AI рекомендует не тех: как измерить видимость бренда в ответах нейросетей

Почему старых метрик больше недостаточно

Двадцать лет цифровой маркетинг жил в понятной системе координат: позиции в поиске, CTR, органический трафик, стоимость привлечения, конверсии. Эти показатели стали общим языком для маркетологов и руководителей. Сейчас пользователь всё чаще не открывает десять ссылок и не сравнивает предложения сам, а задаёт вопрос AI-ассистенту и получает готовый ответ с одной или несколькими рекомендациями компаний.

Из-за этого возникает разрыв. Бренд может занимать высокие позиции в поиске, иметь сильный сайт и большой трафик, но редко появляться в рекомендациях искусственного интеллекта. Бывает и наоборот: компания заметна в ответах модели сильнее, чем можно предположить по классическим SEO-метрикам.

Что именно стоит измерять

Под вероятностью рекомендации здесь понимается не скрытая уверенность модели и не универсальный процент для всех пользователей, а наблюдаемая доля ответов, в которых бренд появляется при заранее заданных сценариях и условиях. Такая оценка действует только внутри выбранного протокола, но позволяет сравнивать бренды, модели и динамику во времени.

Работа больших языковых моделей непрозрачна, а отдельные ответы вариативны. Однако вариативность не равна полной случайности: поведение AI-систем можно исследовать через повторяемые сценарии, фиксированные условия и набор наблюдаемых показателей. Поисковые алгоритмы тоже никогда не были полностью прозрачными, но SEO стало измеримой дисциплиной благодаря воспроизводимым проверкам. Для видимости в AI нужен аналогичный переход: от единичных скриншотов к исследовательской матрице.

Как построить базовый цикл измерения

Один запрос к одной модели это наблюдение, а не исследование. Чтобы отделить случайный ответ от устойчивого паттерна, нужна матрица проверок. До запуска фиксируются границы: категория и объект анализа, география, язык, целевая аудитория, дата, AI-сервис и версия модели, режим с веб-поиском или без него, наличие персонализации и история диалога. Внутри одного цикла эти параметры не меняются, любое отклонение отмечается отдельно.

• 10 реальных пользовательских сценариев, связанных с выбором компании, продукта или услуги.
• 3 варианта формулировки каждого сценария: общий, уточнённый и сравнительный.
• 4 AI-системы: ChatGPT, Gemini, Claude и Perplexity.
• 3 повторных запуска каждого запроса для проверки стабильности.
• 1 язык и 1 регион внутри одного цикла.

Итого 10×3×4×3 = 360 ответов в одном цикле. Такой объём уже позволяет увидеть, как часто бренд упоминается, в какой роли он появляется и насколько результат повторяется.

Что это значит для малого бизнеса, каналов и медиа

Для владельца малого бизнеса это способ проверить, попадает ли его компания в готовые рекомендации по своим услугам, а не только в поисковую выдачу. Для Telegram-каналов и медиа логика похожа: если аудитория спрашивает у ассистента, что почитать или на кого подписаться по теме, канал либо оказывается в ответе, либо остаётся невидимым. Измерение помогает понять, где именно теряется эта видимость.

Важно не то, как модель принимает решение внутри, а то, как часто и в каком виде бренд появляется в её ответах при одинаковых условиях.

Начать можно с малого: выбрать один продукт или тему, собрать десяток реальных вопросов клиентов, прогнать их через доступные ассистенты несколько раз и записать результат в таблицу. Уже это даёт первую картину, которую можно сравнивать с прошлым циклом.

Вывод

Видимость в ответах нейросетей становится отдельным направлением работы, которое поддаётся измерению. Регулярные циклы проверок по фиксированному протоколу показывают, растёт ли доля упоминаний бренда, меняется ли его роль в ответах и сохраняется ли результат при повторных запусках. Для малого бизнеса, каналов и медиа это возможность не ждать, пока аудитория найдёт их сама, а видеть, что именно советует искусственный интеллект.