Исследователи Qi Liu, Geng Hong, Xinyang Zhang, Pei Chen, Yutong Li и Min Yang опубликовали препринт arXiv:2610.11932, где измерили хрупкость цитирования в AI-поиске: на десяти платформах 17 211 цитирований концентрируются в узком наборе доменов, у 15 из 22 протестированных площадок-источников барьеры регистрации и публикации низкие или средние, а контролируемые эксперименты показали, что обычные посты меняют выдачу — 8 из 10 платформ процитировали заведомо выдуманный концепт в течение семи дней. Путь уже коммерциализирован: покупка GEO-услуги за $14 дала 13 публичных постов, и как минимум одна платформа процитировала засеянный контент в течение часа. Исследование переводит цитирование из SEO-практики в категорию вопросов безопасности, поэтому ссылки в ответах AI-поиска стоит проверять до первоисточника.

image
image
image

Что произошло

8 октября 2026 года исследователи Qi Liu, Geng Hong, Xinyang Zhang, Pei Chen, Yutong Li и Min Yang выложили на arXiv препринт 2610.11932 под названием From Public Posts to AI-Search Citations: Measuring the Fragility of AI Search. Работа объединяет два уровня анализа. Первый — масштабное измерение: на десяти AI-поисковых платформах авторы собрали 17 211 цитирований, приходящихся на 6 356 уникальных доменов, и показали, что цитаты концентрируются в узком наборе источников: топ-20 доменов покрывают от 20,5% до 70,8% всех цитат отдельной платформы. Второй — контролируемые эксперименты: обычные публикации на «предпочитаемых» площадках меняли выдачу, а у 15 из 22 протестированных площадок-источников барьеры регистрации и публикации оказались низкими или средними. В ключевом эксперименте 8 из 10 платформ процитировали заведомо выдуманный концепт — в статье он фигурирует под выдуманным названием PedoSAT — в течение семи дней после обычной публикации. Один пост на платформе с высоким предпочтением собрал больше цитирований, чем 20 и более сопоставимых постов на низкоприоритетных площадках; в экспериментах фигурируют китайские экосистемы Sohu и Doubao. Авторы проверили и коммерческую сторону: покупка GEO-услуги (Generative Engine Optimization) за $14 дала 13 публичных постов, и как минимум одна платформа процитировала размеченный контрольными маркерами контент уже в течение часа.

Контекст

AI-поиск — это генеративные системы, которые выдают не список ссылок, а готовый текст со ссылками: между всем вебом и ответом, который видит пользователь, работает retrieval-слой, решающий, какие страницы и посты попадут в контекст модели. Именно этот слой превращает цитирование в отдельный канал дистрибуции со своей экономикой. Традиционное SEO боролось за позиции в выдаче; для генеративных ответов формируется рынок GEO (Generative Engine Optimization) — оптимизации под попадание в цитаты, и препринт показывает, что этот рынок уже не гипотеза, а работающая услуга. Концентрацию цитат в узком списке доменов исследователи связывают с устройством пайплайнов: площадки со свежим UGC-контентом и низким трением публикации попадают в ответы чаще, поэтому по данным экспериментов выбор места публикации оказался значимее качества самого текста. Работа позиционируется как измерительное исследование состояния retrieval-слоя AI-поиска, а не как инструмент или новая модель, и на момент публикации оставалась вне фокуса широкого обсуждения.

Почему это важно для индустрии

Для AI-отрасли центральный вывод в том, что целостность цепочки цитирования становится инженерной проблемой, а не маркетинговой: retrieval-корпус, из которого генеративный поиск берет источники, оказался управляем извне, и инъекция контента через обычные посты — зафиксированный эффект, а не гипотеза. Компаниям, строящим AI-поиск, препринт задает повестку: публиковать понятные правила отбора источников, включать в eval-стеки проверки на GEO-манипуляции, вести логи распределения доменов в цитатах и готовить защитные механизмы против посева. Для платформ-источников и брендов появляется новая поверхность риска: их контент может попадать в ответы через засеянные посты, а привычная цитируемость домена — использоваться как прикрытие для чужого содержания. Одновременно открываются продуктовые ниши, которых в зрелом виде пока нет: мониторинг цитируемости своих доменов в AI-поиске, детекция аномального посева и provenance-метаданные для источников. Командам, уже эксплуатирующим RAG, доступен дешевый старт сегодня: составить инвентаризацию того, какие UGC-площадки попадают в индекс, и начать трекинг цитирований собственных доменов.

Почему это важно для пользователей

Для читателя вывод прагматичный: источники в ответе AI-поиска могут быть засеянными постами, а не проверенными публикациями, поэтому ссылка в ответе сама по себе не доказательство. Рабочая привычка — открывать первоисточник и смотреть, кто его опубликовал и когда: свежий анонимный пост на UGC-площадке не равноценен редакционному материалу. Полезно учитывать, что каждая платформа цитирует узкий список любимых доменов, а значит привычность источника в ответах может отражать механику пайплайна, а не надежность публикации. Ключевые факты — названия, цифры, свежие события и упоминания продуктов — стоит сверять минимум по двум независимым публикациям. AI-поиск остается удобным способом войти в тему, но решения, принятые только на основании сгенерированного ответа с одной ссылкой, сейчас принимаются на свой риск.

Что пока неизвестно / ограничения

Работа остается нерецензированным препринтом, и выводы следует читать как первое измерение, а не устоявшийся результат. Покупной сценарий описан единичным кейсом: это демонстрация механизма, а не систематическая оценка рынка GEO-услуг. Эксперименты выполнялись на китайском сегменте, поэтому перенос выводов на не-китайские платформы не подтвержден и требует независимых воспроизведений. Реакции самих AI-поисковых платформ не задокументированы, а обсуждение работы в сообществе фактически отсутствует. Препринт не содержит готовых инструментов — ни API, ни фильтров, ни порогов детекции, — так что конкретные защитные меры остаются на усмотрение команд.

Источники

Автор

Look at AI, редакция