Как измерить видимость бренда в ИИ-ответах и связать ее с performance-маркетингом

Нейропоиск и ИИ-ассистенты добавили в воронку еще одно касание, которое привычная веб-аналитика видит не всегда. Пользователь может:

Спросить у ИИ, какую клинику выбрать, какой сервис сравнить, какое оборудование подходит под его задачу или чем один бренд отличается от другого.

⬇️

Получить список рекомендаций.

⬇️

Запомнить название компании.

⬇️

Через несколько часов найти ее в Поиске и перейти по рекламному объявлению.

В отчете рекламной системы этот путь будет выглядеть как обычный branded search или платный клик. Первое касание — ответ ИИ — может исчезнуть из аналитики полностью.

Есть и обратная проблема. Бренд может часто появляться в ответах ИИ, но с устаревшими характеристиками, неверным позиционированием или рядом с нерелевантными конкурентами. Если считать только факт упоминания, такой результат легко принять за успех.

Поэтому для performance-команды полезнее знать не то, как продвигаться в ИИ, а как превратить видимость бренда в ответах ИИ в измеряемый слой маркетинга, не приписывая ему то, чего мы доказать не можем.

Ниже — рабочая методика, которую можно применить вручную, в таблице или автоматизировать:

• 7 метрик видимости бренда в ИИ

• Пошаговая инструкция, как измерить видимость бренда в ИИ-ответах

• Как связать видимость с ppc и аналитикой

• Что именно менять после исходного замера, чтобы попасть в рекомендации нейросетей

• 30-дневный пилот, чтобы проверить видимость компании в нейросетях

• 9 ошибок, которые ломают измерение видимости в ИИ

• Как встроить видимость в ИИ-системах в ежемесячный performance-отчет

• Вывод

• Короткая памятка

7 метрик видимости бренда в ИИ, которые дают больше смысла, чем «нас упомянули»

Важно: названия метрик вроде Presence Rate и AI Share of Voice в статье используются как практические рабочие определения, а не как единый отраслевой стандарт.

Presence Rate

Presence Rate — это доля релевантных наблюдений, в которых бренд вообще появился в ответе.

Presence Rate = число наблюдений с упоминанием бренда / общее число наблюдений × 100%.

Считать лучше на уровне «сценарий × система × повтор», а не по количеству повторений названия внутри одного текста. Если модель написала бренд пять раз в одном ответе, это не должно давать ему в пять раз больше веса.

Recommendation Rate

Recommendation Rate — это доля наблюдений, где бренд реально предложен пользователю как вариант решения, а не просто упомянут.

Это важное разделение. Фраза «бренд X не подходит для этой задачи» повышает Presence Rate (долю релевантных наблюдений, в которых бренд вообще появился в ответе), но не Recommendation Rate.

AI Share of Voice

AI Share of Voice — это доля рекомендательных событий бренда среди фиксированного набора конкурентов. Для конкурентного сравнения ее полезно считать. Формула:

AI SOV = рекомендательные события бренда / сумма рекомендательных событий всех отслеживаемых брендов × 100%.

Конкурентный набор нужно фиксировать до начала замера. Если каждый раз добавлять в знаменатель новые компании, динамика станет несопоставимой.

Top-3 Rate или средняя позиция

Top-3 Rate — это доля случаев, когда бренд попал в первые три позиции. Если система выдает упорядоченный список, можно считать этот показатель + среднюю позицию.

Но здесь нужна дисциплина. Не любой текстовый ответ имеет реальный ranking. Если модель просто перечислила варианты в абзаце без явного порядка, лучше не придумывать позиционную метрику задним числом.

Citation Rate

Citation Rate — это доля упоминаний бренда, при которых ответ опирается на видимые источники, связанные с самим брендом или качественными внешними публикациями.

Эта метрика особенно полезна при диагностике: если бренд появляется, но ИИ стабильно опирается на старые агрегаторы или случайные страницы, проблема может быть не в «видимости» как таковой, а в источниковой базе.

Accuracy Rate

Accuracy Rate — это доля проверенных утверждений о бренде, которые фактически корректны.

Для performance-команды это критично. Высокая видимость с неверной ценой, географией, условиями, характеристиками или позиционированием может снижать конверсию сильнее, чем полное отсутствие бренда.

Я бы проверял минимум коммерчески значимые факты:

• что это за компания;

• кому подходит продукт;

• ключевые ограничения;

• география;

• базовые условия;

• актуальное предложение.

Stability

Stability измеряет, насколько результат повторяется между запусками.

Простой вариант: доля сценариев, где бренд присутствует хотя бы в двух из трех повторов в одной системе. Более строгий — учитывать одновременно присутствие и диапазон позиции.

Stability нужна, чтобы отличать устойчивую видимость от случайного единичного ответа.

Пошаговая инструкция, как измерить видимость бренда в ИИ-ответах

Четыре шага:

1. Разделите видимость бренда, трафик и влияние

2. Соберите реальные пользовательские сценарии

3. Сделайте замер видимости сайта воспроизводимым

4. Порежьте данные по намерениям пользователя

Шаг 1. Разделите видимость бренда, трафик и влияние

Эти три уровня нельзя смешивать, потому что они показывают разное: частоту и контекст упоминаний в ответах ИИ, фактические переходы на сайт, изменение поведения пользователя (брендовый спрос, конверсии) после контакта с ИИ.

Это не одно и то же:

1. Видимость (AI Visibility) показывает, насколько часто и в каком контексте бренд появляется в релевантных ответах ИИ.

2. Трафик (AI referral) — сколько переходов из ИИ-систем дошло до сайта и было зафиксировано аналитикой.

3. Влияние — изменилось ли после ИИ-касания поведение пользователя: брендовый спрос, выбор бренда, вероятность конверсии, путь до заявки или покупки.

Главная методологическая ошибка — смешать эти три уровня в одну цифру.

Если пользователь получил рекомендацию бренда в ИИ, а потом сам набрал его название в Поиске, прямого AI referral (перехода из ИИ-системы) может не быть. Значит, нулевой трафик из ИИ не доказывает нулевое влияние.

И наоборот: рост переходов из ассистентов не доказывает, что именно AI Visibility улучшила продажи. Могли одновременно измениться:

• рекламный бюджет;

• сезонность;

• цены;

• PR;

• ассортимент;

• спрос.

Поэтому видимость (AI Visibility) лучше измерять как отдельный верхне- и средневороночный слой, а связь с performance проверять через дополнительные сигналы и эксперименты.

Шаг 2. Соберите реальные пользовательские сценарии

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

Поэтому единицей измерения я считаю не отдельные ключевые слова, а сценарий намерения.

Для пилота достаточно 20–30 сценариев, если они покрывают разные стадии принятия решения. Для зрелого мониторинга матрица может быть значительно шире.

Я обычно делю сценарии минимум на пять групп.

1. Проблемные. Пользователь еще не знает, какой класс продукта ему нужен. Он описывает проблему.

2. Категорийные. Пользователь уже понимает категорию и просит варианты: «какие сервисы», «какие компании», «что выбрать».

3. Сравнительные. Пользователь выбирает между несколькими подходами или брендами.

4. Сценарии с ограничениями. Цена, география, язык, сроки, интеграции, противопоказания, размер компании, тип бизнеса и так далее.

5. Брендовые. Пользователь уже знает бренд и проверяет его: «стоит ли доверять», «какие минусы», «чем отличается», «есть ли альтернативы».

Важно: если вы тестируете только прямой вопрос «Что ты знаешь о бренде N», вы измеряете узнаваемость объекта для модели, но почти ничего не узнаёте 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 отчетность → уже использует 1С → не готов менять основную систему → ищет решение, которое можно внедрить за месяц».

Из такого сценария можно сделать несколько естественных формулировок запроса, но для мониторинга важно зафиксировать одну основную версию и не переписывать ее от замера к замеру без отдельной причины.

Шаг 3. Сделайте замер видимости сайта (AI Visibility) воспроизводимым

Один скриншот ответа ИИ — не исследование. Генеративные ответы вариативны: формулировка, порядок брендов, источники и даже сам факт упоминания могут меняться между запусками.

Поэтому замер должен как минимум учитывать три измерения:

• сценарий;

• ИИ-система;

• повтор запуска.

Для небольшого пилота можно взять: 20 сценариев × 4 ИИ-системы × 3 повтора = 240 наблюдений. Это уже дает возможность увидеть не только факт появления бренда, но и стабильность результата.

Число 240 здесь не магическое. Если аудитория реально использует две системы, не нужно искусственно тестировать десять. Если ниша очень неоднородна, 20 сценариев будет мало. Важно, чтобы дизайн отвечал вашей бизнес-задаче.

Для каждого ответа сохраняйте минимум:

• точный текст сценария/промпта;

• дату и время;

• систему и, если доступно, версию модели;

• номер повтора;

• полный ответ;

• какие бренды были упомянуты;

• были ли они рекомендованы или просто названы;

• позицию в списке, если ответ действительно ранжирован;

• источники/цитаты, если система их показывает;

• фактические ошибки;

• короткое примечание аналитика.

Персонализированные и «чистые» сессии лучше не смешивать, а тестировать отдельно. Если вы хотите понять базовую видимость бренда, проводите отдельный замер без накопленного диалога и персонального контекста.

Шаг 4. Порежьте данные по намерениям пользователя

Допустим, общий Presence Rate бренда (доля релевантных наблюдений, в которых бренд вообще появился в ответе) — 35%. Это почти ничего не говорит о бизнес-ценности. Возможны два совершенно разных профиля.

1. Профиль А: бренд почти всегда появляется в брендовых запросах, но исчезает в категорийных и сравнительных.

2. Профиль Б: бренд появляется в половине категорийных запросов, но иногда получает неточные описания.

У них одинаковая общая видимость, но разные задачи, поэтому итоговый дашборд я бы строил в таких разрезах:

• стадия намерения;

• продукт/категория;

• сегмент аудитории;

• география;

• ИИ-система;

• конкурентный набор.

Именно здесь видимость сайта (AI Visibility) начинает быть полезной performance-команде. Сценарии можно сопоставлять с уже существующими кластерами рекламного спроса: problem-aware, category, comparison, branded и пр.

Как связать видимость сайта (AI Visibility) с ppc и аналитикой

Здесь начинается самая опасная часть: очень хочется увидеть рост одной метрики рядом с ростом продаж и сразу объявить причинность. Так делать не стоит. Связь лучше строить несколькими слоями — от самого прямого к косвенному:

1. Реферальный трафик из ИИ-систем

2. Брендовый спрос

3. Опрос в форме заявки

4. Сопоставление по кластерам намерений

5. Эксперимент

Слой 1. Реферальный трафик из ИИ-систем

Если пользователь кликает по ссылке в ответе и источник передается корректно, вы можете выделить AI referrals (переход из ИИ-системы) в веб-аналитике и смотреть:

• сессии;

• вовлеченность;

• микроконверсии;

• заявки/покупки;

• выручку;

• посадочные страницы.

Это самый прямой сигнал, но он охватывает только часть поведения. Некоторые пользователи не кликают, а продолжают путь через Поиск или напрямую.

Слой 2. Брендовый спрос

После ИИ-рекомендации пользователь может отдельно искать бренд. Поэтому полезно наблюдать:

• динамику брендовых поисковых запросов;

• показы и клики по брендовой кампании;

• запросы в Search Console или аналогичной поисковой аналитике;

• прямые заходы;

• рост доли новых пользователей, приходящих по брендовым запросам.

Это индикаторы, а не доказательство причинности. На них одновременно влияет множество других активностей.

Слой 3. Опрос в форме заявки

В форме после заявки или покупки можно добавить необязательный вопрос: «Где вы впервые услышали о нас?» и отдельно дать вариант «ИИ-ассистент/нейропоиск».

Такие ответы тоже неидеальны: люди забывают первое касание и упрощают путь. Но в сочетании с другими данными это полезный дополнительный сигнал.

Слой 4. Сопоставление по кластерам намерений

Это наиболее интересная часть 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 набор сценариев.

Например, у вас есть 30 категорийных сценариев:

1. Для 15 вы улучшаете источниковую базу: актуализируете страницы, добавляете ясные сравнения и ответы на реальные вопросы, исправляете несогласованные данные о продукте, получаете релевантные внешние упоминания.

2. Другие 15 временно не трогаете.

После этого повторяете замер по тому же протоколу.

Но даже здесь я бы избегал формулировки «рост AI Share of Voice дал +N% продаж», если нет полноценного дизайна, который позволяет отделить эффект от других факторов.

Что именно менять после исходного замера, чтобы попасть в рекомендации нейросетей

Низкая видимость + низкая цитируемость

Бренд редко попадает в выбор и почти не присутствует в источниках, на которые опирается ИИ.

Что делать. Задача — не «написать больше текстов», а закрыть информационные пробелы в релевантных сценариях. Нужно проверить, существуют ли вообще доступные и понятные страницы, которые отвечают на реальные вопросы пользователя:

• кому подходит продукт;

• чем отличается;

• какие есть ограничения;

• как выбрать;

• какие есть альтернативы;

• где компания работает.

Высокая видимость + низкая точность

Это приоритетнее, чем рост охвата.

Что делать. Сначала исправляйте факты и несогласованность данных. Если на официальном сайте, в каталогах, старых интервью и партнерских материалах одновременно живут разные версии продукта, генеративная система получает противоречивую картину.

Высокая видимость + слабая рекомендация

Бренд известен системе, но редко попадает в шортлист.

Что делать. Проверьте, в каких сценариях он появляется и почему. Возможно, позиционирование слишком общее или в публичных источниках недостаточно понятны критерии, по которым продукт выигрывает у альтернатив.

Высокая видимость + нет downstream-сигнала (признаков влияния на выбор или конверсию)

Это тоже результат. Возможно, вы хорошо видимы в информационных сценариях, которые не связаны с коммерческим намерением. Тогда не нужно любой ценой «монетизировать ИИ».

Что делать. Лучше перенесите фокус измерения на более близкие к выбору сценарии.

30-дневный пилот, чтобы проверить видимость компании в нейросетях

План работы:

1. Дни 1–3. Сформулируйте бизнес-вопрос. Не «хотим понять GEO», а, например, «Хотим проверить, попадает ли наш бренд в выбор пользователей на стадии сравнения и есть ли смысл включать метрику AI Visibility (видимость) в ежемесячный performance-отчет».

2. Дни 4–7. Соберите матрицу. 20–30 сценариев, 3–5 конкурентов, 3–4 ИИ-системы. Согласуйте определения метрик и критерии того, что считается рекомендацией.

3. Дни 8–10. Проведите исходный замер. Сделайте по три повтора, сохраните ответы и источники. Отдельно зафиксируйте фактические ошибки.

4. Дни 11–15. Найдите разрывы:

   1. какие сценарии бренд проигрывает;

   2. где конкуренты появляются стабильно;

   3. какие источники повторяются;

   4. какие факты о бренде описаны неверно.

5. Дни 16–22. Сделайте ограниченный набор изменений. Не меняйте всё сразу — выберите один-два кластера сценариев и исправьте то, что удалось диагностировать:

   1. контент;

   2. структуру страниц;

   3. полноту ответа;

   4. согласованность фактов;

   5. внешнюю представленность.

6. Дни 23–27. Дайте изменениям время проявиться. У разных систем обновление данных происходит с разной скоростью. Не обещайте себе эффект на следующий день. В пилоте важнее отработать цикл измерения, чем получить красивую цифру любой ценой.

7. Дни 28–30. Повторите замер и сопоставьте с performance-данными:

   1. возьмите тот же набор сценариев, те же системы и те же правила;

   2. посмотрите не только общий Presence Rate (долю релевантных наблюдений, в которых бренд вообще появился в ответе), но и изменения в тестовых кластерах, точности, цитируемости и стабильности;

   3. сравните это с реферальным трафиком, брендовым спросом и показателями соответствующих рекламных групп.

Результатом первого месяца должен быть не «ROI от ИИ», а ответ на три вопроса:

• можно ли воспроизводимо измерять нашу видимость;

• какие изменения реально двигают ее в нужных сценариях;

• видим ли мы достаточно downstream-сигналов (признаков влияния на выбор или конверсию), чтобы продолжать эксперимент.

9 ошибок, которые ломают измерение видимости в ИИ

Самые популярные ошибки:

1. Тестировать только название своего бренда. Так вы измерите знание бренда, а не присутствие в выборе.

2. Делать один запуск одного промпта. Генеративный ответ вариативен. Без повторов вы не знаете, видите устойчивый паттерн или случайность.

3. Менять формулировки между исходным и повторным замером. Если одновременно изменился и объект, и метод измерения, сравнение теряет смысл.

4. Смешивать персонализированные и чистые сессии. История диалога может сильно изменить результат.

5. Считать количество словесных упоминаний. Пять повторов названия в одном ответе не равны пяти независимым рекомендациям.

6. Принимать любой список за ранжирование. Не всегда порядок перечисления означает приоритет.

7. Игнорировать точность. Неверная рекомендация может ухудшать бизнес-результат при высокой видимости.

8. Считать AI referral (переход из ИИ-системы) полным объемом влияния. Часть пользователей продолжит путь через Поиск, Директ или платную рекламу.

9. Приписывать продажи AI Visibility (видимости) по корреляции во времени. Если в тот же период вырос рекламный бюджет, вышла PR-кампания и начался сезон, вы не знаете, что именно сработало.

Как встроить видимость в ИИ-системах (AI Visibility) в ежемесячный performance-отчет

Достаточно одного блока рядом с Поиском, рекламой в соцсетях и органикой:

• Presence Rate (доля релевантных наблюдений, в которых бренд вообще появился в ответе) по коммерчески значимым сценариям;

• AI Share of Voice (доля рекомендательных событий бренда среди фиксированного набора конкурентов) по фиксированным конкурентам;

• Recommendation Rate (доля наблюдений, где бренд реально предложен пользователю как вариант решения, а не просто упомянут);

• Accuracy Rate (доля проверенных утверждений о бренде, которые фактически корректны);

• Stability (измеряет, насколько результат повторяется между запусками);

• AI referral (переход из ИИ-системы) и его конверсии;

• динамика брендового спроса;

• список 2–3 гипотез на следующий цикл.

Главная ценность такого блока — он показывает область, которую стандартная ppc-аналитика раньше почти не видела, но не пытается заменить собой существующую атрибуцию.

Вывод: видимость в нейропоиске как часть performance-маркетинга

ИИ-ответ становится еще одной точкой контакта между потребностью пользователя и рекламным кликом. Для performance-маркетолога это не повод отказаться от привычных метрик и начать считать «упоминания» новой выручкой.

Наоборот — к видимости (AI Visibility) стоит применять ту же дисциплину, которая отличает performance от красивых презентаций:

1. Зафиксировать сценарии.

2. Провести исходный замер.

3. Повторить замер по тому же протоколу.

4. Разделить видимость, трафик и влияние.

5. Сопоставить данные только на сопоставимых кластерах намерений.

6. Проверить изменения экспериментом и не объявить причинность раньше времени.

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

Короткая памятка, как повысить видимость бренда в ИИ

Что делать:

1. Возьмите 20–30 реальных пользовательских сценариев, а не список ключевых слов.

2. Прогоните их в 3–4 релевантных ИИ-системах минимум по три раза.

3. Фиксируйте Presence, Recommendation, SOV, позицию, Citations, Accuracy и Stability.

4. Смотрите метрики по кластерам намерений, а не только общей средней.

5. Отдельно собирайте AI referrals (переходы из ИИ-системы), брендовый спрос и атрибуцию по ответам пользователей.

6. Для проверки влияния проведите исходный замер, сравните тестовую и контрольную группы сценариев.

7. Не называйте корреляцию атрибуцией.

Напоследок — материалы от редакции, которые могут быть вам интересны:

• Инфляция контента на фоне развития ИИ: что происходит с вашим трафиком и что делать

• ИИ и фрод в 2026 году: новая экономика мошенничества в digital

• Как попадать в ответы нейросетей с помощью GEO в 2026 году

• Как ИИ-Поиск меняет продвижение и что делать бизнесу

И офтоп: чтобы сверять свои замеры с рынком и понимать, насколько ваши показатели отличаются от средних по нише, используйте eLama Index. Это трендбук с отраслевыми срезами, индексом рекламной активности и бенчмарками рекламных систем. Он даст вам практичную систему координат для планирования и защиты бюджета.