Как измерять эффективность GEO-продвижения — метрики и способы оценки результата

В разных каналах эффективность рекламы оценивается по-разному:

• с контекстной рекламой все привычно: потратили 300 000 рублей → получили 180 заявок → посчитали CPA;

• в SEO можно посмотреть позиции, трафик, конверсии из Поиска и сравнить два периода.

С GEO всё немного сложнее, потому что значительная часть контакта пользователя с компанией происходит прямо внутри ответа ChatGPT, Алисы AI, DeepSeek, Gemini и других ИИ-моделей.

В аналитике этот визит пройдет как органический поиск, хотя первое знакомство произошло внутри нейросети.

Оценка GEO по одним переходам с ChatGPT быстро заводит аналитику в тупик.

Здесь нужны отдельные замеры:

• насколько часто компания появляется в ответах;

• по каким вопросам ее рекомендуют;

• кто из конкурентов находится рядом;

• какие источники нейросеть использует при подготовке ответа.

Разбираем подробно, как это сделать:

• Как подготовиться: исходная точка перед оценкой GEO-продвижения

• Какие метрики GEO-аналитики отслеживать

• Как проверять видимость сайта в ChatGPT, Алисе AI и других нейросетях

• Как анализировать трафик после оптимизации сайта под ИИ

• Как оформлять отчет по GEO-оптимизации

• Какие ошибки чаще всего портят GEO-аналитику

• Какие метрики реально оставить для оценки GEO-продвижения сайта

Как подготовиться: исходная точка перед оценкой GEO-продвижения

Представим компанию, которая продает серверы для бизнеса. Через три месяца после начала GEO-работ директор спрашивает: «А результат вообще есть?»

Команда открывает ChatGPT или Алису AI, вводит несколько запросов, дважды видит название компании и показывает эти скриншоты в отчете.

Из такого замера почти ничего нельзя узнать — для сравнения нужна исходная точка:

• одинаковые запросы;

• одинаковый набор нейросетей;

• зафиксированная дата проверки.

Обычно для первого аудита достаточно собрать 50–100 запросов. Их лучше брать из реальных ситуаций, в которых человек выбирает товар, подрядчика или услугу. Например, запрос «Сервер для 1С-Битрикс» слишком похож на поисковый. В диалоге с нейросетью человек скорее напишет:

• «Посоветуй сервер для интернет-магазина на 1С-Битрикс с большим каталогом»;

• «Где арендовать сервер для Битрикс с администрированием?».

Такие формулировки ближе к реальному пользовательскому сценарию. Они заодно показывают, появляется ли компания именно в момент выбора.

Запросы лучше делить хотя бы на несколько групп:

• выбор компании;

• сравнение решений;

• поиск конкретной услуги;

• вопросы о цене;

• более общие информационные темы.

Если свалить все 100 вопросов в одну таблицу, можно получить видимость 35% и долго радоваться этой цифре. Потом окажется, что почти все упоминания пришлись на информационные статьи, а среди запросов «Кого выбрать» компания появляется два раза из двадцати.

Какие метрики GEO-аналитики отслеживать

Видимость бренда в нейросетях

Самый простой показатель — доля запросов, где нейросеть вообще упомянула компанию.

Допустим, мы проверили 80 вопросов в ChatGPT. Название бренда встретилось в 16 ответах. Получаем видимость 20%. Через два месяца повторяем те же 80 вопросов. Компания появляется уже в 27 ответах. Видимость выросла до 33,75%.

AI Visibility = количество запросов с упоминанием бренда / количество проверенных запросов × 100%

Название метрики может отличаться в разных сервисах. Где-то используют:

• AI Visibility;

• Brand Visibility;

• Mention Rate.

Для внутренней аналитики это неважно: главное — заранее определить, что именно считается попаданием. Например:

• в одной компании попаданием считают любое упоминание названия;

• в другой — только ответы, где бренд связан с нужной услугой (такой подход строже, зато отчет потом сложнее улучшить случайными упоминаниями).

Есть еще одна проблема. Фраза «Компания X работает на рынке с 2015 года» и фраза «Для такой задачи можно рассмотреть компанию X» попадут в одну статистику, хотя для бизнеса их ценность заметно отличается.

Из-за этого одной видимости мало.

Рекомендации нейросетей

Это метрика Recommendation Rate. Для коммерческого проекта полезно открыть таблицу с запросами и выделить вопросы, где пользователь прямо просит помочь с выбором. Например:

• «Посоветуйте агентство для подбора няни в Москве»;

• «Где заказать независимую экспертизу обуви?»;

• «Какие компании занимаются арендой яхт в Турции?»;

• «К кому обратиться за составлением личного финансового плана?».

После проверки смотрим, в скольких ответах компания появилась среди вариантов, которые AI реально предложил пользователю.

Допустим, коммерческих вопросов было 40:

• сначала бренд получил рекомендации в восьми случаях, Recommendation Rate — 20%;

• через три месяца компания появляется уже в 15 ответах из тех же 40, Recommendation Rate — 37,5%.

Recommendation Rate обычно дает более полезную картину, чем общее количество упоминаний.

Компания может часто встречаться в справочных ответах благодаря собственному блогу, при этом почти отсутствовать в запросах с формулировками «Посоветуйте», «Кого выбрать» и «Где заказать».

В отчете такие группы лучше показывать отдельно. Тогда сразу видно, где растет присутствие, а где продвижение пока почти ничего не изменило.

Share of Voice: доля бренда среди конкурентов

Если смотреть только на собственную компанию, картина выглядит сильнее, чем она есть на самом деле. Чтобы увидеть реальную картину, используют Share of Voice — долю бренда среди упоминаний выбранной группы компаний.

Как рассчитать Share of Voice — формула:

(Число упоминаний вашего бренда / суммарные упоминания всех отслеживаемых брендов) × 100%.

Разберем на примере:

• всего 100 отслеживаемых запросов нейросети;

• ваш бренд и бренды четырех конкурентов нейросети суммарно упомянули 250 раз;

• на вашу компанию пришлось 50 упоминаний.

Share of Voice: (50 / 250) × 100% = 20%.

Через несколько месяцев количество ваших упоминаний выросло до 70, но общее число упоминаний всех пяти компаний достигло 500. Доля бренда снизилась до 14%.

Такая ситуация вполне возможна. Категория стала чаще обсуждаться в AI, выросли все игроки, а относительное присутствие конкретной компании стало слабее.

Особенно интересно смотреть Share of Voice по отдельным темам. Например, сервис может занимать:

• 35% упоминаний по запросам о внедрении CRM;

• 6% по вопросам о CRM для малого бизнеса.

Общая цифра в 20% эту разницу скроет.

Позиция бренда в ответе AI

Нейросеть выдает пять компаний. Ваш бренд стабильно появляется четвертым или пятым. Через несколько месяцев он чаще оказывается в первых двух пунктах.

Такую динамику имеет смысл фиксировать, хотя относиться к ней лучше спокойно. Причина — генеративные ответы меняются даже при повторном вводе одной и той же фразы. Сегодня компания может оказаться второй, через минуту — четвертой.

Рабочий вариант — считать группы позиций, например:

• сколько раз бренд вошел в первые три рекомендации;

• сколько раз появился ниже;

• сколько раз отсутствовал полностью.

Представим 30 коммерческих запросов. В первом замере компания попала в первую тройку четыре раза. Через два месяца — уже 11 раз. Такое изменение полезнее, чем отчет со «средней позицией 2,7», которая создает ощущение точности, которой у генеративной выдачи попросту нет.

Корректность упоминаний в нейросети

Для ключевых запросов полезно проверять корректность ответа, потому что нейросети ошибаются. Кроме того, высокая видимость иногда приносит странные сюрпризы.

Например:

• компания работает только с юридическими лицами, а ChatGPT пишет, что она обслуживает частных клиентов;

• у сервиса изменились тарифы год назад, а нейросеть продолжает показывать старую цену;

• бизнес работает в Москве и Санкт-Петербурге, но в ответах появляется формулировка «федеральная сеть».

В такой ситуации цифра AI Visibility может расти, а качество информации остается слабым. Чтобы оценить корректность ответа, можно использовать простую шкалу:

• информация верна;

• есть небольшие неточности;

• есть существенная ошибка.

Пример расчета. Допустим, бренд появился в 40 ответах. В 34 случаях описание совпадает с актуальными данными компании, в шести есть ошибки. Итого — 85% корректных упоминаний.

Через пару месяцев видимость выросла до 60 ответов, а корректными оказались 57. Здесь уже виден прогресс сразу по двум показателям: компания чаще появляется и реже получает искаженное описание.

Источники, откуда AI берет информацию

Иногда вопрос «почему конкурента рекомендуют чаще?» решается после просмотра источников. Допустим, у двух компаний похожие сайты, ассортимент и цены. При проверке выясняется:

• первая регулярно появляется в отраслевых рейтингах, обзорах, СМИ и экспертных публикациях — на эти страницы нейросеть ссылается в ответах;

• у второй компании почти вся информация находится только на собственном сайте.

В такой ситуации проблема уже выглядит конкретно: у конкурента шире цифровой след. Для анализа можно отдельно считать:

• в какой доле ответов AI использует сайт компании как источник;

• какие внешние площадки цитирует;

• какие страницы встречаются чаще всего.

Например, из 100 проверенных запросов сайт бренда появился среди источников в семи ответах. Через три месяца — в 19. Еще в 14 ответах стали встречаться сторонние публикации, где компанию упоминают в нужном контексте.

Этот срез полезен при планировании следующих работ. Вместо очередной пачки однотипных статей на корпоративный блог можно увидеть, что AI регулярно обращается к двум отраслевым медиа и одному крупному каталогу. Дальше уже есть смысл разбираться, как усилить присутствие именно там.

Переходы из AI-сервисов

Переходы с AI-сервисов тоже нужно смотреть. Если за январь сайт получил 20 визитов из ChatGPT, а через три месяца — 70, это полезная динамика. Следом можно проверить время на сайте, просмотренные страницы, заявки и продажи.

Проблема возникает, когда эти 70 переходов начинают считать полной аудиторией, которая познакомилась с компанией через AI.

Как проверять видимость сайта в ChatGPT, Алисе AI и других нейросетях

Есть два способа:

• ручная проверка;

• автоматизация.

Ручная проверка, рекомендует ли AI ваш бренд

Первую проверку вполне можно провести руками. Допустим, у компании 50 ключевых вопросов и четыре приоритетные нейросети. Получается 200 проверок. Для разового аудита объем терпимый. Что делать:

1. Собираем вопросы, которые мог бы написать потенциальный клиент. В наборе должны быть запросы на выбор, сравнение, цену, конкретную услугу и проблемы, которые решает продукт.

2. Каждый вопрос проверяем в выбранных AI-системах и заносим ответ в таблицу. Удобно фиксировать дату, название нейросети, сам запрос, наличие бренда, тип упоминания, названия конкурентов и источники.

3. Делаем отдельную колонку для характера упоминания. Например: «просто назван», «рекомендован», «использован как источник», «информация содержит ошибку».

Пример таблицы для ручной проверки. Чтобы увидеть таблицу целиком, зажмите ее и потяните курсором в нужную сторону.

Как оценивать результаты:

• для приоритетных запросов одной проверки мало: генеративная модель может сегодня назвать компанию, а через пять минут собрать другой список;

• если по очень важному запросу бренд появился один раз из десяти, говорить об устойчивой видимости рано;

• восемь появлений из десяти уже выглядят совсем иначе — это хороший результат.

В первый месяц можно проверить один и тот же коммерческий запрос несколько раз с интервалом в несколько дней. Так станет понятно, насколько стабилен результат и нет ли в отчете случайного попадания.

Автоматизация, когда ручной проверки становится слишком много

Пока отслеживается 30 запросов в двух нейросетях, таблицу можно вести вручную. При 200 промптах, пяти AI-системах и нескольких повторных проверках объем быстро переваливает за тысячу ответов за один срез.

Здесь нужны сервисы мониторинга AI-видимости. Они:

• отслеживают упоминание бренда в нейросетях;

• оценивают контекст упоминания;

• анализируют источники, которые нейросеть использовала для ответа;

• отслеживают упоминания конкурентов и вашего бренда и пр.

Такие сервисы снимают рутинную часть работы — вручную открывать каждую нейросеть и переносить сотни ответов в таблицу уже не требуется.

Сами цифры при этом всё равно зависят от выбранных запросов. Если загрузить 100 искусственных вопросов, которые реальные клиенты никогда не задают, отчет получится красивым и бесполезным.

Например, для проекта по аренде яхт логичнее отслеживать «Какие компании предлагают аренду яхт в Турции?» и «Посоветуй компанию для аренды яхты в Бодруме», чем десятки формальных вариаций одной SEO-фразы.

Как анализировать трафик после оптимизации сайта под ИИ

Что делать с трафиком из ChatGPT и других нейросетей

Вернемся к примеру с CRM. Пользователь получил список сервисов в ChatGPT, увидел название нужной компании и сразу закрыл диалог. Вечером он ввел название бренда в Яндексе и перешел на официальный сайт. Система аналитики запишет органический визит, хотя AI участвовал в выборе.

Есть и более короткий сценарий. В ответе уже есть цена, описание продукта, плюсы и ссылка. Человек прочитал информацию и вообще никуда не перешел.

Поэтому referral-трафик из нейросетей показывает только ту часть аудитории, которая нажала на ссылку внутри AI-сервиса. Для оценки общей динамики рядом полезно смотреть:

• брендовые поисковые запросы;

• прямые заходы;

• конверсии по бренду.

Если после роста рекомендаций в ChatGPT брендовый спрос вырос с 500 до 750 запросов в месяц, это уже интересная корреляция. Причинную связь по одной цифре доказать нельзя: одновременно могла идти реклама, PR или офлайн-кампания. Но в общей картине показатель имеет смысл.

Как связать GEO с заявками и продажами

Допустим, за квартал:

• видимость бренда выросла с 12% до 31%;

• Recommendation Rate — с 5% до 18%;

• переходы из AI-сервисов увеличились с 40 до 110;

• количество заявок осталось прежним.

Здесь уже нужно разбираться дальше. Варианты:

1. Выросла видимость по информационным темам, которые редко приводят к покупке.

2. AI приводит пользователей, а сайт плохо конвертирует трафик.

3. Пользователи получают рекомендацию, но выбирают конкурента из-за цены или условий.

Поэтому продажи логично оставлять в отчете как бизнес-показатель, рядом с более близкими к GEO метриками. Например:

• команда может отвечать за рост видимости по согласованному пулу коммерческих запросов с 15% до 30%;

• маркетологи отслеживают AI-трафик, брендовый спрос и заявки.

Тогда по итогам квартала видно, на каком участке появилась проблема.

Если видимость не выросла, вопрос к GEO-работам. Если бренд начали рекомендовать значительно чаще, а заявок больше не стало, нужно смотреть сайт, предложение, цены, отдел продаж и качество запросов, по которым компания получила видимость.

Почему проверка по названию бренда почти ничего не говорит о GEO

Запрос «Что ты знаешь о компании X?» полезен для проверки фактов. Можно увидеть, правильно ли нейросеть описывает услуги, адрес, цены, историю компании и другие данные.

Для оценки коммерческой видимости нужен другой сценарий. Пользователь еще не знает название компании и просит AI подобрать подходящий вариант. Возьмем юридическую фирму:

• запрос «Расскажи о компании Иванов и партнеры» проверяет знание конкретного бренда;

• запрос «Какие юридические компании помогают оспорить кадастровую стоимость в Москве?» показывает категорийную видимость;

• фраза «Посоветуй юридическую компанию для оспаривания кадастровой стоимости» уже проверяет вероятность рекомендации.

Для GEO основную ценность обычно дают последние два сценария. Именно в них компания конкурирует за внимание пользователя с другими игроками рынка.

Как оформлять отчет по GEO-оптимизации — пример

Отчет вида «Разместили 15 статей, обновили 20 страниц, добавили FAQ» показывает объем работы. Для оценки результата нужны цифры до и после.

Чтобы увидеть таблицу целиком, зажмите ее и потяните курсором в нужную сторону.

Все цифры здесь условные. В реальном проекте таблица должна строиться на одном и том же пуле запросов, иначе сравнение теряет смысл.

Еще полезно разбить результаты по темам. У компании может быть три направления бизнеса: первое выросло с 10% до 40% видимости, второе осталось на 15%, третье просело с 20% до 12%. Общая цифра около 22% ничего этого не покажет.

То же касается нейросетей. Компания может хорошо присутствовать в ChatGPT и почти отсутствовать в DeepSeek. Если аудитория активно использует обе системы, среднее значение по всем AI опять же скрывает проблему.

Какие ошибки чаще всего портят GEO-аналитику

Ошибка № 1 — мало запросов для анализа. Самый легкий способ получить хороший отчет — выбрать пять запросов, где бренд уже появляется, сделать красивые скриншоты и показать клиенту. На большом пуле в 100–200 вопросов картина обычно становится менее эффектной и намного полезнее.

Ошибка № 2 — менять запросы между замерами. В январе команда проверила 80 фраз, в марте решила взять более коммерческие и проверила другой набор. Сравнение «18% против 32%» в таком случае почти ничего не дает, потому что изменилась сама выборка.

Ошибка № 3 — путаница с рекомендациями. Если нейросеть написала: «Среди компаний на рынке встречаются X, Y и Z», это еще слабый сигнал. Пользователь мог просить конкретный совет, а AI всего лишь перечислил несколько названий. Такие ответы лучше отделять от прямых рекомендаций.

Ошибка № 4 — единичные проверки. Один удачный ответ ChatGPT легко превращается в скриншот для отчета. Через пять повторов бренд может пропасть четыре раза. Лучше делать серию проверок для ключевых коммерческих запросов — это дает более честную картину.

Ошибка № 5 — не сохранять сами ответы. Через три месяца график показывает рост с 18% до 30%, но никто уже не помнит, что именно нейросеть писала в первом замере. Скриншоты или сохраненные тексты позволяют проверить динамику, качество рекомендаций и ошибки в описании компании.

Какие метрики реально оставить для оценки GEO-продвижения сайта

Для небольшого проекта хватит пяти показателей.

1. Доля запросов, где бренд появился хотя бы один раз. Она показывает общий уровень видимости.

2. Доля коммерческих вопросов, где компанию рекомендовали пользователю. Для бизнеса этот показатель обычно интереснее общей частоты упоминаний.

3. Share of Voice относительно трех-пяти основных конкурентов. Он помогает понять, растет ли компания быстрее рынка.

4. Источники и корректность информации. Здесь видно, откуда AI берет данные и насколько точно описывает бренд.

5. Поведение пользователей после контакта с нейросетями: переходы, брендовые запросы, заявки и продажи. Эти цифры уже зависят от многих факторов, поэтому их удобнее смотреть рядом с показателями видимости, а не смешивать все в один GEO ROI.

Если первый замер проведен до начала работ, дальше все становится довольно приземленно. Есть список из 100 запросов, несколько AI-систем и сохраненные результаты. Через месяц или квартал запускается та же проверка, после чего видно, где бренд стал появляться чаще, по каким темам его начали рекомендовать и каких конкурентов он пока догнать не смог.

Именно на такой динамике уже можно обсуждать эффективность GEO предметно — с цифрами, конкретными запросами и сохраненными ответами нейросетей.

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

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

• Как работать с SEO в 2026 году: новая формула успеха — интент, контент, бренд

• SEO, AEO и GEO: что это вообще такое и зачем вам об этом знать? Чек-лист из 27 важных факторов для ранжирования

• SEO умер, да здравствует AEO и GEO? Спойлер: нет

И офтоп: чтобы не собирать данные вручную, используйте инструменты автоматизации, например, Keys.so. Он доступен на маркетплейсе eLama бесплатно. Инструмент анализирует упоминания вашего сайта и конкурентов в нейросетях: отслеживает видимость, проверяет тональность по промптам и показывает динамику роста за период. Так вы быстрее получите нужные цифры и сократите ручную работу.