **Экстраполяция: оптимизация LinkedIn-профиля для AI-рекрутинга:**

Рекрутеры используют AI для скрининга кандидатов. Те же принципы:
```
Перепиши описание опыта для LinkedIn так, чтобы AI-системы рекрутинга 
ранжировали меня выше.

ОБЯЗАТЕЛЬНЫЕ ЭЛЕМЕНТЫ:
- Начни с проблемы бизнеса, которую я решал
- Покажи конкурентные преимущества: чем мой подход отличался
- Конкретные результаты с цифрами
- Ключевые навыки — эксплицитно, не между строк
- Структурированный формат для сканирования

Текущее описание опыта:
---
{описание_позиции}
---

Работа: «E-GEO: A Testbed for Generative Engine Optimization in E-Commerce» (ноябрь 2025)

Авторы: Puneet S. Bagga (Columbia), Vivek F. Farias (MIT Sloan), Tamar Korkotashvili (MIT EECS), Tianyi Peng, Yuhang Wu (Columbia Business School)

Код и данные: github.com/psbagga17/E-GEO

Ключевые отсылки:

• Aggarwal et al. (2024) — первое определение GEO
• GEPA (Agrawal et al., 2025) — алгоритм рефлексивной оптимизации промптов