Измерение видимости бренда в ответах генеративных нейросетей стало новой задачей для маркетологов и SEO-специалистов. Автор опубликовал подробное описание своей методики, которая позволяет оценить, как часто шесть популярных ИИ-платформ — ChatGPT, Claude, Perplexity, Gemini, Алиса AI и GigaChat — упоминают конкретную компанию, когда пользователь задаёт вопрос без прямого указания на бренд. Ключевая идея заключается в том, что традиционные запросы вида «что такое компания N» бесполезны, поскольку клиенты так не спрашивают. Вместо этого используются неподсказанные вопросы, например «посоветуй агентство для такой-то задачи» или «к кому обратиться с такой проблемой», в которых модель сама выбирает, какие компании упомянуть. Список таких вопросов фиксируется один раз и не меняется, чтобы обеспечить сопоставимость замеров между разными периодами. Оптимальным размером автор считает 20 контрольных промптов, распределённых по стадиям принятия решения о покупке и уровню интереса к бренду.

Вторая важная составляющая методики — обязательное использование веб-поиска при обращении к моделям. Без доступа в интернет языковая модель отвечает на основе обучающих данных, которые могут быть устаревшими или не содержать информации о компании. Это приводит к ложным нулевым результатам, которые ничего не говорят о реальной видимости. Поэтому каждый канал в замере настраивается с включённым поиском. Например, для ChatGPT веб-поиск активируется опцией web_search_options в API-запросе, а признак режима записывается в лог рядом с ответом. Это критически важно, поскольку замеры без поиска и с поиском — это разные метрики, и их сравнение некорректно.

Особое внимание автор уделяет анализу источников, на которые опирается модель при формировании ответа. Список источников часто ценнее самого факта упоминания бренда, так как показывает, какие площадки нейросеть считает авторитетными в конкретной теме. Накопленная выборка из 1771 цитирования позволяет построить карту: видно, что модели чаще всего берут материалы с отраслевых площадок, а сайты самих компаний занимают значительно меньшую долю. Эти данные можно использовать для корректировки контентной стратегии и улучшения видимости в ИИ-ответах.

Отдельно рассматривается специфика работы с Алисой AI и GigaChat. Алиса собирает ответ поверх органической выдачи Яндекса: нейросеть переписывает запрос, поиск возвращает документы, затем синтезируется ответ. Поэтому замер по Алисе фактически отражает позиции в поисковой выдаче Яндекса, и падение видимости здесь чаще связано с просадкой в органике, а не с качеством текста. Важно различать «голую» языковую модель Яндекса и продуктовую Алису с поиском: первая на многих запросах отказывается отвечать, и такие отказы нельзя считать нулевой видимостью — они выделяются в отдельную категорию. GigaChat, в свою очередь, не имеет поискового интерфейса, сопоставимого с другими платформами, поэтому прогон через голую модель даёт заниженные результаты для молодых брендов. Автор решает эту проблему вручную, прогоняя запросы сам или через агента с российским прокси.

Автор также перечисляет три типичные ошибки, которые сводят на нет все усилия по измерению видимости. Первая — изменение списка вопросов между замерами: любая правка формулировки меняет ответ модели, поэтому список должен быть фиксированным, а изменения вносятся только с новой версией и пересчётом базовой точки. Вторая ошибка — проведение одного прогона вместо нескольких. Ответы нейросетей нестабильны, и состав названных компаний может плавать даже на одинаковых вопросах. Для отчётных срезов рекомендуется усреднять результаты трёх прогонов, а для еженедельного мониторинга достаточно одного, но тогда выводы делаются только по крупным сдвигам. Третья ошибка — сравнение процентов видимости между разными платформами: 40% в ChatGPT и 40% в Алисе получены на разных механиках и означают разное, поэтому сравнивать платформу нужно только с самой собой во времени.

Эта методика имеет практическое значение для российского рынка, где конкуренция за упоминания в ИИ-ответах только усиливается. Судя по дополнительным материалам, российские компании активно экспериментируют с ИИ-агентами: Сбер выпустил своего универсального агента, а Яндекс выдаёт гранты на токены моделей. Умение измерять видимость в нейросетях становится конкурентным преимуществом, особенно для молодых брендов, которые ещё не успели закрепиться в обучающих данных. В то же время автор подчёркивает, что его подход — это не догма, а рабочий инструмент, который можно адаптировать под конкретные задачи. Открытыми остаются вопросы о том, как часто нужно обновлять список контрольных запросов, как учитывать изменения в алгоритмах моделей и как интерпретировать результаты с учётом региональных особенностей поиска.

В перспективе можно ожидать появления стандартизированных инструментов для измерения видимости в ИИ, а также роста спроса на такие услуги со стороны брендов. Пока же методика, описанная автором, предлагает практический подход, который сочетает фиксированный список вопросов, обязательный веб-поиск с логированием признака и сохранение источников ответов. Соблюдение этих трёх принципов позволяет получать надёжные данные, на основе которых можно принимать обоснованные решения по улучшению присутствия бренда в ответах нейросетей. Однако важно помнить, что ИИ-ландшафт быстро меняется, и то, что работает сегодня, может потребовать корректировки завтра.