Как правильно измерять видимость бренда в ответах ИИ: методология AI Visibility без самообмана

Еще недавно маркетологу было относительно понятно, что означает «видимость бренда в поиске».

Есть поисковая выдача. Есть позиция сайта. Есть показы, клики, CTR, доля поискового трафика.

С генеративным ИИ эта логика перестает работать.

Пользователь спрашивает:

«Какой банк лучше выбрать для путешествий?»

И получает не десять ссылок, а готовый ответ. В нем могут быть названы три банка, один из них может быть рекомендован первым, второй упомянут вскользь, третий приведен как альтернативный вариант. Иногда ИИ приводит источники. Иногда нет.

Задайте тот же вопрос еще раз, и ответ может измениться.

Сформулируйте вопрос немного иначе, и изменится набор банков.

Задайте его другой модели того же разработчика, и результат снова может измениться.

А если модель в принципе плохо знает белорусский банковский рынок, возникает еще более фундаментальный вопрос: что именно мы измеряем? Видимость конкретного банка или незнание рынка самой моделью?

Поэтому AI Visibility нельзя свести к вопросу:

«Сколько раз ChatGPT упомянул наш бренд?»

Нужна полноценная методология измерения.

1. Главная ошибка: воспринимать ответ ИИ как поисковую выдачу

Один из самых опасных подходов выглядит примерно так.

Берем 100 вопросов. Задаем каждый вопрос нейросети один раз. Считаем, сколько раз упомянут наш бренд и конкуренты.

Получаем:

Банк А: 67 упоминаний
Банк Б: 51 упоминание
Банк В: 39 упоминаний

Делаем вывод: «AI Visibility банка А составляет 67%, и он лидер категории».

Математика здесь может быть правильной. Проблема в дизайне эксперимента.

Ответ генеративной системы не является фиксированной поисковой выдачей. Поэтому один ответ ИИ правильнее рассматривать как одно наблюдение, а не как установленную «позицию бренда».

2. AI Visibility нужно мыслить как вероятность

Предположим, мы пять раз независимо задаем ИИ вопрос:

«Какой банк выбрать для путешествий?»

Прогон	Банк А	Банк Б	Банк В
1	Да	Да	Нет
2	Да	Нет	Да
3	Да	Да	Нет
4	Нет	Да	Да
5	Да	Нет	Нет

Тогда мы уже не говорим: «Банк А присутствует в ответе».

Мы говорим:

В заданных экспериментальных условиях банк А появился в 80% наблюдений.

ИИ-видимость представляет собой распределение результатов, а не один screenshot.

3. Что считать единицей наблюдения

Единица наблюдения AI Visibility = один ответ конкретной AI-системы на конкретный prompt при зафиксированных экспериментальных условиях.

Условия включают как минимум:

платформу;
модель или доступный режим;
версию, если она известна;
язык;
дату исследования;
наличие внешнего поиска, если этот режим контролируется;
контекст разговора;
персонализацию;
формулировку вопроса.

Отсюда следует важнейший принцип: название AI-продукта само по себе еще не является достаточно точным описанием измерительной среды.

4. Начинать нужно не с бренда, а со знания рынка

Это особенно важно для небольших рынков.

Если языковая модель получила относительно мало информации о локальной банковской системе, она может хорошо отвечать на общие финансовые вопросы, но плохо знать конкретные банки страны.

Поэтому первым показателем исследования я предлагаю сделать KPI 0. Market Knowledge.

5. KPI 0: Market Knowledge

До анализа брендов задается специальный набор небрендовых вопросов:

Какие банки работают в Беларуси?
Какие банки предлагают карты физическим лицам?
Какие банки можно рассмотреть для обслуживания бизнеса?
Какие банки предлагают мобильные банковские приложения?

Заранее формируется эталонный список существующих банков.

Market Recall

Market Recall = количество корректно названных банков / количество банков в эталонной выборке × 100%

Если в benchmark 20 банков, а AI смог корректно назвать 15:

Market Recall = 75%

Market Precision

Если AI выдал десять названий, из которых семь корректны:

Market Precision = 7 / 10 = 70%

Recall показывает, насколько полно система покрывает рынок. Precision показывает, насколько корректно она этот рынок описывает.

6. Почему Market Knowledge меняет интерпретацию

AI	Market Recall	Mention Rate банка А
AI 1	92%	48%
AI 2	87%	31%
AI 3	18%	4%

У AI 3 математически можно рассчитать Mention Rate. Но аналитически цифра 4% значительно менее содержательна: модель фактически плохо покрывает исследуемую категорию.

Низкую видимость бренда нельзя автоматически интерпретировать как проблему бренда, если сама модель плохо знает рынок.

Порог достаточного Market Knowledge следует устанавливать до исследования и не выдавать выбранное значение за универсальный отраслевой стандарт.

7. Какие вопросы задавать

Еще одна распространенная ошибка: измерять видимость бренда только на брендовых вопросах.

Например:

«Что лучше: банк А или банк Б?»

Такой вопрос интересен, но он уже заставляет AI рассуждать о двух названных банках.

Гораздо ценнее:

«Какой банк выбрать для ежедневных покупок?»

Здесь банк должен самостоятельно попасть в consideration set AI.

Поэтому prompts нужно разделять как минимум на две категории:

Prompted

Бренд присутствует непосредственно в вопросе.

Unprompted

Вопрос описывает потребность пользователя, но не содержит брендов.

И эти показатели нельзя просто смешивать.

8. Исследовать нужно intents, а не случайный список вопросов

Для банков это могут быть:

банк для зарплаты;
карта для путешествий;
выгодные переводы;
вклад;
кредит;
ипотека;
мобильное приложение;
премиальное обслуживание;
банк для бизнеса;
международные платежи;
безопасность;
обслуживание семьи;
молодежный сегмент;
ежедневные покупки.

Intent является более фундаментальной единицей, чем конкретная фраза.

9. Один intent нужно спрашивать несколькими способами

Intent: выбор банка для путешествий

Prompt A: «Какой банк выбрать для путешествий?»

Prompt B: «Посоветуй банк, картой которого удобно пользоваться за границей».

Prompt C: «В каком банке лучше открыть карту, если я часто путешествую?»

Если результаты резко меняются, мы обнаруживаем Prompt Sensitivity.

10. Повторяем каждый запрос

Например:

100 intents × 3 парафраза × 5 повторов = 1 500 ответов на одну AI-систему.

Пять повторов здесь не универсальный стандарт. Это элемент дизайна конкретного исследования.

11. Нельзя проводить 100 вопросов в одном диалоге

Схема «вопрос №1 → вопрос №2 → … → вопрос №100» в одном разговоре создает дополнительную экспериментальную переменную: предыдущий контекст.

Основной benchmark должен строиться на стандартизированных независимых контекстах:

Clean context → Prompt → Response → фиксация результата → завершение

Затем новое независимое наблюдение.

12. Персонализация представляет собой отдельное исследование

Нужно разделить:

Clean AI Visibility

Что получает пользователь при стандартизированном контексте исследования.

Personalized AI Visibility

Как результат меняется при наличии определенного пользовательского контекста.

Их нельзя незаметно смешивать в одной выборке.

Personalization Lift

Personalization Lift = Personalized Visibility − Clean Visibility

13. KPI 1: Mention Rate

Mention Rate = количество валидных ответов с упоминанием бренда / количество всех валидных ответов × 100%

Если из 500 наблюдений банк А появился в 365:

Mention Rate = 73%

Корректная интерпретация: в данных экспериментальных условиях бренд присутствовал в 73% наблюдений.

14. KPI 2: AI Share of Voice

Mention Rate отвечает на вопрос: как часто банк вообще появляется?

Share of Voice отвечает: какую долю конкурентного присутствия получает банк?

Для исследования лучше считать brand presence events, а не количество повторений названия внутри текста.

Если:

банк А присутствует в 400 ответах;
банк Б в 300;
банк В в 200;
банк Г в 100;

сумма presence events = 1 000.

Тогда:

SOV банка А = 40%
SOV банка Б = 30%
SOV банка В = 20%
SOV банка Г = 10%

15. Почему Mention Rate и SOV недостаточно

Если в каждом из 100 ответов одновременно присутствуют банк А и банк Б:

Mention Rate А = 100%
Mention Rate Б = 100%
SOV А = 50%
SOV Б = 50%

Но тексты могут постоянно говорить: «Лучший вариант банк А. Также можно рассмотреть банк Б».

Формально оба упомянуты, но влияние на решение пользователя различается.

16. KPI 3: Recommendation Rate

Заранее задаем классы:

0 — не рекомендует

Бренд просто упомянут.

1 — consideration

Бренд включен в набор рассматриваемых вариантов.

2 — explicit recommendation

AI явно предлагает выбрать бренд.

Основной показатель:

Recommendation Rate = количество ответов с explicit recommendation / количество релевантных ответов × 100%

17. KPI 4: Prominence

Можно построить прозрачную систему весов, например:

1-я позиция = 1,00
2-я = 0,75
3-я = 0,50
другое значимое упоминание = 0,25
нет упоминания = 0

Эти веса являются аналитической конструкцией исследования, а не универсальным стандартом. Их нужно определить заранее и одинаково применять ко всем брендам.

18. KPI 5: Portrayal

Важно анализировать не только частоту присутствия, но и то, как AI описывает бренд.

Базовая классификация:

positive;
neutral;
negative;
factual accuracy;
framing.

Дополнительно можно кодировать атрибуты бренда: инновационный, надежный, дорогой, массовый, премиальный, удобный, сложный, технологичный, устаревший.

Так строится AI Brand Perception Map.

19. KPI 6: Citation / Source Visibility

Нужно разделять:

Brand Visibility

AI упоминает компанию.

Owned Source Visibility

AI использует или цитирует собственные ресурсы компании.

Earned Source Visibility

AI опирается на внешние материалы, где компания присутствует.

Например:

Mention Rate = 68%
Recommendation Rate = 42%
Owned Citation Rate = 7%

То есть бренд хорошо представлен в AI, но собственный сайт почти не появляется среди наблюдаемых источников.

20. Source Attribution как отдельный слой

Для ответа, где система показывает источники, полезно сохранять:

домен;
URL;
тип источника;
owned / earned / third-party;
какой бренд связан с источником;
присутствовало ли цитирование рядом с рекомендацией.

Но важно не путать корреляцию с причинностью. Наличие источника рядом с рекомендацией еще не доказывает, что именно он вызвал рекомендацию.

21. KPI 7: Stability

Нужно разделять два понятия.

Run Stability

Что происходит при повторении одинаковой формулировки.

Prompt Robustness

Что происходит при разных формулировках одного намерения.

Это две разные характеристики качества AI Visibility.

22. Видимость может зависеть от языка

Для многоязычного рынка один и тот же intent следует тестировать отдельно на релевантных языках.

Например:

Язык	Банк А Mention Rate
RU	64%
BE	36%
EN	47%

Получаем диагностическую метрику Language Visibility Gap.

23. Платформа и модель: это не одно и то же

Нельзя считать название AI-продукта единственным уровнем анализа.

Нужно различать:

Platform Visibility

Что видит обычный пользователь конкретного AI-продукта.

Model Visibility

Что показывает конкретная модель или режим.

Ecosystem Visibility

Что происходит по совокупности релевантных AI-платформ.

24. Версия модели должна попадать в паспорт исследования

Для каждого наблюдения желательно хранить:

Platform
Model
Version, если доступна
Mode
Search ON/OFF, если контролируется
Language
Geo, если релевантно и контролируемо
Clean/Personalized
Date
Prompt ID
Run ID

25. Почему нельзя сравнивать две волны без контроля условий

Если в первой волне Mention Rate был 62%, а во второй 44%, это еще не доказывает падение видимости бренда.

Между волнами могли измениться модель, retrieval, prompts, источники или продукт.

Longitudinal AI Visibility требует контроля экспериментальных условий и фиксации methodological breaks.

26. Паспорт измерения обязателен

Хороший отчет должен раскрывать:

период исследования;
рынок;
категорию;
платформы;
модели и режимы;
языки;
количество intents;
количество парафразов;
количество повторов;
тип контекста;
search mode;
Market Knowledge;
метод classification;
дату выгрузки.

Без этого AI Visibility Score плохо воспроизводим.

27. Абсурд идеи «давайте проверим все нейросети»

Предположим, исследуются 11 AI-экосистем:

Алиса AI / Яндекс
GigaChat
ChatGPT
DeepSeek
Gemini
Perplexity
Qwen
Claude
Grok
GLM / Z.ai
Mistral

Для демонстрации берем рабочий factorial-дизайн:

11 экосистем × 3 model/mode × 2 search modes × 3 языка × 2 типа контекста × 100 intents × 3 парафраза × 5 повторов

Получаем:

594 000 AI-ответов

Это не рыночная статистика. Это результат конкретного демонстрационного дизайна, показывающий масштаб пространства измерений.

И к завершению такого исследования часть технологической среды уже может измениться.

Поэтому бессмысленно стремиться к полноте технического universe. Полезнее стремиться к репрезентативности пользовательского AI universe.

28. Market-Relevant AI Universe

Каждое серьезное исследование должно начинаться не с вопроса «Какие существуют нейросети?», а с вопроса:

Какие AI-продукты и сценарии использования значимы для нашей целевой аудитории?

Это и есть Market-Relevant AI Universe.

Если надежных данных об использовании платформ аудиторией нет, не нужно придумывать искусственные веса. Лучше показывать результаты платформ отдельно.

29. Трехуровневая архитектура исследования

Tier 1. Consumer Benchmark

Основной пользовательский experience выбранных рынком AI-продуктов.

Например:

11 платформ × 100 intents × 3 парафраза × 5 повторов = 16 500 наблюдений.

Tier 2. Model Benchmark

Исследуем влияние конкретных моделей там, где нашли существенные различия.

Tier 3. Deep Diagnostic

Для аномалий раскрываем полный factorial:

Model × Search × Language × Context × Paraphrases × Repeated runs

Так бюджет расходуется только на комбинации, которые дают дополнительную управленческую информацию.

30. Исследование не равно парсингу

Можно собрать миллион AI-ответов и все равно не провести качественного исследования.

Методология должна отвечать на вопросы:

Что является генеральной совокупностью?
Что является единицей наблюдения?
Как формировалась панель intents?
Как контролировался wording?
Сколько повторов сделано?
Как контролировался контекст?
Как учитывалась персонализация?
Как учитывался язык?
Какая модель использовалась?
Знает ли модель исследуемый рынок?
Как классифицировалась рекомендация?
Как считался prominence?
Какие ответы считались невалидными?
Насколько результат устойчив?
Можно ли воспроизвести измерение?

Без этих ответов огромное количество данных создает лишь иллюзию точности.

31. Не создавать «магическую цифру AI Visibility»

Представим:

Бренд А

Mention Rate: 80%

Recommendation Rate: 15%

Бренд Б

Mention Rate: 35%

Recommendation Rate: 30%

У А огромная представленность внутри ответов AI, но слабая способность получать рекомендации. Б появляется редко, но если появляется, AI часто включает его в решение.

Свести оба профиля к одной цифре значит потерять самое интересное.

32. Когда единый индекс допустим

Для management dashboard можно создать composite index, например:

30% Mention Rate
25% Share of Voice
20% Recommendation
15% Prominence
10% Citation

Но необходимо прямо указать: веса являются аналитической моделью данного исследования, а не универсальным отраслевым стандартом.

Рядом всегда должны быть исходные показатели.

33. Итоговая система KPI

KPI 0. Market Knowledge

Market Recall
Market Precision

KPI 1. Mention Rate

Вероятность наблюдаемого появления бренда.

KPI 2. AI Share of Voice

Относительная доля присутствия среди конкурентов.

KPI 3. Recommendation Rate

Как часто система явно рекомендует бренд.

KPI 4. Prominence

Насколько заметное место получает бренд.

KPI 5. Portrayal

Как AI характеризует бренд и насколько корректно.

KPI 6. Citation / Source Visibility

Насколько бренд и его источники представлены в наблюдаемой системе источников.

KPI 7. Stability

Насколько результат воспроизводим между повторами.

KPI 8. Prompt Robustness

Насколько результат устойчив к варианту формулировки.

Дополнительные диагностические показатели

Personalization Lift
Language Visibility Gap
Model Sensitivity
Platform Variance
Recommendation Conversion = Recommendation Rate / Mention Rate

Последние показатели являются предлагаемыми аналитическими инструментами и должны быть явно описаны в методике исследования.

34. Воронка AI Visibility

Market Knowledge

AI вообще знает рынок?

↓

Brand Recall

AI самостоятельно вспоминает бренд?

↓

Presence

Бренд появляется в ответе?

↓

Prominence

Ему уделяется заметное место?

↓

Consideration

Бренд попадает в shortlist?

↓

Recommendation

AI предлагает выбрать его?

↓

Portrayal

Как бренд характеризуется?

↓

Source Visibility

Какие наблюдаемые источники присутствуют?

↓

Stability

Насколько все это воспроизводимо?

35. Ошибочные и правильные подходы

Ошибка 1: задать вопрос один раз

Правильно: делать серию независимых повторов.

Ошибка 2: 100 вопросов в одном чате

Правильно: стандартизированные независимые контексты.

Ошибка 3: считать только упоминания

Правильно: Mention + SOV + Recommendation + Prominence + Portrayal + Citation.

Ошибка 4: спрашивать только «банк А или банк Б?»

Правильно: добавить unprompted category/intention questions.

Ошибка 5: не проверять знание рынка моделью

Правильно: начинать с Market Knowledge.

Ошибка 6: смешивать языки

Правильно: считать язык отдельным экспериментальным разрезом.

Ошибка 7: смешивать разные модели одного разработчика

Правильно: разделять Platform Visibility и Model Visibility.

Ошибка 8: смешивать clean и personalized ответы

Правильно: исследовать их отдельными cohorts.

Ошибка 9: принимать цитирование за причинность

Правильно: фиксировать наблюдаемые источники, не приписывая им причинный эффект без отдельного доказательства.

Ошибка 10: собирать «все существующие ИИ»

Правильно: определить Market-Relevant AI Universe.

Ошибка 11: показывать AI Visibility = 73% без методики

Правильно: прилагать measurement passport.

Ошибка 12: сравнивать волны при изменившихся условиях

Правильно: контролировать изменения и отдельно отмечать methodological breaks.

36. Как должен выглядеть хороший AI Visibility Report

Хороший отчет начинается с понимания измерительной среды:

Какие AI-системы релевантны аудитории?
Насколько каждая система знает исследуемый рынок?
Как сформирована панель пользовательских intents?
Как контролируется вариативность?
Как бренд выглядит относительно конкурентов?
Как часто упоминание превращается в recommendation?
Как AI характеризует бренд?
Какие наблюдаемые источники сопровождают ответы?
Насколько выводы стабильны?

И только затем появляется dashboard.

37. Пример итогового dashboard

Допустим, анализируется банк А:

Market Recall исследуемой AI: 89%
Mention Rate: 61%
AI Share of Voice: 28%
Recommendation Rate: 34%
Prominence Score: 0,54
Owned Citation Rate: 11%
Positive Portrayal: 72%
Run Stability: высокая
Prompt Robustness: средняя
Language Gap RU → BE: −17 п.п.

Вместо одного числа мы получаем диагностический профиль AI Visibility.

38. AI Visibility и GEO не одно и то же

AI Visibility

Это измерение результата: насколько бренд представлен в AI-среде.

GEO

Это попытка изменить этот результат: какие действия повышают вероятность присутствия, цитирования или использования информации бренда generative engines.

Нельзя утверждать, что GEO сработало, если measurement до и после не сопоставимо.

39. Корреляция после оптимизации не означает причинность

Если после изменения сайта Mention Rate вырос с 35% до 47%, это еще не доказывает, что именно изменения сайта вызвали рост.

За это время могли измениться модель, retrieval, индексируемые источники, конкурентное информационное поле или сам AI-продукт.

Строгая формулировка:

После изменений наблюдался рост AI Visibility на 12 п.п. в сопоставимой части измерительной панели.

Для заявления о причинном эффекте нужен соответствующий причинный дизайн исследования.

40. Зачем бизнесу все это измерять

В конечном итоге бизнесу нужны ответы на пять вопросов.

1. Discoverability

Появляется ли наш бренд в AI вообще?

2. Competitive position

Кого AI показывает вместо нас?

3. Recommendation

Когда AI помогает человеку выбрать, попадаем ли мы в shortlist?

4. Brand perception

Какими словами AI описывает нас и конкурентов?

5. Source influence

Какие наблюдаемые источники присутствуют в информационной среде ответов?

Здесь AI Visibility превращается из красивого digital-показателя в инструмент маркетинговой стратегии.

Вывод

У AI нет одной стабильной «выдачи».

Есть:

платформа × модель × версия × retrieval/search × язык × контекст × персонализация × формулировка prompt × вариативность генерации × время измерения.

Поэтому профессионализм в AI Visibility заключается не в способности собрать максимальное количество ответов.

Он заключается в способности правильно ограничить экспериментальное пространство, стандартизировать наблюдения и не выдать шум за закономерность.

10 принципов качественного AI Visibility Research

Не измеряйте ответ. Измеряйте распределение ответов.
Сначала проверяйте знание рынка моделью, затем видимость бренда.
Разделяйте prompted и unprompted visibility.
Исследуйте пользовательские intents, а не случайный список вопросов.
Используйте парафразы и независимые повторные прогоны.
Не смешивайте clean и personalized context.
Разделяйте platform, model и ecosystem visibility.
Не сводите Presence, Prominence, Portrayal и Recommendation к одной цифре без раскрытия методики.
Не пытайтесь измерить «все ИИ». Измеряйте Market-Relevant AI Universe.
Каждый AI Visibility Score должен иметь паспорт измерения.

Хорошее исследование AI Visibility отвечает не на вопрос «что однажды ответил ИИ?», а на вопрос «с какой вероятностью, в каких условиях и каким образом бренд появляется в AI-ответах относительно конкурентов?»

Именно переход от отдельных запросов и скриншотов к воспроизводимому эксперименту превращает мониторинг нейросетей в настоящее маркетинговое исследование.

Источники и дальнейшее чтение

IAB. *Measuring Visibility in the AI Era* (2026).
Aggarwal P., Murahari V., Rajpurohit T. et al. *GEO: Generative Engine Optimization* (KDD 2024).
Martinez O. *Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023–2026)* (2026).