Как измерить вероятность того, что ИИ порекомендует ваш бренд

Автор: Сергей Семёнов, основатель RECOMO AI.

Последние двадцать лет цифровой маркетинг жил в понятной системе координат. Мы научились измерять практически всё: позиции сайта в поисковой выдаче, CTR, объём органического трафика, стоимость привлечения клиента, конверсии и десятки других показателей. Эти метрики стали универсальным языком маркетологов, SEO-специалистов и руководителей бизнеса.

Я наблюдаю, что система начинает меняться.

Всё чаще пользователь не открывает страницу с десятью ссылками и не сравнивает предложения самостоятельно. Вместо этого он задаёт вопрос ChatGPT, Gemini, Claude, Perplexity или другому AI-ассистенту и получает готовый ответ — зачастую с одной или несколькими рекомендациями компаний.

Привычной логики цифрового маркетинга уже не достаточно.

Можно занимать высокие позиции в поисковой выдаче, иметь сильный бренд и большой трафик, но при этом редко появляться в рекомендациях искусственного интеллекта. Возможна и обратная ситуация: компания представлена в AI-ответах заметнее, чем можно было бы ожидать по традиционным SEO-метрикам.

Возникает вопрос, которого ещё несколько лет назад практически не существовало:

Что именно нужно измерять, если пользователь всё чаще получает не список ссылок, а готовую рекомендацию языковой модели?

Работа больших языковых моделей непрозрачна, а отдельные ответы вариативны. Однако вариативность не равна полной случайности. Поведение AI-систем можно исследовать через повторяемые сценарии, фиксированные условия и набор наблюдаемых показателей.

Так появляется новая задача цифрового маркетинга: оценить не абстрактную «дружбу с искусственным интеллектом», а измеримую вероятность того, что бренд будет упомянут, корректно описан и рекомендован в релевантном пользовательском сценарии.

В этой статье под «вероятностью» понимается не скрытая уверенность модели и не универсальный процент для всех пользователей. Это наблюдаемая доля ответов, в которых бренд появляется при заранее заданных сценариях и условиях. Такая оценка действует только в пределах выбранного протокола, но позволяет сравнивать бренды, модели и динамику во времени.

Можно ли вообще измерить AI Visibility

Первое возражение звучит логично: большие языковые модели являются вероятностными системами, не публикуют факторы рекомендаций и могут по-разному отвечать на один и тот же вопрос в зависимости от формулировки, языка, контекста диалога и конкретной модели.

Поэтому измерять нужно не «внутреннее решение» модели, которое недоступно наблюдателю, а результат её работы. Нас интересует, как часто бренд появляется в ответах, в какой роли, на какой позиции и насколько результат сохраняется при повторных проверках.

Поисковые алгоритмы тоже никогда не были полностью прозрачными. Тем не менее SEO стало измеримой дисциплиной благодаря наблюдаемым метрикам и воспроизводимым проверкам. Для AI Visibility нужен аналогичный переход: от единичных скриншотов к исследовательской матрице.

Методология: от одного ответа к исследовательской матрице

Один запрос к одной модели не является исследованием. Такой ответ можно использовать как наблюдение, но нельзя превращать его в общий вывод о видимости бренда.

Базовая проверка должна включать несколько пользовательских сценариев, варианты формулировок, разные AI-системы и повторные запуски. Это позволяет отделить случайный ответ от устойчивого паттерна.

До запуска необходимо зафиксировать границы измерения: категорию и объект анализа, географию, язык, целевую аудиторию, дату, AI-сервис и доступную версию модели, режим с веб-поиском или без него, а также наличие персонализации и историю диалога. В одном цикле эти параметры должны оставаться одинаковыми; любое изменение отмечается отдельно.

Число 360 не является отраслевым стандартом и само по себе не подтверждает качество исследования. Это рабочая пилотная конфигурация, позволяющая увидеть межмодельные различия и оценить повторяемость при ручной проверке.

Для отраслевого рейтинга, нескольких языков, регионов или сегментов выборку необходимо расширять и заранее обосновывать.

В журнале исследования для каждого запуска фиксируются точная формулировка запроса, дата и время, AI-сервис и версия модели (если она отображается), язык, география, режим доступа к поиску и полный текст ответа. Затем размечается:

• упомянут ли бренд вообще;

• рекомендует ли модель бренд прямо или только перечисляет его;

• попадает ли бренд в первые три варианта;

• какими аргументами модель объясняет рекомендацию;

• на какие источники ссылается ответ, если ссылки доступны;

• есть ли фактические ошибки, устаревшие сведения или противоречия;

• повторяется ли результат в других моделях и при другой формулировке.

Какие показатели считать

Чтобы результаты можно было сравнивать во времени и между конкурентами, необходимо заранее определить метрики. Для первичной оценки достаточно пяти показателей.

1. Частота упоминаний. Доля ответов, в которых бренд появился хотя бы один раз.

Формула: ответы с упоминанием бренда ÷ все ответы x 100%.

2. Частота прямых рекомендаций. Доля ответов, в которых модель не просто назвала компанию, а предложила её пользователю как подходящий вариант.

Формула: ответы с прямой рекомендацией ÷ все ответы x 100%.

3. Доля попаданий в топ-3. Показывает, насколько часто бренд занимает одну из первых трёх позиций в списке рекомендаций.

Формула: ответы, в которых бренд вошёл в первые три варианта, ÷ все ответы x 100%.

4. Межмодельное покрытие. Доля проверенных AI-систем, в которых бренд хотя бы раз получил прямую рекомендацию.

Формула: AI-системы, давшие хотя бы одну прямую рекомендацию, ÷ все проверенные AI-системы x 100%.

5. Стабильность. Доля комбинаций «сценарий x формулировка x модель», в которых статус бренда — рекомендован или не рекомендован — совпал во всех трёх повторах.

Формула: комбинации с одинаковым статусом во всех трёх повторах ÷ все проверенные комбинации x 100%.

Важно: стабильность показывает повторяемость, а не качество результата. Бренд, который стабильно отсутствует в рекомендациях, тоже может получить высокий показатель стабильности.

Такой набор показателей не объясняет причины автоматически, но показывает, где искать проблему. Низкая частота упоминаний может быть связана с недостаточным цифровым покрытием или неясной сущностью бренда. Высокая упоминаемость при низкой доле прямых рекомендаций может указывать на слабые доверительные, экспертные или продуктовые сигналы. Различия между моделями требуют проверки источников, актуальности данных и режимов доступа к вебу. Эти трактовки являются гипотезами: их необходимо проверять анализом источников и повторным замером.

Практический анализ как многомерная система

Вероятность рекомендации нельзя свести к одной публикации, позиции сайта или «секретной настройке»: результат может быть связан с сочетанием нескольких характеристик цифрового присутствия.

Для анализа полезно разделить их на семь групп:

• авторитетность источников — насколько надёжные и независимые площадки подтверждают сведения о бренде;

• согласованность информации — совпадают ли название, услуги, география, факты и описания в разных источниках;

• цифровое покрытие — присутствует ли бренд на релевантных отраслевых и профессиональных площадках;

• экспертность контента — отвечает ли компания на реальные вопросы аудитории и демонстрирует ли компетентность;

• упоминаемость — как часто и рядом с какими темами бренд появляется в независимых материалах;

• контекст упоминаний — положительный, нейтральный, критический или противоречивый;

• сигналы сущности (entity-сигналы) — насколько однозначно AI может понять, что представляет собой компания, какие у неё продукты, атрибуты и связи.

Семь групп — диагностическая рамка, а не доказанный набор причинных факторов для любой AI-системы. Она помогает формулировать гипотезы: какие цифровые сигналы могут объяснить наблюдаемый результат и какие изменения стоит проверять повторным измерением при сопоставимых условиях.

Первые практические шаги: самостоятельный замер за одну неделю

Для первичной диагностики не требуется сложная платформа. Маркетинговая команда может провести небольшой, но воспроизводимый замер самостоятельно.

1. Зафиксируйте границы измерения. Определите категорию, географию, язык, целевую аудиторию, AI-системы, режим доступа к вебу и период проверки. Не смешивайте разные условия в одном результате.

2. Сформулируйте 10 реальных сценариев. Используйте вопросы, которые клиент действительно задаёт при выборе: «какую компанию выбрать», «лучшие решения для…», «сравнить A и B», «кто работает в конкретном регионе».

3. Подготовьте по 3 формулировки каждого сценария. Меняйте степень конкретики, но сохраняйте одно и то же пользовательское намерение.

4. Проверьте 4 AI-системы и повторите каждый запрос 3 раза. Создайте таблицу с полями: сценарий, точный запрос, дата и время, сервис и версия модели, язык, география, режим поиска, упоминание, прямая рекомендация, позиция, источники, фактические ошибки и полный ответ. Не объединяйте результаты разных дней без пометки.

5. Посчитайте 5 базовых метрик: частоту упоминаний, частоту рекомендаций, долю топ-3, межмодельное покрытие и стабильность.

6. Сравните минимум с 5 прямыми конкурентами. Важно понять не только собственный показатель, но и кого AI рекомендует вместо вас.

7. Проверьте семь групп цифровых сигналов. Начните с фактических противоречий, слабых страниц услуг, отсутствующих ответов на вопросы пользователей и недостатка независимых подтверждений.

8. Выберите три приоритетных изменения и назначьте повторный замер через 30–60 дней. Не меняйте одновременно десятки элементов: иначе будет невозможно понять, что действительно связано с изменением результата.

Ограничения, о которых важно помнить

AI Visibility — динамический показатель. Ответы моделей меняются после обновлений, появления новых источников и изменения механизмов поиска. Поэтому любой результат является снимком на конкретную дату.

Даже если сильное цифровое присутствие совпадает с частыми рекомендациями, это ещё не доказывает причинность. Чтобы проверить влияние конкретного изменения, необходимо провести повторный замер при сопоставимых условиях, зафиксировать вмешательство и по возможности менять одну группу сигналов за один цикл.

На результат также могут влиять язык, география, персонализация, история диалога, конкретный сервис и версия модели, а также доступ к актуальному поиску. Эти параметры необходимо документировать, а выводы — формулировать только в пределах исследованного сценария.

И главное: ни одна методика не может гарантировать рекомендацию бренда конкретной AI-системой. Задача измерения — снизить неопределённость, выявить слабые места и проверить, повышают ли последовательные улучшения устойчивость присутствия бренда в AI-ответах.

От видимости в поиске — к видимости для искусственного интеллекта

В цифровом маркетинге появляется третий участник — искусственный интеллект. Он не просто находит информацию, а интерпретирует источники, сопоставляет сведения и формирует готовый ответ.

Для бизнеса это означает новую задачу: быть не только доступным в интернете, но и понятным, проверяемым и убедительным для AI-систем.

AI Visibility пока нельзя считать окончательно сформированной дисциплиной. Модели и механизмы генеративного поиска быстро меняются, а влияние отдельных факторов зависит от отрасли, языка, региона и типа запроса.

Но уже сейчас можно перейти от случайных наблюдений к системе: определить сценарии, провести повторяемый замер, рассчитать показатели, сравнить себя с конкурентами, найти вероятные причины и проверить эффект изменений.

Прежде чем управлять присутствием бренда в рекомендациях искусственного интеллекта, необходимо сделать первый шаг — научиться измерять его одинаково, прозрачно и регулярно.

Мнение редакции может не совпадать с мнением автора. Ваши статьи присылайте нам на 42@cossa.ru. А наши требования к ним — вот тут.