23 апреля 2026 г.13 мин чтения

E-E-A-T и Author Schema для AI: как сигналы экспертности работают в нейросетях

Как E-E-A-T, Person/ProfilePage, sameAs, ORCID и страницы авторов влияют на цитируемость и рекомендации в AI-поиске.

Владислав Пучков

Основатель GEO Scout, эксперт по GEO-оптимизации

GEO Scout отслеживает, как Person и author-сигналы транслируются в Mention Rate и Domain Citation Rate по 10 AI-провайдерам: когда страница автора получает валидную разметку и верифицированные sameAs-ссылки, платформа фиксирует рост прямых цитирований домена в ответах Perplexity, Google AI Mode и — с задержкой — в ChatGPT. Это делает Author Schema измеримым GEO-инструментом, а не просто рекомендацией из чекбоксов.

Что такое E-E-A-T в контексте AI — не только Google

Концепция E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness) появилась в рекомендациях Google для оценщиков качества поиска и долгое время воспринималась как SEO-специфичный сигнал. В 2026 году она стала фреймворком для понимания того, как любая языковая модель оценивает источник.

Experience (опыт) — есть ли у автора практический опыт в теме? AI ищет конкретные кейсы, упоминания участия в проектах, публичные свидетельства работы в области.

Expertise (экспертность) — подтверждена ли компетентность учётными данными? Дипломы, сертификации, публикации в рецензируемых изданиях, доклады на конференциях.

Authoritativeness (авторитетность) — насколько другие авторитетные источники ссылаются на автора или его работы? Количество и качество внешних упоминаний.

Trustworthiness (достоверность) — насколько согласованна информация об авторе в разных источниках? Противоречия между страницами снижают Trust-сигнал.

Разница между Google и AI-моделями принципиальная: Google ранжирует страницы, AI синтезирует ответы. Google может показать страницу с неизвестным автором, если она технически оптимизирована. ChatGPT, Claude или Perplexity при неопределённости источника предпочтут атрибутировать информацию тому, кто идентифицируем, верифицируем и присутствует в нескольких согласованных источниках.

Какие сигналы экспертности реально считывают ChatGPT, Perplexity и Claude

Разные провайдеры работают с сигналами авторства по-разному:

Общий паттерн: AI-системы не могут проверить диплом автора напрямую. Они проверяют косвенные доказательства: есть ли о нём запись в Wikidata, цитирует ли его Google Scholar, упоминается ли он в независимых публикациях. Структурированные данные — это способ сказать модели «вот как связаны все эти сигналы».

Person schema: ключевые поля и обязательные свойства

Person schema — это JSON-LD разметка, которая описывает физическое лицо как структурированную сущность. Минимальный валидный набор включает @type, name и хотя бы один идентифицирующий атрибут. Но для AI-видимости важен расширенный набор:

Поля alumniOf и award особенно важны для академической и профессиональной аудитории: они дают Claude и DeepSeek конкретные верифицируемые факты, которые модели включают в описание источника. knowsAbout помогает AI правильно атрибутировать тематику: автор экспертен именно в этих областях, а не во всём подряд.

ProfilePage schema: спецификация 2024 и почему она важна

В 2024 году Google обновил спецификацию ProfilePage — тип, описывающий страницу-профиль конкретного человека на сайте. Три ключевых новых свойства:

• dateCreated — дата создания профиля. Сигнал долгосрочного присутствия, а не свежесозданного профиля под задачу
• mainEntity — прямая ссылка на Person, которому посвящена страница. Создаёт явную семантическую связь
• interactionStatistic — количественные данные об активности: число публикаций, выступлений, аудитория

ProfilePage работает в паре с Person: Person описывает сущность, ProfilePage описывает страницу на вашем сайте, которая её представляет. Для AI это разница между «есть запись о человеке» и «есть каноническая страница на авторитетном домене, которая является основным источником информации о нём».

Ниже — полный пример JSON-LD для Person:

{
  "@context": "https://schema.org",
  "@type": "Person",
  "@id": "https://example.com/team/elena-sorokina",
  "name": "Елена Сорокина",
  "givenName": "Елена",
  "familyName": "Сорокина",
  "jobTitle": "Директор по контент-стратегии",
  "description": "Эксперт по GEO-оптимизации и контент-маркетингу в B2B SaaS. Автор более 80 статей по генеративному поиску и AI-видимости брендов.",
  "url": "https://example.com/team/elena-sorokina",
  "image": {
    "@type": "ImageObject",
    "url": "https://example.com/images/team/elena-sorokina.jpg",
    "width": 400,
    "height": 400
  },
  "worksFor": {
    "@type": "Organization",
    "@id": "https://example.com/#organization",
    "name": "Example Company"
  },
  "alumniOf": [
    {
      "@type": "EducationalOrganization",
      "name": "МГУ им. М.В. Ломоносова",
      "url": "https://www.msu.ru"
    }
  ],
  "knowsAbout": [
    "GEO-оптимизация",
    "Generative Engine Optimization",
    "контент-стратегия",
    "AI-поиск",
    "структурированные данные"
  ],
  "award": "Лучший доклад конференции ContentFest 2025",
  "memberOf": {
    "@type": "Organization",
    "name": "Ассоциация контент-маркетологов России"
  },
  "sameAs": [
    "https://www.linkedin.com/in/elena-sorokina-example",
    "https://orcid.org/0000-0000-0000-0000",
    "https://scholar.google.com/citations?user=example",
    "https://habr.com/ru/users/esorokina/",
    "https://www.wikidata.org/wiki/Q000000000",
    "https://github.com/esorokina"
  ]
}

И соответствующий ProfilePage:

{
  "@context": "https://schema.org",
  "@type": "ProfilePage",
  "dateCreated": "2023-06-15",
  "dateModified": "2026-04-01",
  "url": "https://example.com/team/elena-sorokina",
  "name": "Елена Сорокина — профиль автора",
  "mainEntity": {
    "@id": "https://example.com/team/elena-sorokina"
  },
  "interactionStatistic": [
    {
      "@type": "InteractionCounter",
      "interactionType": "https://schema.org/WriteAction",
      "userInteractionCount": 83
    }
  ],
  "isPartOf": {
    "@id": "https://example.com/#website"
  }
}

sameAs: какие источники дают наибольший эффект

sameAs — это массив URL, которые указывают на профиль того же человека в других системах. Для AI это механизм cross-source верификации: модель находит одно и то же имя на нескольких независимых платформах и повышает доверие к сущности.

Ключевой принцип: каждый sameAs должен вести на живой профиль с регулярной активностью. Заброшенный LinkedIn без публикаций или GitHub без коммитов дают нулевой сигнал — а иногда отрицательный, если данные на странице устарели и противоречат основному профилю.

Страницы команды: иерархия, структура и markup

Страница команды (Team, About Team, /team) — это не просто список сотрудников с фотографиями. Для AI это точка входа в граф экспертности организации. Правильно структурированная страница команды создаёт иерархию: Organization → множество Person → их профессиональные атрибуты → внешние подтверждения.

Рекомендуемая структура страницы автора:

1. Заголовок H1 с именем (совпадает с name в Person schema)
2. Краткое описание — 2-3 предложения с ключевыми учётными данными (дублирует description в schema)
3. Должность и организация — явная атрибуция (дублирует jobTitle + worksFor)
4. Список экспертных тем — совпадает с knowsAbout
5. Публикации автора — со ссылками на материалы сайта (Article с author → Person)
6. Внешние профили — видимые ссылки на LinkedIn, ORCID, Habr (дублируют sameAs)
7. Выступления и публикации в СМИ — доказательства авторитетности

Markup для страницы команды включает одновременно Organization (для всей страницы /team), Person (для каждого сотрудника) и ProfilePage (для каждой индивидуальной страницы). Не смешивайте их в один блок — используйте отдельные <script type="application/ld+json"> для каждого типа.

JSON-LD цепочка: author → Person → Organization

Самая распространённая ошибка в разметке авторства — изолированные блоки без связей. AI-системы используют граф связей: Article ссылается на автора, автор связан с Person, Person связан с Organization. Разорванная цепочка снижает качество сигнала.

Правильная цепочка выглядит так:

{
  "@context": "https://schema.org",
  "@type": "Article",
  "headline": "Заголовок статьи",
  "author": {
    "@type": "Person",
    "@id": "https://example.com/team/elena-sorokina"
  },
  "publisher": {
    "@type": "Organization",
    "@id": "https://example.com/#organization"
  }
}

Обратите внимание: в Article используется @id — ссылка на Person, описанный на отдельной странице профиля. Это позволяет AI объединить данные из нескольких страниц в единый граф. На странице профиля Person описан полностью, в Article — только ссылка. Такой паттерн называется entity linking и является рекомендацией Schema.org 2026.

Для Organization используйте тот же @id на всех страницах сайта — это критично для того, чтобы AI воспринимал организацию как единую сущность, а не набор разрозненных упоминаний. Подробнее о разметке организации — в статье Organization schema, страницы авторов и страницы команды для AI.

Внешние сигналы: публикации, подкасты, доклады

Структурированные данные на собственном сайте — это необходимый, но не достаточный сигнал. AI-системы выше доверяют экспертности, подтверждённой из независимых источников. Три наиболее эффективных вида внешних сигналов:

Публикации в отраслевых СМИ. Статья с byline автора на VC.ru, Habr, Rusbase, Коммерсантъ или профильном издании даёт два сигнала одновременно: домен-источник с авторитетом + атрибуция конкретному имени. Для Яндекса с Алисой публикации в изданиях, входящих в реестр новостных источников Яндекс.Новостей, имеют особый вес.

Выступления на конференциях. Программы конференций и видеозаписи докладов регулярно индексируются. Если имя автора присутствует в программе события на авторитетном домене, это усиливает Authoritativeness-сигнал. Особенно это работает для DeepSeek и Claude, которые при оценке технической экспертности ищут доказательства публичной деятельности.

Подкасты и интервью. Страницы выпусков подкастов со структурированной разметкой Guest/Interviewee связывают имя эксперта с темой выпуска. Это менее очевидный, но эффективный сигнал: он работает через семантическую близость темы и имени автора в независимом источнике.

Как измерить эффект через GEO Scout

Внедрение Author Schema без измерения — это работа вслепую. Командный центр GEO Scout анализирует данные мониторинга по 10 AI-провайдерам и автоматически выявляет, какие авторские сигналы транслируются в рост цитируемости — это позволяет приоритизировать, какого автора оптимизировать в первую очередь.

Рекомендуемый процесс замера:

1. Фиксация baseline. До внедрения разметки запустите мониторинг 10-15 промптов, релевантных теме автора. Зафиксируйте Domain Citation Rate и Mention Rate в разбивке по провайдерам.

2. Внедрение разметки. Добавьте Person и ProfilePage schema, обновите страницу автора, проверьте sameAs.

3. Ожидание индексации. Перплексити и Google AI Mode реагируют через 2-4 недели. ChatGPT — через несколько месяцев.

4. Сравнение метрик. В GEO Scout сравните текущие значения с базовыми. Особое внимание: рост Domain Citation Rate (прямые цитирования домена) обычно опережает рост Mention Rate (любые упоминания).

Реалистичный ориентир: после полного внедрения Author Schema с валидными sameAs-ссылками и обновлёнными внешними профилями Domain Citation Rate в Perplexity и Google AI Mode вырастает на 15-35% в течение 6-8 недель. Для ChatGPT аналогичный эффект занимает 3-4 месяца из-за длительного цикла обновления модели.

Чек-лист внедрения Author Schema

Типичные ошибки при внедрении

Изолированные Person без Organization. Если Person не связан с Organization через worksFor, AI не может понять, от чьего имени говорит эксперт. Это снижает Authoritativeness-сигнал.

Несогласованные данные между источниками. Если на LinkedIn указана одна должность, в Person schema другая, а в биографии на сайте третья — AI получает конфликтующие сигналы и может проигнорировать источник. Trust-сигнал строится на согласованности.

sameAs на неактивные профили. Профиль LinkedIn без публикаций последние два года или GitHub без активности дают нулевой или отрицательный сигнал. Лучше меньше sameAs, но всё — живые.

ProfilePage без dateCreated. Без этого поля AI не может оценить, насколько давно сформировался авторитет. Страница, созданная вчера с датой dateCreated «вчера», и страница с dateCreated «2021-03-10» посылают разные сигналы доверия.

Один автор на все статьи. Если у компании из 30 человек все 200 статей подписаны одним человеком, AI воспринимает это как неестественный паттерн. Распределите авторство реалистично — по 2-4 ключевых автора с профилями и реальными статьями в своей области.

Подробнее о технической проверке всех слоёв разметки — в статье технический чек-лист сайта для нейросетей. О том, как связать авторские сигналы с общим нарративом бренда — в статье нарратив бренда для нейросетей.

Если вы хотите понять, какие авторы вашего сайта уже цитируются в AI-ответах и по каким провайдерам, начните с бесплатного тарифа GEO Scout — 3 промпта в 3 нейросетях дадут первую картину без привязки карты. Дальнейший анализ по всем 10 провайдерам и метрика Domain Citation Rate в разбивке по авторам доступны на платных тарифах.