AI Share of Voice: как понять, насколько часто ИИ рекомендует вашу компанию
Клиент может спросить у ChatGPT, Алисы, Gemini или другого ИИ‑сервиса, кого выбрать для решения своей задачи. В ответ он получает несколько компаний — и иногда вашей среди них нет. Это еще не означает, что бизнес «невидим» для ИИ, но уже дает повод провести системную проверку. Ниже — практический алгоритм, который можно выполнить самостоятельно за несколько часов.
Что измеряет AI Share of Voice
AI Share of Voice — это доля внимания, которую компания получает в ответах ИИ по сравнению с конкурентами. В простом варианте показатель отвечает на вопрос: какую часть всех рекомендаций в выбранных сценариях получила ваша компания.
AI Share of Voice = количество рекомендаций вашей компании ÷ общее количество рекомендаций всех компаний × 100%.
Например, вы проверили 20 запросов. ИИ назвал разные компании 80 раз, а вашу — 12 раз. AI Share of Voice составляет 15%. Это не доля рынка и не прогноз продаж. Показатель описывает только видимость компании в конкретном наборе ИИ‑сервисов, запросов, языков и дат проверки.
Одной цифры недостаточно. Полезно одновременно фиксировать частоту рекомендаций, позицию компании в ответе, сценарии, где она появляется, и аргументы, которыми ИИ объясняет выбор.
- Wildberries откроет селлерам новый канал продаж — через госзакупки
- Ozon будет автоматически компенсировать простои перевозчикам
- Бизнес назвал главные сложности работы с цифровым рублем
- Офлайн‑ретейлеры попросили уравнять их налоговые условия с маркетплейсами
- Wildberries запустил раздел для продажи спорттоваров
- Ozon анонсировал новые выплаты для ПВЗ в Москве — до 1,1 млн рублей в месяц
Шаг 1. Определите, что именно вы проверяете
До первого запроса зафиксируйте границы проверки. Иначе результаты разных запусков будет невозможно сравнить.
Объект: компания в целом, отдельный бренд, продукт или эксперт.
География: страна, регион или город, где клиент реально выбирает поставщика.
Аудитория: частный клиент, малый бизнес, крупная компания или конкретная отрасль.
ИИ‑сервисы: те, которыми может пользоваться ваша аудитория.
Период: все запросы лучше провести в один день или в коротком временном окне.
Не объединяйте в один показатель результаты на разных языках, в разных странах и по несвязанным продуктам. Такие срезы лучше считать отдельно.
Шаг 2. Соберите реальные запросы клиентов
Главная ошибка — спрашивать ИИ только название своей компании. Такая проверка показывает, знает ли модель бренд, но не отвечает на более важный вопрос: рекомендует ли она его в ситуации выбора.
Источниками запросов могут быть поисковые фразы, вопросы менеджерам по продажам, переписка с клиентами, записи интервью, формулировки из заявок и тендеров. Удалите персональные и конфиденциальные данные.
Шаг 3. Проведите проверку одинаково для всех запросов
Каждый запрос отправляйте в новый чат. Просите назвать ограниченное количество вариантов — например, не более пяти — и кратко объяснить выбор. Не подсказывайте ИИ название своей компании и не просите включить ее в список.
Назови не более пяти компаний, которые подходят для этой задачи в России. Расположи их по приоритету и кратко объясни выбор каждой.
Для более надежного результата повторите каждый сценарий дважды. Если состав или порядок рекомендаций заметно различается, сделайте третий запуск. Сохраняйте дату, сервис, точный запрос, ответ и ссылку на чат, если сервис позволяет.
Ответы ИИ могут меняться из‑за обновлений моделей, режима веб‑поиска, персонализации и случайности генерации. Поэтому один ответ — наблюдение, а не устойчивый вывод.
Шаг 4. Заполните таблицу результатов
Для стартовой проверки достаточно простой таблицы. Одна строка — одна компания в одном ответе.
В рабочем документе можно добавить столбцы «входит в топ‑3», «входит в топ‑5», «упомянута с ошибкой», «рекомендована с оговоркой» и «источники, на которые ссылается ИИ».
'%20fill='none'/%3e%3cpath%20fill='%23ffdd2d'%20d='%20M%20104.72%200.00%20L%20112.15%200.00%20Q%20106.48%207.74%20100.12%2014.37%20C%2091.89%2022.97%2081.81%2029.47%2071.49%2035.26%20Q%2061.95%2040.62%2051.54%2043.77%20C%2044.52%2045.90%2036.57%2046.85%2028.99%2047.67%20Q%2027.29%2047.86%2025.66%2047.43%20Q%2025.42%2047.37%2025.35%2047.61%20L%2025.26%2047.91%20A%200.45%200.44%2017.2%200%200%2025.56%2048.47%20C%2028.12%2049.22%2035.16%2050.72%2036.90%2052.43%20Q%2038.92%2054.39%2036.21%2054.48%20Q%2033.33%2054.58%2029.50%2053.79%20Q%2019.39%2051.71%209.25%2049.83%20C%207.27%2049.47%205.11%2048.66%203.49%2047.83%20Q%200.61%2046.36%203.73%2045.50%20Q%204.67%2045.25%206.46%2044.38%20Q%2010.76%2042.31%2026.76%2034.35%20C%2030.51%2032.48%2037.88%2029.46%2041.00%2033.59%20A%200.92%200.91%20-35.3%200%201%2040.77%2034.91%20L%2029.13%2042.42%20Q%2027.57%2043.42%2029.42%2043.22%20C%2053.59%2040.61%2073.35%2028.09%2091.94%2013.14%20Q%2099.20%207.31%20104.72%200.00%20Z'%20/%3e%3c/svg%3e)
Шаг 5. Рассчитайте долю рекомендаций
Сначала посчитайте базовый AI Share of Voice по упоминаниям. Затем отдельно оцените позицию. Компания может появляться часто, но почти всегда занимать четвертое или пятое место.
В условном примере ваша компания получает 22% рекомендаций, но только дважды становится первым выбором. Значит, ИИ считает ее релевантной, однако конкуренты чаще выглядят более убедительным или менее рискованным вариантом.
Для внутреннего анализа можно использовать позиционные баллы: первое место — 3 балла, второе и третье — по 2, четвертое и пятое — по 1. Не смешивайте этот показатель с базовой долей упоминаний: это две разные метрики.
Что показывает реальное исследование
В июле 2026 года исследовательский центр RECOMO проверил рекомендации ChatGPT при выборе автомобильных брендов в России. Было проведено 38 независимых запусков по 15 сценариям и закодировано 190 рекомендаций. Haval появился в 33 запусках, LADA — в 29, Geely — в 28.
При этом частота и роль бренда в ответах различались. Changan появлялся в 21 запуске и 11 сценариях, но чаще занимал четвертую или пятую позицию. Toyota упоминалась значительно реже, зато сохраняла сильную позицию в сценариях ликвидности и выбора некитайского автомобиля.
Практический вывод для любого рынка: считать только упоминания недостаточно. Нужно видеть, в каких задачах компания становится первым выбором, где остается запасным вариантом и какими аргументами ИИ объясняет эту позицию.
Шаг 6. Сравните себя не только с привычными конкурентами
В ответах ИИ могут появиться компании, которых отдел маркетинга не считает прямыми конкурентами. Это AI‑конкуренты: они получают внимание в тех же клиентских сценариях, даже если отличаются размером, моделью бизнеса или позиционированием.
— Прямые конкуренты предлагают похожий продукт той же аудитории.
— Косвенные конкуренты решают ту же задачу другим способом.
— AI‑конкуренты чаще попадают в рекомендации ИИ.
— Ориентиры — компании с особенно понятным и авторитетным цифровым присутствием.
Для каждого лидера выпишите повторяющиеся аргументы: цена, специализация, география, отзывы, сервис, безопасность, кейсы, известность экспертов, понятность продукта. Это не доказательство причинности, но основа для гипотез.
Шаг 7. Найдите возможные причины слабой видимости
ИИ редко объясняет, из какого конкретно сигнала сложилась рекомендация. Поэтому причины нужно формулировать как гипотезы и проверять по открытым источникам.
Шаг 8. Выберите действия по результатам
Не пытайтесь сразу «оптимизировать сайт под ИИ». Сначала устраните конкретные информационные пробелы, которые обнаружила проверка.
- Исправьте фактические ошибки и противоречия в описании компании, услуг, географии, команды и условий работы.
- Сделайте страницы услуг понятными: задача клиента, решение, кому подходит, ограничения, процесс, цена или принцип расчета.
- Опубликуйте ответы на реальные вопросы клиентов, а не набор общих SEO‑текстов.
- Добавьте проверяемые доказательства: кейсы, методику, результаты, авторов, даты, источники и условия применения.
- Усилите независимые сигналы: отраслевые публикации, профессиональные каталоги, партнерские материалы и экспертные комментарии.
- Через четыре‑восемь недель повторите тот же набор запросов и сравните результаты с исходной точкой.
Нельзя гарантировать, что отдельная публикация, разметка или изменение страницы приведет к рекомендации ИИ. Модели и источники меняются, а причинность требует отдельной проверки.
Как интерпретировать результат без ложных выводов
Вот как это сделать:
- Низкий AI Share of Voice не означает низкое качество продукта.
- Высокий показатель не гарантирует обращения и продажи.
- Срез одной модели нельзя переносить на весь рынок ИИ.
- Результаты одной даты могут измениться после обновления модели или источников.
- Сравнивать динамику можно только при одинаковых запросах, условиях и правилах кодирования.
Смысл метрики не в том, чтобы получить красивый процент. Она помогает увидеть, как ИИ распределяет внимание между компаниями, какие аргументы связывает с каждым игроком и где бизнесу не хватает понятных цифровых доказательств.
Чек‑лист самостоятельной проверки
- Определены продукт, география, аудитория, язык и ИИ‑сервисы.
- Собрано не менее 10 реальных сценариев выбора.
- Каждый запрос отправлен в новый чат без подсказки названия компании.
- Сделано два запуска на сценарий, при расхождениях — третий.
- Зафиксированы дата, сервис, запрос, компании, позиции и аргументы.
- Рассчитана доля рекомендаций и отдельно оценены позиции.
- Выделены прямые и AI‑конкуренты.
- Причины сформулированы как проверяемые гипотезы, а не как факты.
- Определены конкретные изменения и дата повторной проверки.
Главное
Путь клиента может начаться с вопроса ИИ, а ответ уже сформирует короткий список компаний. AI Share of Voice позволяет превратить этот новый канал выбора из абстрактного тренда в измеряемый объект: увидеть исходную позицию, сравнить себя с конкурентами и определить, какие цифровые сигналы стоит улучшить в первую очередь.
Начните с небольшого, но воспроизводимого среза. Десять‑двадцать реальных запросов, несколько ИИ‑сервисов и аккуратная таблица дадут бизнесу больше пользы, чем единичный удачный ответ или общий рейтинг без контекста.
