GEO для банков и финтеха: видимость в Алисе AI

TL;DR

Главные каналы для банка и финтеха в РФ — Алиса AI, GigaChat и ChatGPT: туда уходят запросы про вклады, ипотеку, карты и переводы. Главный рычаг отрасли — не объём контента, а комплаенс-сигналы: прозрачные тарифы, дисклеймеры, указание лицензии и регулирующего документа. LLM-операторы понижают вес финансовых материалов без этих сигналов, поэтому в банке GEO работает медленнее, на меньшем числе каналов и под обязательным review юристов.

Какие нейросети важны для банков и финтеха

Приоритет распределяется как Алиса AI → GigaChat → ChatGPT. Алиса AI критична, потому что она интегрирована в Яндекс-экосистему и подмешивается во все потребительские интерфейсы — Я.Браузер, Я.Поиск, Я.Карты, Я.Дзен, — куда естественно приходят транзакционные финзапросы. GigaChat от Сбера используется внутри банковских процессов и в Сбер-экосистеме (СберДевайсы, СберУслуги). ChatGPT берёт сравнительные и образовательные запросы.

Доли по ВЦИОМ (2026): ChatGPT 27%, YandexGPT/Алиса AI 23%, DeepSeek 20%, GigaChat 15%, Shedevrum 11%. Для банка веса сдвигаются в сторону Алисы AI и GigaChat: они доминируют на русскоязычных потребительских запросах с локальной привязкой («ипотека в [город]», «вклад под X% [банк]»), где и происходит выбор финансового продукта. 71% крупных компаний РФ уже используют генеративный AI (ВЦИОМ, 2026) — это касается и B2B-направлений банка (РКО, эквайринг, факторинг).

Контекст шире: пересечение топ-10 Google и LLM-цитат упало с 70% до менее 20% за 18 месяцев (Brandlight, 2026), а традиционный веб-поиск к концу 2026 потеряет −25% объёма (Gartner, 2026). Для банка это значит, что классическое SEO по «ипотека ставка» перестаёт приводить клиента — ответ всё чаще формирует модель, а не выдача.

| Модель | Где «живёт» | Что вытягивает | Главный рычаг | | --- | --- | --- | --- | | Алиса AI | Я.Браузер, Поиск, Карты, Дзен | Локальные транзакционные финзапросы | Я.Бизнес + Schema FinancialProduct + свежие ставки | | GigaChat | Сбер-экосистема, корп-интеграции | Продуктовые и процессные запросы | Структурированные FAQ + дисклеймеры + лицензия | | ChatGPT | Веб + поиск | Сравнения, «как выбрать», обучение | Цитируемость на финпорталах + Wikipedia |

Какие источники цитирования критичны

Модели собирают ответ про банк не только с вашего сайта — критична связка «официальный сайт + карточки в экосистемах + профильные финпорталы». Для Алисы AI вес имеют Я.Бизнес и Я.Карты (адреса отделений, часы работы, контакты), для всех моделей — корректно размеченные страницы тарифов на вашем домене. Топ-источник ChatGPT — Wikipedia (47.9%, Profound 2026), поэтому актуальная и точная статья о банке в Википедии напрямую влияет на то, как модель его описывает.

Профильные площадки — Банки.ру, Сравни.ру, Выберу.ру — часто попадают в retrieval по сравнительным запросам про вклады и кредиты. Их сложно контролировать напрямую, но управление актуальностью ваших тарифов и отзывов там — отдельная задача. Brand mentions без ссылок коррелируют с видимостью сильнее, чем backlinks (Spearman 0.664 против 0.2, Superlines 2026): упоминание банка в корректном контексте важнее ссылочной массы.

Отзывы и UGC на финпорталах попадают в ответы Алисы AI и GigaChat. Управление ими (ответы на отзывы, исправление устаревших данных о продуктах) — часть GEO-стратегии банка, а не отдельный репутационный трек.

Отдельно отметим, что домены, цитируемые одновременно и ChatGPT, и Perplexity, — это лишь 11% (Brandlight, 2026). На практике это значит, что под разные модели нужны разные источники: для Алисы AI и GigaChat — экосистемные карточки и русскоязычные финпорталы, для ChatGPT — Wikipedia и обзорные материалы. Универсального «попасть во все» не бывает, и распределение усилий между источниками лучше строить по тому, какие модели реально цитируют ваш сегмент, — это и показывает мониторинг.

Технические требования

Технический фундамент для банка — открытые LLM-боты, корректная Schema.org финансовых типов, SSR и контролируемая свежесть ставок. Без этого даже идеальный по комплаенсу контент не попадёт в retrieval.

В robots.txt откройте доступ ботам: GPTBot, OAI-SearchBot, ChatGPT-User, ClaudeBot, Claude-SearchBot, PerplexityBot, Perplexity-User, Google-Extended, Googlebot, YandexBot. Закрытый GPTBot или YandexBot означает, что ваши страницы тарифов просто не индексируются для генеративных ответов.

Schema.org — ключевой слой для финтеха:

• FinancialProduct (и подтипы LoanOrCredit, BankAccount, PaymentCard) на каждой странице продукта.
• MonetaryAmount для ставки, минимальной суммы, лимитов — числовое значение и валюта в машиночитаемом виде. Это снижает риск галлюцинации модели по вашей ставке.
• FAQPage для блока вопросов-ответов: FAQPage Schema повышает попадание в AI Overviews в 3.2 раза при citation rate 67%, а таблицы — в 4.2 раза (Profound, 2026). Страницы тарифов со структурированными таблицами ставок цитируются заметно чаще текстовых описаний.

SSR обязателен: ставки и условия должны быть в HTML, а не подгружаться JS после рендера — иначе бот видит пустую страницу. Свежесть критична для финансов вдвойне: обновляйте dateModified при каждом изменении ставки и проставляйте дату актуальности прямо в тексте. Для Perplexity 82% цитат моложе 30 дней (Profound, 2026) — устаревшая ставка не только бесполезна, но и создаёт регуляторный риск.

Регуляторика и комплаенс

Регуляторика — не ограничение поверх GEO, а его главный рычаг в банковской вертикали. LLM-операторы понижают вес финансовых материалов без явных дисклеймеров, без указания лицензии и с обещаниями доходности. Грамотный комплаенс одновременно снижает регуляторный риск и повышает доверие модели к источнику.

Слои регулирования, которые касаются каждой публикации:

• ФЗ-38 «О рекламе», ст. 28 (реклама финансовых услуг и финансовой деятельности). Запрещает обещание доходности, если она не может быть определена на момент рекламы, и требует указывать лицо, оказывающее услугу, и все условия, влияющие на сумму расходов клиента. Формулировки «гарантированная доходность», «доход до X% без риска», «лучшая ставка на рынке» — прямое нарушение и сильный понижающий сигнал для LLM.
• Нормативные акты и требования Банка России — раскрытие полной стоимости кредита (ПСК), требования к информированию о рисках, идентификация лицензированного лица.
• Закон «О защите прав потребителей финансовых услуг» — обязанность давать достоверную и полную информацию о продукте до его приобретения.
• Продуктовые ФЗ: ФЗ-353 «О потребительском кредите (займе)» для кредитов, ФЗ-177 «О страховании вкладов» для депозитов.

Практические правила для GEO-материалов банка:

1. Любая числовая ставка идёт только с дисклеймером и отсылкой на «Условия предоставления продукта» и дату актуальности.
2. В FAQ по каждому продукту указывайте регулирующий документ (для вклада — ФЗ-177 и АСВ, для кредита — ФЗ-353 и ПСК). Это и комплаенс-требование, и сигнал доверия для модели.
3. Указывайте номер лицензии ЦБ. Для финтеха-нерезидента отсутствие российской лицензии — фильтр, который почти гарантированно убирает вас из ответов по продуктовым запросам.
4. Запрещённые формулировки про доходность исключаются на уровне редполитики, а не вылавливаются постфактум.
5. Каждая публичная формулировка про продукт проходит 4-eyes review юристов/комплаенса до выхода. Это удлиняет итерацию на 5–10 рабочих дней — закладывайте это в план.

Команда Rupor по умолчанию не публикует за банк ни одной формулировки про ставки и условия без согласования с его комплаенс-командой: в финвертикали цена одной неверной цифры — регуляторный риск, а не маркетинговая неточность.

Важный нюанс по работе самих LLM: модель может процитировать вашу ставку, собрав её из устаревшей версии страницы или из стороннего агрегатора, который не успел обновиться. Формально вы такую формулировку не публиковали, но в глазах клиента её произнёс «ваш банк через ассистента». Поэтому регуляторный контур в GEO шире, чем ваш сайт: он включает контроль того, что именно модели отвечают про продукты. Мониторинг ответов Алисы AI, GigaChat и ChatGPT — это не маркетинговая метрика, а инструмент раннего обнаружения регуляторного риска: вы видите неверную или просроченную ставку в ответе модели и правите первоисточник до того, как на это обратит внимание клиент или регулятор.

Чек-лист первых 90 дней

1. Неделя 1–2. Снимите Snapshot-аудит: что Алиса AI, GigaChat и ChatGPT уже отвечают про ваши продукты и где «придумывают» ставки. Проверьте robots.txt — открыты ли все LLM-боты.
2. Неделя 2–3. Соберите комплаенс-команду на отдельную сессию: согласуйте редполитику (запрещённые формулировки, обязательные дисклеймеры, порядок 4-eyes review).
3. Неделя 3–5. Внедрите Schema FinancialProduct + MonetaryAmount + FAQPage на топ-5 продуктовых страниц (вклады, ипотека, потребкредит, дебетовая/кредитная карта).
4. Неделя 4–6. Перепишите страницы тарифов: прозрачные ставки, ПСК, дата актуальности, дисклеймеры, отсылки на регулирующий документ. Проверьте SSR — ставки в HTML.
5. Неделя 5–7. Постройте FAQ по каждому продукту с указанием регулирующего документа в ответах; разметьте FAQPage.
6. Неделя 6–8. Актуализируйте Я.Бизнес и Я.Карты (отделения, контакты), проверьте и поправьте статью в Wikipedia на фактические ошибки.
7. Неделя 7–9. Наведите порядок на финпорталах (Банки.ру, Сравни.ру): актуальные тарифы, ответы на отзывы.
8. Неделя 8–10. Настройте регулярный мониторинг ответов LLM про ваши продукты — чтобы устаревшая ставка в первоисточнике правилась до того, как её процитирует модель.
9. Неделя 10–12. Замерьте долю цитирований в Алисе AI и GigaChat относительно стартового Snapshot, зафиксируйте цикл обновления dateModified при каждой смене ставки.

Типичные ошибки финтеха

• Маркетинговые обещания доходности в текстах («гарантированная доходность», «лучшая ставка»). Это и нарушение ФЗ-38, и понижающий сигнал для LLM — материал теряет вес.
• Ставки без даты актуальности и без отсылки на условия. Модель процитирует устаревшую цифру, создав регуляторный риск.
• Отсутствие Schema FinancialProduct/MonetaryAmount — модель вынуждена «угадывать» ставку из текста и чаще ошибается.
• Не указана лицензия ЦБ — для нерезидента это почти гарантированное исключение из продуктовых ответов.
• JS-рендеринг ставок — бот видит пустую страницу, тарифы не попадают в retrieval.
• Игнорирование финпорталов и Я.Бизнес — модель собирает ответ из устаревших данных на стороне, а не с вашего сайта.
• Запуск без комплаенс-сессии — публикации застревают на review или, хуже, выходят с нарушениями.
• Попытка «обойти» фильтры вместо встраивания в доверенный ряд — в финвертикали выигрывает прозрачность, а не агрессивные тактики.

Что дальше

Банковский GEO — это медленная, но защищённая игра: меньше каналов, строже review, выше требование к точности. Начните со Snapshot-аудита и сессии с комплаенсом, а дальше двигайтесь по чек-листу.

Полная методология — в гайде GEO-продвижение: полное руководство 2026. Смежные отрасли: GEO для медицины и GEO для B2B-услуг. Полезные инструменты: генератор llms.txt и проверка упоминаний бренда. Как мы работаем с регуляторикой — на странице методологии; пример из вертикали — в разделе кейсов.