Классическое SEO отвечает на понятный вопрос: по каким запросам и на каких позициях находится сайт. В генеративном поиске логика другая. Пользователь может не увидеть список из десяти ссылок — вместо него он получает готовый ответ, сравнение компаний или рекомендацию нескольких брендов.
Поэтому новой точкой контроля становится не только позиция сайта, но и то, присутствует ли бренд внутри ответа нейросети, в каком контексте он упоминается, рекомендует ли его система и ссылается ли на его сайт.
Эту область называют AI Visibility, AEO или GEO. Термины пока используются по-разному, но бизнес-задача одна: понять, насколько бренд заметен в генеративных ответах и как эта заметность меняется со временем.
Почему обычной проверки позиций уже недостаточно
ChatGPT с веб-поиском может дополнять ответы ссылками и цитатами, причём поисковый запрос пользователя может быть преобразован в несколько более узких запросов. OpenAI отдельно предупреждает, что поисковые результаты и цитаты могут быть неполными, устаревшими или ошибочными, поэтому источник необходимо проверять вручную.
Perplexity изначально работает как AI-поиск: система ищет информацию в интернете, формирует сводный ответ и добавляет нумерованные ссылки на исходные источники.
Gemini также может показывать источники и связанные материалы — внутри ответа или в отдельной панели. Однако Google прямо указывает, что источники присутствуют не во всех ответах.
В Google AI Overviews ссылки на сайты становятся частью генеративного ответа поисковой системы. Google поясняет, что AI Overviews и AI Mode могут использовать query fan-out: выполнять несколько связанных поисков по подтемам, чтобы сформировать ответ и подобрать поддерживающие страницы.
Получается, один и тот же бренд может:
- занимать высокие позиции в классической выдаче, но не попадать в AI-ответ;
- упоминаться нейросетью без ссылки на официальный сайт;
- цитироваться как источник, но не входить в список рекомендуемых компаний;
- появляться в ChatGPT, но отсутствовать в Gemini или Perplexity;
- быть заметным по информационным вопросам и невидимым по коммерческим.
Именно поэтому AI-видимость нужно измерять отдельно, а не пытаться заменить её данными традиционного rank tracker.
Что именно считать видимостью бренда
Я рекомендую не искать одну «магическую» метрику, а разделять видимость на несколько компонентов.
1. Mention Rate — частота упоминаний
Метрика показывает, в какой доле релевантных ответов присутствует бренд или один из его допустимых вариантов написания.
Формула:
Mention Rate = ответы с упоминанием бренда / все проверенные ответы × 100%
Пример: из 120 ответов бренд встретился в 42.
42 / 120 × 100% = 35%
Значит, частота упоминаний составляет 35%.
При настройке проверки необходимо заранее перечислить алиасы: название на русском и английском, сокращение, домен и распространённые варианты написания. Иначе часть реальных упоминаний будет потеряна.
2. Recommendation Rate — частота рекомендаций
Сам факт упоминания ещё не означает, что нейросеть советует бренд. Он может появиться в исторической справке, критическом контексте или в перечне альтернатив.
Формула:
Recommendation Rate = ответы, в которых бренд рекомендован / все проверенные ответы × 100%
Эта метрика особенно важна для запросов с коммерческим намерением: «какую CRM выбрать», «лучшие клиники Алматы», «где купить…», «какой сервис подходит для…».
3. Average Position — средняя позиция в списках
Если AI-система перечисляет несколько решений, важно не только присутствовать в ответе, но и понимать порядок появления брендов.
Формула:
Average Position = сумма позиций бренда / количество ответов, где позиция определена
Например, бренд появился на позициях 2, 4, 1 и 3.
(2 + 4 + 1 + 3) / 4 = 2,5
Средняя позиция — 2,5. При этом нельзя присваивать «последнее место» ответам без ранжированного списка: такие ответы лучше учитывать отдельно, иначе средняя позиция будет искажена.
4. Citation Rate — доля ответов со ссылкой на сайт
Упоминание бренда и цитирование его домена — разные события. Нейросеть может знать название компании, но брать подтверждающую информацию у агрегатора, СМИ, маркетплейса или конкурента.
Формула:
Citation Rate = ответы со ссылкой на домен бренда / ответы, в которых доступны источники × 100%
Знаменатель принципиален. Если конкретный интерфейс или тип ответа не показывает источники, его нельзя автоматически считать ответом «без цитирования» — такой результат должен иметь статус «источники недоступны».
5. Share of Voice — доля голоса среди конкурентов
Share of Voice показывает, какую часть всех зафиксированных упоминаний в выбранной теме получает бренд.
Формула:
Share of Voice = упоминания бренда / упоминания всех отслеживаемых брендов × 100%
Если бренд получил 48 упоминаний, а все компании из конкурентного набора — 240, то:
48 / 240 × 100% = 20%
Состав конкурентного набора должен оставаться неизменным внутри одного периода сравнения. Если добавить новых конкурентов посреди эксперимента, изменение Share of Voice может быть вызвано новой методикой, а не реальным падением видимости.
6. Sentiment и корректность описания
Полезно отдельно фиксировать:
- положительный, нейтральный или негативный контекст;
- правильность названия и категории продукта;
- актуальность характеристик, цен и географии;
- наличие вымышленных функций или неверных фактов;
- смешение бренда с одноимённой компанией.
Автоматическая классификация помогает обрабатывать большие объёмы, но критичные ответы — например, о медицине, финансах, репутационных рисках или конкретных свойствах продукта — стоит перепроверять вручную.
Как сформировать набор запросов для мониторинга
Качество исследования зависит не столько от количества промптов, сколько от того, насколько полно они отражают путь пользователя.
Брендовые запросы
- Что такое [бренд]?
- Чем занимается [бренд]?
- Можно ли доверять [бренду]?
- Какие отзывы о [бренде]?
Они показывают, насколько точно AI-система понимает сам бренд.
Категорийные запросы
- Какие компании предлагают [услугу]?
- Лучшие решения для [задачи].
- Где купить [товар] в [городе]?
Именно здесь измеряется реальная конкурентная видимость: пользователь ещё не выбрал компанию и просит систему сформировать список вариантов.
Сравнительные запросы
- [Бренд] или [конкурент]: что выбрать?
- Чем [бренд] отличается от [конкурента]?
- Какие есть альтернативы [бренду]?
Проблемные и сценарные запросы
- Как решить [проблему]?
- Какой продукт подойдёт для [конкретного сценария]?
- Что выбрать при бюджете [диапазон] и условии [ограничение]?
Такие формулировки особенно ценны: они ближе к реальной консультации, которую пользователь получает от AI-системы.
Репутационные и проверочные запросы
- Какие недостатки у [бренда]?
- Есть ли риски при работе с [брендом]?
- Что известно о качестве и поддержке [бренда]?
Для международного или регионального бизнеса набор следует разделять по языкам и географии. Русский, казахский и английский запросы — это разные выборки, а не взаимозаменяемые варианты одного теста.
Как проводить проверку, чтобы данным можно было доверять
Зафиксируйте условия эксперимента
Для каждого запуска сохраняйте:
- платформу и режим работы;
- модель, если она доступна для выбора;
- точный текст запроса;
- язык и целевую географию;
- дату и время;
- наличие веб-поиска;
- полный текст ответа;
- список и порядок брендов;
- ссылки на источники;
- вердикт: упоминание, рекомендация, позиция, тональность.
Не объединяйте в одну выборку ответы пользовательского интерфейса и ответы API. Даже если у них похожее название модели, это разные измерительные поверхности с разными настройками, поисковыми механизмами и форматами источников.
Используйте повторные запуски
Один ответ — это наблюдение, а не устойчивая метрика. Минимальная рабочая схема — повторить каждый важный запрос несколько раз и сравнивать периоды на одинаковом наборе промптов. Чем меньше выборка, тем осторожнее нужно интерпретировать изменение процентов.
Например, рост с 50% до 60% при десяти ответах означает появление всего одного дополнительного упоминания. При 200 ответах те же десять процентных пунктов означают уже 20 дополнительных упоминаний. Процент одинаковый, надёжность вывода — разная.
Не меняйте всё одновременно
Если одновременно заменить запросы, модель, язык, регион и список конкурентов, сравнение с прошлым периодом потеряет смысл. Создавайте новую версию методики и отмечайте дату изменения.
Храните исходные ответы
Итогового дашборда недостаточно. Для аудита нужно иметь возможность открыть конкретный ответ и проверить, почему система засчитала рекомендацию, какую позицию определила и какой URL посчитала источником.
Особенности отдельных платформ
ChatGPT
Разделяйте ответы с веб-поиском и без него. В поисковом режиме ChatGPT может показывать цитаты и список источников; OpenAI рекомендует открывать ссылки и проверять, действительно ли они подтверждают ответ.
Для бренда здесь важно измерять не только mention rate, но и долю ответов, в которых официальный сайт становится источником. Отдельно фиксируйте случаи, когда бренд назван, но ссылка ведёт на сторонний ресурс.
Perplexity
Поскольку Perplexity строит ответы на веб-поиске и показывает ссылки на исходные материалы, для него особенно полезны Citation Rate, распределение цитируемых доменов и доля собственных страниц бренда среди всех источников.
Также фиксируйте выбранную модель или режим: сама Perplexity сообщает, что в Pro доступен выбор модели, поэтому сравнивать ответы разных режимов как одну серию некорректно.
Gemini
В Gemini источники могут отображаться внутри ответа или через кнопку Sources, но не каждый ответ содержит такие ссылки. Поэтому отсутствие панели Sources нужно отличать от ситуации, когда источники показаны, но домена бренда среди них нет.
Google AI Overviews
AI Overviews следует оценивать в двух слоях:
- Ответный слой: появился ли AI Overview по целевому запросу, упомянут ли бренд и показана ли ссылка на его страницу.
- Слой фактической поисковой видимости: сколько показов получили URL сайта в генеративных функциях Google, какие страницы и страны дали видимость, как показатель менялся во времени.
По состоянию на 31 августа 2026 года Google сообщил о глобальном развёртывании отдельного отчёта Search Generative AI в Search Console. В нём доступны показы URL в генеративных функциях, страницы, страны, устройства и динамика по датам.
При этом Google подчёркивает, что для появления в AI Overviews не требуется специальная разметка или отдельный «AI-файл»: применяются базовые требования и практики SEO, страница должна быть проиндексирована и иметь право на показ со сниппетом. В актуальном руководстве Google также прямо указывает, что llms.txt не улучшает и не ухудшает видимость именно в Google Search, а специальной schema-разметки для генеративной выдачи нет.
Как автоматизировать мониторинг с помощью LLM Tracker
Ручная проверка подходит для первого аудита, но быстро становится неудобной. Допустим, компания отслеживает 150 запросов, четыре AI-платформы и делает по три повторных запуска:
150 × 4 × 3 = 1 800 ответов за один период.
Каждый ответ нужно сохранить, проверить на упоминания бренда и конкурентов, извлечь источники, определить рекомендацию и затем сопоставить результат с предыдущим периодом.
Именно для такой задачи я разработал LLM Tracker — платформу регулярного мониторинга видимости бренда в AI-ответах. В ней можно создать проект, добавить бренд, его алиасы и конкурентов, сформировать группы вопросов и запускать проверки в подключённых AI-системах. Платформа сохраняет ответы и цитируемые источники, рассчитывает упоминания, рекомендации, позиции и Share of Voice, а также позволяет анализировать динамику во времени.
Главная ценность здесь не в красивом проценте на дашборде, а в воспроизводимости исследования: можно вернуться к исходному ответу, посмотреть контекст упоминания и сравнить одинаковые запросы, платформы и периоды.
LLM Tracker предусмотрен в двух вариантах поставки:
- Cloud — работа через браузер;
- Self-Hosted — коробочная версия, разворачиваемая в инфраструктуре заказчика.
Набор доступных AI-платформ зависит от подключённых API и конфигурации конкретной установки. Расходы на API языковых моделей оплачиваются отдельно владельцем соответствующих ключей. Это важно учитывать при расчёте полной стоимости мониторинга: цена проверки зависит не только от программы, но и от числа запросов, повторов, моделей и объёма ответов.
Как читать итоговый отчёт
Хороший отчёт должен отвечать не на вопрос «какой у нас общий балл», а на пять более полезных вопросов:
- По каким темам бренд уже присутствует в AI-ответах?
- Где его рекомендуют, а где лишь упоминают?
- Какие конкуренты получают большую долю голоса?
- Какие сайты нейросети используют как источники?
- Какие изменения произошли после обновления контента, PR-активности или технической оптимизации?
Например, рост Mention Rate при неизменном Citation Rate может означать, что нейросети стали чаще знать бренд, но официальный сайт не стал более значимым источником. Рост Citation Rate без Recommendation Rate показывает другую ситуацию: материалы сайта используются для подтверждения ответа, однако продукт пока не входит в рекомендации. Эти сценарии требуют разных действий.
Что делать после аудита
Если бренд редко появляется в ответах, сначала нужно определить причину по данным:
- нет упоминаний по категорийным вопросам — усилить экспертный контент и яснее связать бренд с конкретной категорией и задачами пользователей;
- бренд упоминается, но сайт не цитируется — улучшить первоисточники: исследования, характеристики, документацию, кейсы, страницы авторов и актуальные факты;
- цитируются агрегаторы, а не официальный сайт — проверить индексируемость, доступность основного текста, внутренние ссылки и полноту целевых страниц;
- конкуренты чаще рекомендуются — сравнить, какими доказательствами они представлены: обзорами, независимыми упоминаниями, кейсами, рейтингами, документацией;
- AI даёт неверные сведения — создать или обновить страницы, где спорный факт сформулирован однозначно и подтверждён проверяемыми данными.
Для Google не следует искать отдельный «секретный GEO-тег». Официальная рекомендация остаётся прежней: техническая доступность, индексируемость и полезный, надёжный контент для людей. Google отдельно предостерегает от неаутентичных упоминаний и подтверждает, что базовые практики SEO остаются фундаментом видимости в генеративном поиске
Видимость бренда в генеративном поиске нельзя оценить одним запросом к ChatGPT или одним скриншотом AI Overview. Корректная оценка требует фиксированного набора вопросов, разделения платформ и режимов, повторных запусков, хранения исходных ответов и нескольких независимых метрик.
Минимальный набор — Mention Rate, Recommendation Rate, Average Position, Citation Rate и Share of Voice. Вместе они показывают не просто наличие бренда в ответе, а его реальное положение: знают ли его AI-системы, рекомендуют ли пользователям, ставят ли выше конкурентов и используют ли официальный сайт как источник.
Когда запросов и платформ становится много, ручная таблица перестаёт быть надёжным инструментом. В этом случае LLM Tracker помогает превратить разрозненные ответы ChatGPT, Perplexity, Gemini и других подключённых систем в регулярное измерение, где каждое изменение можно проверить по исходным данным и сопоставить с предыдущим периодом.
