Видимость бренда в ИИ-ответах: как измерить и связать с performance-маркетингом

Касание, которого нет в аналитике

Представьте повседневный путь клиента. Он спрашивает у ChatGPT или Алисы, какую клинику выбрать, какой сервис сравнить, какое оборудование подойдёт под задачу. Получает список рекомендаций. Запоминает название компании. Через несколько часов находит её в поиске и переходит по рекламному объявлению.

В отчёте рекламной системы этот путь выглядит как обычный branded search или платный клик. Первое касание — ответ ИИ — может исчезнуть из аналитики полностью. Воронка выглядит короче, чем была на самом деле, и бюджет распределяется без учёта реального влияния.

Есть и обратная ловушка. Бренд может часто появляться в ответах нейросетей, но с устаревшими характеристиками, неверной ценой или рядом с нерелевантными конкурентами. Если считать только факт упоминания — такой результат легко записать в успех. А он убивает конверсию: клиент приходит с искажёнными ожиданиями, и отдел продаж начинает разговор с оправданий. Мы разбирали этот эффект в статье про выбор GEO-подрядчика: видимость без точности — реклама ваших ошибок за ваш счёт.

Разбор обеих проблем опубликовал ppc.world — методику подготовил Сергей Семёнов, основатель и CEO RECOMO AI. Ниже — мой рерайт её сути: сохраняю всё практичное, отрезаю рекламные обороты, добавляю комментарии из собственной практики. Задача — превратить видимость бренда в ИИ-ответах в измеряемый слой маркетинга, не приписав ему то, чего мы доказать не можем.

Семь метрик вместо «нас упомянули»

Фраза «нас упомянули в ChatGPT» — это не метрика, а мнение. Методика предлагает фиксировать семь показателей. Сразу честная оговорка автора: названия вроде Presence Rate и AI Share of Voice — рабочие определения, а не отраслевой стандарт. Фиксируйте свои определения и не меняйте их между замерами.

1. Presence Rate — доля релевантных наблюдений, в которых бренд вообще появился в ответе. Формула: наблюдения с упоминанием / все наблюдения × 100%. Ключевое правило: считать на уровне «сценарий × система × повтор», а не по количеству повторов названия в тексте. Если модель написала ваш бренд пять раз в одном ответе, это пять упоминаний, но одно наблюдение.

2. Recommendation Rate — доля наблюдений, где бренд реально предложен пользователю как вариант решения, а не просто назван. Разделение важное: фраза «бренд X не подходит для этой задачи» повышает Presence Rate, но не Recommendation Rate. Модель вас знает — это не то же самое, что модель вас советует.

3. AI Share of Voice — доля рекомендательных событий бренда среди фиксированного набора конкурентов. AI SOV = рекомендации бренда / сумма рекомендаций всех отслеживаемых брендов × 100%. Критично: конкурентный набор фиксируется до начала замера. Если добавлять компании в знаменатель по ходу, динамика станет несопоставимой.

4. Top-3 Rate или средняя позиция — доля случаев, когда бренд попал в первую тройку. Работает только для упорядоченных списков. Если модель просто перечислила варианты в абзаце без явного порядка — позиционные метрики задним числом придумывать нельзя. Кстати, тот факт, что «позиции» в ответах нейросетей не существуют как стабильная величина, мы разбирали подробно в статье «Как выбрать подрядчика по GEO-продвижению» — воспроизводимость одинакового списка брендов на один запрос меньше 1%.

5. Citation Rate — доля упоминаний, при которых ответ опирается на видимые источники, связанные с брендом или с качественными внешними публикациями. Метрика для диагностики: если бренд появляется, но ИИ стабильно опирается на старые агрегаторы или случайные страницы, проблема не в видимости — в источниковой базе. О том, как собрать управляемую источниковую базу, писал в материале про RAG для бизнеса: принцип один — у каждого факта должен быть первоисточник.

6. Accuracy Rate — доля проверенных утверждений о бренде, которые фактически корректны. Автор предлагает проверять минимум коммерчески значимые факты: что это за компания, кому подходит продукт, ключевые ограничения, география, базовые условия, актуальное предложение.

7. Stability — насколько результат повторяется между запусками. Простой вариант: доля сценариев, где бренд присутствует хотя бы в двух из трёх повторов в одной системе. Более строгий — учитывать одновременно присутствие и диапазон позиции. Stability отличает устойчивую видимость от случайного единичного ответа, на который вы случайно наткнулись.

Разделить видимость, трафик и влияние

Главная методологическая ошибка, по мнению автора, — свести всё к одной цифре. Это три разных уровня:

• Видимость (AI Visibility) — насколько часто и в каком контексте бренд появляется в релевантных ответах ИИ.
• Трафик (AI referral) — сколько переходов из ИИ-систем дошло до сайта и было зафиксировано аналитикой.
• Влияние — изменилось ли после ИИ-касания поведение пользователя: брендовый спрос, выбор бренда, вероятность конверсии, путь до заявки.

Почему нельзя смешивать: если пользователь получил рекомендацию в ИИ, а потом сам набрал название в поиске — прямого AI referral не будет. Нулевой трафик из ИИ не доказывает нулевое влияние. И наоборот: рост переходов из ассистентов не доказывает, что именно видимость улучшила продажи — одновременно могли измениться бюджет, сезонность, цены, PR, ассортимент или сам спрос.

Вывод автора, с которым я согласен полностью: видимость лучше измерять как отдельный верхне- и средневороночный слой, а связь с performance проверять через дополнительные сигналы и эксперименты.

Сценарии вместо ключевых слов

Для рекламщика естественно начинать с семантики. Но запрос к ИИ устроен иначе, чем запрос в классическом поиске: пользователь описывает контекст, ограничения и критерии выбора.

Сравните. Не так: «CRM для малого бизнеса». Так: «У нас отдел продаж из семи человек, сделки длинные, менеджеры забывают перезванивать. Нужна простая CRM без тяжёлого внедрения — что посмотреть?» Не так: «Лучшая стоматология Москва». Так: «Нужно поставить имплант, боюсь переплатить и хочу понимать, где нормально объясняют план лечения. Как выбирать клинику и какие варианты в Москве можно сравнить?»

Поэтому единица измерения — сценарий намерения. Пять базовых групп:

1. Проблемные — пользователь ещё не знает класса продукта, описывает проблему.
2. Категорийные — понимает категорию, просит варианты: «какие сервисы», «что выбрать».
3. Сравнительные — выбирает между несколькими подходами или брендами.
4. С ограничениями — цена, география, сроки, интеграции, размер компании.
5. Брендовые — уже знает бренд и проверяет его: «стоит ли доверять», «какие минусы», «есть ли альтернативы».

Важное предостережение: если тестировать только прямой вопрос «что ты знаешь о бренде N», вы измерите узнаваемость объекта для модели, но почти ничего не узнаете о его способности появляться в реальном выборе пользователя.

Практический шаблон сценария: сегмент пользователя → задача → контекст → ограничение → критерий выбора. Например: «Финансовый директор компании на 100 сотрудников → хочет сократить ручную отчётность → уже использует 1С → не готов менять основную систему → ищет решение, которое внедряется за месяц». Для пилота достаточно 20–30 сценариев, покрывающих разные стадии выбора, — при условии, что основная формулировка каждого фиксируется и не переписывается от замера к замеру без отдельной причины.

Замер, который можно повторить

Один скриншот ответа ИИ — не исследование. Генеративные ответы вариативны: формулировка, порядок брендов, источники и даже сам факт упоминания меняются между запусками. Поэтому замер должен учитывать три измерения — сценарий, ИИ-система, повтор запуска.

Рабочая конфигурация пилота: 20 сценариев × 4 ИИ-системы × 3 повтора = 240 наблюдений. Число 240 не магическое: если ваша аудитория реально пользуется двумя системами, не тестируйте десять. Важно, чтобы дизайн отвечал бизнес-задаче, а не раздувал отчёт.

Для каждого ответа сохраняйте минимум: точный текст промпта, дату и время, систему и версию модели, номер повтора, полный ответ, все упомянутые бренды, рекомендованы они или просто названы, позицию в списке (если ответ ранжирован), источники и цитаты, фактические ошибки, короткое примечание аналитика.

Отдельное правило: персонализированные и «чистые» сессии не смешивать. Хотите понять базовую видимость — отдельный замер без накопленного диалога и персонального контекста; историю диалога тестируем отдельным замером. На это же указывают 9 типовых ошибок замера — о них ниже.

За одной средней цифрой два разных профиля

Общий Presence Rate 35% сам по себе мало что говорит о бизнес-ценности. За ним могут скрываться два противоположных профиля:

Профиль А: бренд почти всегда появляется в брендовых запросах, но исчезает в категорийных и сравнительных. Система его знает, но в момент реального выбора он не в шортлисте.

Профиль Б: бренд появляется в половине категорийных запросов, но иногда описывается неточно.

У обоих профилей одинаковая общая видимость — и совершенно разные задачи: первому нужны информационные источники и сравнения, второму — порядок в фактах. Данные режьте по разрезам: стадия намерения, продукт/категория, сегмент аудитории, география, ИИ-система, конкурентный набор. Для ppc-команды это ключевой шаг: сценарии сопоставляются с уже существующими кластерами рекламного спроса — problem-aware, category, comparison, branded.

Пять слоёв связи с performance-данными

Тут начинается самая опасная часть. Очень хочется увидеть рост одной метрики рядом с ростом продаж и объявить причинность. Так делать не стоит. Связь строится пятью слоями — от самого прямого к самому сильному:

Слой 1. Реферальный трафик из ИИ-систем. Если пользователь кликает по ссылке в ответе и источник передаётся корректно, выделяйте AI referral в веб-аналитике и смотрите сессии, вовлечённость, микроконверсии, заявки, выручку, посадочные. Самый прямой сигнал — но охватывает только часть поведения: часть пользователей не кликает, а продолжает путь через поиск или напрямую.

Слой 2. Брендовый спрос. После ИИ-рекомендации пользователь отдельно ищет бренд. Наблюдайте динамику брендовых запросов, показы и клики брендовой кампании, Search Console, прямые заходы, рост доли новых пользователей из брендового спроса. Это индикаторы, а не доказательство: на них одновременно влияет множество активностей.

Слой 3. Опрос в форме заявки. Необязательный вопрос после заявки или покупки: «Где вы впервые услышали о нас?» — с отдельным вариантом «ИИ-ассистент / нейропоиск». Люди забывают первое касание и упрощают путь, но в сочетании с другими данными это полезный дополнительный сигнал.

Слой 4. Сопоставление по кластерам намерений. Наиболее интересное для ppc. Если вы улучшаете видимость не бренда вообще, а конкретного кластера — например, запросов про выбор CRM для маленькой команды — сравнивайте динамику именно с соответствующим кластером рекламного спроса, а не со всей рекламой компании. Так вы уменьшаете шум.

Слой 5. Эксперимент. Самый сильный вариант: заранее выбрать тестовый и контрольный наборы сценариев. Например, из 30 категорийных сценариев для 15 вы улучшаете источниковую базу — актуализируете страницы, добавляете ясные сравнения и ответы на реальные вопросы, исправляете несогласованные данные, получаете релевантные внешние упоминания. Другие 15 временно не трогаете. Повторяете замер по тому же протоколу. Если в тестовой группе видимость выросла заметно сильнее, чем в контрольной, — изменения связаны с вашей работой. Если одновременно меняются брендовый спрос или конверсии соответствующего кластера — сильный повод для следующего теста.

Даже на этом этапе я бы избегал формулировки «рост AI Share of Voice дал +N% продаж»: без полноценного дизайна эксперимента корреляция не превращается в атрибуцию.

Диагностика: что исправлять после замера

Аудит полезен только тогда, когда понятно, что делать дальше. Четыре типовые ситуации — и решения:

Низкая видимость + низкая цитируемость. Задача не «написать больше текстов», а закрыть информационные пробелы: существуют ли вообще доступные и понятные страницы, отвечающие на реальные вопросы — кому подходит продукт, чем отличается, какие ограничения, как выбрать, какие альтернативы, где работаете.

Высокая видимость + низкая точность. Приоритетнее, чем рост охвата. Сначала исправляйте факты и несогласованность данных. Если на официальном сайте, в каталогах, старых интервью и партнёрских материалах одновременно живут разные версии продукта — генеративная система получает противоречивую картину и честно её пересказывает.

Высокая видимость + слабая рекомендация. Бренд известен системе, но редко попадает в шортлист. Проверьте, в каких сценариях он появляется: возможно, позиционирование слишком общее или критерии, по которым продукт выигрывает у альтернатив, в публичных источниках непонятны.

Высокая видимость + нет downstream-сигнала. Тоже результат. Возможно, вы хорошо видимы в информационных сценариях, не связанных с коммерческим намерением. Не нужно любой ценой «монетизировать ИИ» — перенесите фокус измерения на более близкие к выбору сценарии.

30-дневный пилот без бюджета на сервисы

Методика укладывается в месяц ручной работы — в таблице, не в инструментах за 300 тысяч в месяц:

• Дни 1–3. Сформулируйте бизнес-вопрос. Не абстрактное «хотим понять GEO», а конкретное: «Попадает ли наш бренд в выбор на стадии сравнения и есть ли смысл включать AI-видимость в ежемесячный performance-отчёт».
• Дни 4–7. Соберите матрицу: 20–30 сценариев, 3–5 конкурентов, 3–4 ИИ-системы. Согласуйте определения метрик и критерии того, что считается рекомендацией.
• Дни 8–10. Исходный замер: по три повтора, сохраняйте ответы и источники, отдельно фиксируйте фактические ошибки.
• Дни 11–15. Найдите разрывы: где бренд проигрывает, где конкуренты появляются стабильно, какие источники повторяются, какие факты о вас описаны неверно.
• Дни 16–22. Ограниченный набор изменений. Не всё сразу: один-два кластера сценариев — контент, структура страниц, полнота ответа, согласованность фактов, внешняя представленность.
• Дни 23–27. Дайте изменениям проявиться: разные системы обновляют данные с разной скоростью. В пилоте важнее отработать цикл измерения, чем получить красивую цифру.
• Дни 28–30. Повторите замер по тому же протоколу и сопоставьте с performance-данными: не только общий Presence Rate, но изменения в тестовых кластерах, точности, цитируемости и стабильности — против реферального трафика, брендового спроса и показателей соответствующих рекламных групп.

Результат первого месяца — не «ROI от ИИ», а ответ на три вопроса: можно ли воспроизводимо измерять нашу видимость; какие изменения реально двигают её в нужных сценариях; видим ли мы достаточно downstream-сигналов, чтобы продолжать.

Девять ошибок, которые обнуляют замер

1. Тестировать только название своего бренда — измерите знание бренда, а не присутствие в выборе.
2. Делать один запуск одного промпта — без повторов не отличите устойчивый паттерн от случайности.
3. Менять формулировки между исходным и повторным замером — сравнение теряет смысл.
4. Смешивать персонализированные и чистые сессии — история диалога сильно меняет результат.
5. Считать количество словесных упоминаний — пять повторов названия в одном ответе не пять независимых рекомендаций.
6. Принимать любой список за ранжирование — порядок перечисления не всегда приоритет.
7. Игнорировать точность — неверная рекомендация ухудшает бизнес-результат при высокой видимости.
8. Считать AI referral полным объёмом влияния — часть пользователей продолжает путь через поиск и платную рекламу.
9. Приписывать продажи AI-видимости по корреляции во времени — если в тот же период вырос бюджет, вышла PR-кампания и начался сезон, вы не знаете, что именно сработало.

Блок в ежемесячном performance-отчёте

Достаточно одного блока рядом с показателями поиска и рекламы в соцсетях:

• Presence Rate по коммерчески значимым сценариям;
• AI Share of Voice по фиксированным конкурентам;
• Recommendation Rate;
• Accuracy Rate;
• Stability;
• AI referral и его конверсии;
• динамика брендового спроса;
• 2–3 гипотезы на следующий цикл.

Главная ценность блока: он показывает область, которую стандартная ppc-аналитика раньше почти не видела, и при этом не заменяет существующую атрибуцию.

Вывод: дисциплина вместо магии

ИИ-ответ стал ещё одной точкой контакта между потребностью пользователя и рекламным кликом. Это не повод отказаться от привычных метрик и начать считать упоминания новой выручкой. Наоборот — к видимости применяется та же дисциплина, что отличает performance от красивых презентаций: зафиксировать сценарии, провести исходный замер, повторить замер по тому же протоколу, разделить видимость, трафик и влияние, сопоставлять данные только на сопоставимых кластерах, проверять изменения экспериментом и не объявлять причинность раньше времени.

Тогда разговор о присутствии бренда в ИИ перестаёт быть абстрактной историей про «будущее поиска» и становится обычной задачей маркетинговой аналитики: что мы измеряем, почему показатель изменился и какое решение из этого следует.

Памятка в семь пунктов:

1. Возьмите 20–30 реальных пользовательских сценариев, а не список ключей.
2. Прогоните их в 3–4 релевантных ИИ-системах минимум по три раза.
3. Фиксируйте Presence, Recommendation, SOV, позицию, Citations, Accuracy, Stability.
4. Смотрите метрики по кластерам намерений, а не только общую среднюю.
5. Отдельно собирайте AI referrals, брендовый спрос и ответы пользователей.
6. Для проверки влияния сравните тестовую и контрольную группы сценариев.
7. Не называйте корреляцию атрибуцией.

Методика — исходник: статья Сергея Семёнова (RECOMO AI) на ppc.world. Если у вас бизнес-задача глубже — «закрыть информационные пробелы, чтобы нейросеть рекомендовала именно нас» — начните с выбора формата работы: подбор подрядчика по GEO я разбирал в отдельной статье.

А как вы сейчас учитываете клиентов, которые приходят «от нейросети»? Расскажите в комментариях к этому посту в Telegram или VK — соберу ответы в следующем материале.