Продвижение в нейросетях: как проверить, попадает ли ваша компания в ответы

Что именно можно измерить в ответах ИИ

Называют ли компанию. Модель перечисляет несколько вариантов, и бизнес либо попал в перечисление, либо нет.

На каком месте её называют. Первое имя в списке читается как рекомендация, пятое — как дополнение к ней.

Откуда взяты данные. Многие сервисы показывают ссылки на источники, из которых собран ответ. Эти домены — карта площадок, по которым нейросеть судит о нише.

Одни ИИ‑модели отвечают только по данным своего обучения и ничего не ищут в интернете в момент вопроса. Такой сервис знает о мире то, что попало в его обучающие данные к дате сборки, и молодую компанию не назовёт никогда: её просто не было в этих данных. Другие ИИ‑модели перед ответом идут в поиск и собирают ответ из найденных страниц.

Для замера годится только второй тип. Отличить его просто: под ответом появляются ссылки на конкретные страницы. Если ссылок нет, ответ построен по памяти модели, и в подсчёт такой ответ брать не надо — он даст ложный ноль.

Шаг 1. Собрать двадцать вопросов так, как их задают люди

Вопрос к нейросети состоит из трёх слоёв: ядро задачи, контекст и ограничение. В обращении про ремонт айфона ядро — сам ремонт, контекст — айфон 13 с разбитым экраном в Петербурге, ограничение — сделать за день и не потерять данные. Модель цепляется за второй и третий слой: именно они решают, кого она назовёт в ответе.

Статистика поисковых запросов даёт только первый слой. В поисковую строку человек пишет два‑три слова без обстоятельств, а в чат — целое предложение со своей ситуацией. Список, собранный из одних поисковых фраз, измеряет видимость в нише, которой не существует.

Вопросы раскладываются на четыре типа:

1. Факт и цена. «Сколько стоит», «где заказать», «какие сроки». Эти вопросы есть в поисковой статистике, и компания в ответе называется просто как факт.
2. Выбор и сравнение. «Как выбрать подрядчика по бухгалтерскому аутсорсу», «какие сервисы доставки подходят маленькому интернет‑магазину». В статистику попадают частично; здесь компания выигрывает по конкретному критерию.
3. Сомнение и риск. «Не обманут ли», «в чём подвох», «можно ли гарантировать результат». В поисковой статистике этого почти нет, а нейросети такое спрашивают прямо, потому что чат не стыдно спросить о неприятном.
4. Своя ситуация целиком. «У нас маленький цех и один менеджер, поставщик второй раз срывает сроки — как перестроить закупку». Человек выкладывает обстоятельства и ждёт порядка действий.

Первые два типа набираются легко и почти не влияют на выбор. Последние два — те, после которых человек решает, к кому идти. На них должна приходиться половина списка и больше, хотя именно их сложнее всего добыть.

Брендовые вопросы. Название компании стоит прямо в тексте: «что известно о компании N», «N или M — кто лучше». Больше двух‑трёх таких вопросов не нужно, и считать их результаты надо отдельно от остальных.

Как формулировать запросы — смотрим на площадки, где представлен бренд, что говорят клиенты, с какими вопросами и запросами они приходят. Статистика поисковых запросов — хорошая точка отсчета, мы всегда начинаем с нее, но брать просто вопросы из Яндекс.Вордстат и класть в запросы для замера видимости некорректно. Это поисковые запросы, паттерны общения с ИИ — другие. Поэтому идём к продажникам или в отдел саппорта компании, и достаёт оттуда основные запросы. Ещё смотрим отзывы, комментарии под публикациями и разделы частых вопросов — свои и чужие — показывают, как в нише называются услуги.

Список запросов фиксируется до первого замера и дальше не меняется. Стоит поменять формулировку — и следующий замер пойдёт по другим вопросам, а сравнивать его будет не с чем.

Шаг 2. Выбрать, где спрашивать

Проверять надо там, где сидят клиенты компании. Для российского бизнеса это обычно поиск с Алисой AI, AI‑ответы в Google, ChatGPT, Perplexity, GigaChat, DeepSeek. Сервисов много, и добавлять в список стоит те, о которых говорят сами клиенты.

Три правила замера видимости, без которых числа получаются кривыми.

Новый чат на каждый вопрос. Модель помнит предыдущую переписку и подстраивается под неё. Если задать двадцать вопросов подряд в одном окне, к десятому она будет отвечать с оглядкой на первые девять.

Без личной истории. Персонализация подмешивает в ответ то, что сервис знает о вас лично. Выход из аккаунта или режим без сохранения истории убирает этот эффект.

Тот же город и язык. Ответ на вопрос о подрядчике зависит от того, откуда пришёл запрос.

Отдельно о поиске с Алисой AI. Её ответ собирается из страниц, которые уже находятся в верхней части обычной поисковой выдачи Яндекса. Практический вывод: если сайта нет в первой десятке по целевому запросу, в ответе Алисы AI компания появится с трудом, и начинать в этом канале надо с обычного поиска.

Шаг 3. Задать каждый вопрос трижды

На один и тот же вопрос нейросеть отвечает по‑разному: состав списка меняется, порядок имён меняется тоже. Одиночный ответ показывает не картину, а один бросок кубика.

Три повтора — минимум, который позволяет отличить устойчивое попадание от случайного. Компания, названная во всех трёх попытках, действительно закрепилась в ответах по этому вопросу. Компания, названная один раз из трёх, попала туда случайно.

Число повторов должно быть одинаковым для всех сервисов и для всех последующих замеров.

Шаг 4. Занести ответы в таблицу

Пока ответы лежат в открытых вкладках, замера нет. Данные заносятся в таблицу — подойдёт обычная гугл‑таблица с такими столбцами.

Текст ответа надо сохранять целиком, а не только галочку в столбце. Половина выводов появляется при перечитывании: там видно, что модель путает продукт компании с чужим, тянет старую цену или называет закрытое направление.

Шаг 5. Посчитать четыре метрики

Сводить их в один общий балл на первом замере не нужно: общий балл прячет как раз то, ради чего затевалась проверка.

Охват. В скольких вопросах выбора из общего числа компанию назвали хотя бы раз. Брендовые вопросы в этот счёт не входят. Число из нашего августовского замера: два вопроса из девятнадцати небрендовых.

Устойчивость. В скольких попытках из трёх компания появляется по тем вопросам, где она вообще появляется. Одно попадание из трёх и три из трёх — разные положения дел.

Среднее место. Сумма позиций, делённая на число ответов, где компанию назвали. Отдельно считается, сколько раз компания стояла первой.

Доля голоса. Сколько раз назвали вас против того, сколько раз назвали каждого конкурента, на одних и тех же вопросах.

Считать по вопросам, а не по ответам. Три повтора одного вопроса у одного сервиса — это измерение устойчивости этого сервиса, а не три разных свидетельства. Иначе сервис с большим числом повторов начинает перевешивать все остальные.

Шаг 6. Прочитать список источников

В нашем недавнем замере по вопросам о продвижении в нейросетях модели чаще всего ссылались на vc.ru, sostav.ru, dtf.ru и habr.com. Список у каждой ниши свой: для медицины это профильные издания и справочники, для строительства — отраслевые порталы и агрегаторы подрядчиков.

Но одного замера видимости мало. Состав источников заметно меняется от замера к замеру, и карта площадок складывается только из нескольких замеров подряд.

Четыре ошибки, из‑за которых замер видимости в ИИ поиске может обмануть

Считать брендовые вопросы вместе с остальными. 18 упоминаний из 22 в нашем замере пришли из одного вопроса, где название компании уже стояло в тексте. Модель не столько знает компанию, сколько повторяет за спрашивающим.

Ограничиться одним прогоном. Ответ меняется от попытки к попытке. Без повторов случайное попадание неотличимо от закрепившегося.

Сравнивать проценты при разной базе. Доля падает от того, что собрано больше ответов, даже когда упоминаний столько же.

Списывать падение на репутацию, не читая ответы. В августе балл видимости у Claude упал с 26,0 до 12,0. При чтении самих ответов выяснилось, что модель во всех трёх попытках не опознала название и описала другую компанию с похожим именем. Это другая проблема с другим решением: работать надо не с репутацией, а с тем, как компания названа в источниках.

Что делать с результатом

Обычноы мы получаем один из трёх сценариев после замера видимости в ИИ‑поиске.

Компанию не называют нигде. Обычная причина — о компании нечего прочитать: сайт описывает услуги общими словами, сторонних материалов нет. Начинать приходится с текстов, из которых видно, что компания делает, для кого и на каких условиях, и с площадок из списка источников.

Компанию называют, но последней в списке. Здесь работает уточнение: чем конкретнее описаны специализация, город и границы работы, тем выше шанс, что модель поставит компанию первой по подходящему вопросу.

Компанию путают с другой. Самый неприятный случай и самый быстро решаемый: нужно, чтобы название компании единообразно писалось везде, где о ней вообще пишут, вместе с городом и родом деятельности.