В течение одной недели был проведён эксперимент по измерению видимости клиентского бренда в ответах ChatGPT. Для этого использовались одни и те же 20 вопросов из ниши продвижения бизнеса в нейросетях, охватывающих темы от заказа услуг до управления репутацией. Ответы снимались трижды: два раза через программный интерфейс (API) с использованием платного шлюза-посредника и один раз через обычное окно чата стороннего сервиса. Каждый ответ фиксировался в JSON-логе, где отмечались текст, признаки поиска, источники, упоминания бренда и шести конкурентов, а также дефекты записи. Конкуренты были отобраны на основе ответов Алисы AI и Perplexity, а парсер извлекал из текста ссылки и имена. Целью мониторинга было определить долю ответов, где модель называет бренд без подсказки, и выявить список сайтов-источников.

Ключевые цифры оказались противоречивыми. Бренд без подсказки прозвучал лишь в одном ответе из 19 небрендовых вопросов в первом срезе и ни разу в двух других. Однако при подсчёте по всем ответам доля составила 1 из 57 (менее 2%), а по вопросам — 1 из 19, то есть данные одни и те же, но цифры отличаются в три раза. На брендовом вопросе имя звучало во всех ответах, так как его задавал сам вопрос. Шесть отслеживаемых конкурентов ChatGPT упомянул лишь в 3 ответах из 43 третьего среза. В третьем срезе поиск отработал в 33 ответах из 43, но на трёх вопросах модель ни разу не вышла в поиск, а ещё в четырёх — не во всех повторах. Всего зафиксировано 10 записей с дефектом «поиск не отработал». Кроме того, в третьем срезе возникла ошибка 402 из-за исчерпания баланса шлюза, что привело к потере 17 ответов.

Технические детали выявили различия в механизмах поиска. В первом срезе использовалась модель gpt-4o, где веб-поиск включался параметром запроса web_search_options, и модель сама решала, искать ли, а по ответу нельзя было определить, был ли поиск. Это привело к пустому полю признака поиска у всех 60 записей, хотя источники присутствовали в 37 ответах. Во втором срезе применялся интерфейс чата, а в третьем — модель gpt-5.5, где поиск подключён инструментом: вызов поиска и ссылки-аннотации приходят отдельными полями, что позволяет их проверить. Разные модели и механизмы поиска не позволяют напрямую сравнивать медианы длины ответов (1497 и 3935 знаков). Также в третьем срезе поиск не сработал на вопросах об аудите видимости, управлении репутацией и гарантиях попадания в ответы нейросети.

Контекст исследования указывает на растущий интерес к продвижению в ответах ИИ (GEO). Ранее автор уже описывал общую схему замера видимости бренда в шести нейросетях, а теперь сосредоточился только на ChatGPT. Для клиента, который занимается ростом видимости в ответах ИИ-моделей, важно понимать, как часто бренд появляется без подсказки и на какие источники опирается модель. Однако мониторинг неоднократно давал сбои из-за ошибок парсера, а не самой модели. Это подчёркивает сложность получения достоверных данных о видимости бренда в генеративных ответах. Рынок инструментов для мониторинга ИИ-ответов только формируется, и подобные эксперименты помогают выявить методологические ловушки.

Сравнение интерфейса и API показало, что списки источников почти не пересекаются. Второй срез через интерфейс дал 49 доменов-источников, третий через API — 68, общих оказалось 17. Из 12 вопросов, где источники нашлись у обоих способов, в 6 не совпал ни один домен. При пересчёте парами ответов доля общих доменов у интерфейса и API составила 11% против 23% у двух повторов самого API. Однако сравнение нечистое: интерфейс и API отличаются способом съёма, моделью и числом ответов на вопрос. Внутри одного способа список источников тоже плывёт: даже у двух повторов первого среза общих доменов меньше половины. При сверке с Алисой AI по восьми коммерческим вопросам у неё оказалось 39 доменов, у интерфейса ChatGPT — 30 (общих 7), у API — 40 (общих тоже 7). Таким образом, ChatGPT делит с Алисой AI менее четверти своих источников независимо от способа съёма.

Для российского рынка эти результаты имеют практическое значение. Специалисты по SEO и GEO должны учитывать, что разные методы сбора данных о видимости бренда в ChatGPT могут давать расхождения в разы. Это влияет на отчётность перед клиентами и на стратегию продвижения. Кроме того, низкая доля упоминаний бренда без подсказки (менее 2%) говорит о том, что для попадания в ответы ИИ необходимо активно работать над источниками, на которые ссылается модель. Однако из-за нестабильности списков источников даже между повторами одного способа сложно гарантировать стабильный результат. В отрасли пока нет единых стандартов измерения видимости в генеративных моделях, и каждый специалист вынужден строить собственные методологии.

В перспективе остаётся множество открытых вопросов. Как отделить влияние способа съёма от смены модели или механизма поиска? Насколько репрезентативны выборки из 20 вопросов и 3 повторов? Почему ChatGPT так редко называет бренд без подсказки, и можно ли это изменить с помощью оптимизации контента? Будущие исследования могли бы включать больше вопросов, больше повторов и сравнение с другими моделями (например, Perplexity, Алиса AI). Также важно разработать надёжные парсеры, которые не будут искажать данные. Пока же мониторинг упоминаний бренда в ChatGPT требует осторожности в интерпретации и признания методологических ограничений.