От упоминания до покупки. Зачем разбираться, как нейросети видят ваш бренд

Большинство компаний проверяют видимость в нейросетях одним способом: спрашивают ChatGPT про свою категорию и смотрят, есть ли они в списке. Это примерно как судить о сайте по одному только числу посетителей. Разбираю четыре уровня, на которых бренд живёт внутри AI-ответов, и объясняю, почему пройти их стоит до того, как модель начнёт не только советовать, но и покупать

Есть вопрос, который я слышу от маркетологов чаще всех остальных: «нас ChatGPT знает, это же хорошо?»

Хорошо. Но это примерно та же информация, что «нас находит Гугл». Знает, но что именно, при каких вопросах, вместо кого и на каком основании, остаётся за кадром. А когда через полгода упоминания просядут, объяснить, что произошло, будет нечем.

Разберу, из чего на самом деле состоит видимость в нейросетях. Уровней четыре, и выстроены они не по важности, а по глубине: каждый следующий отвечает на вопрос, который возникает, когда разобрались с предыдущим.

Самый базовый вопрос, который почему-то чаще всего задают неправильно.

Неправильно так: открыть чат, спросить «лучшие сервисы в моей категории», найти себя, обрадоваться. Проблема в том, что ответ нейросети это не факт, а один вариант из множества возможных.

Исследование SparkToro, где 600 человек прогнали одни и те же запросы почти три тысячи раз, показало: вероятность получить дважды подряд один и тот же список брендов меньше одной сотой. Тот же список в том же порядке выпадает реже раза из тысячи. По данным AirOps, только 30% брендов остаются видимыми от одного ответа к следующему, а до пятого прогона подряд доживают 20%.

Отсюда правило: единственная осмысленная метрика на первом уровне это частота. Не «упомянули нас или нет», а «в скольких процентах прогонов упомянули». Один заход в чат перед планёркой не данные, а случайный кадр.

И второй момент, который на этом уровне обычно упускают. Проверять надо не тот вопрос, который удобно вам, а те, которые задают клиенты. Разница огромна: по данным Clovion, стоит добавить к запросу одну бытовую деталь вроде «для небольшой команды», и из ответа исчезают 62% брендов, которые были в первом списке.

Допустим, вас называют. Теперь вопрос интереснее, что именно модель о вас рассказывает.

Здесь начинается то, чего в обычной SEO-логике не было вовсе. Поисковик показывал вашу страницу, и текст на ней писали вы. Нейросеть пересказывает вас своими словами, и этот пересказ может разойтись с реальностью как угодно.

Итак, пример, компания меняет тарифную сетку, обновляет сайт, рассылает клиентам письма. Всё сделано. А модель продолжает называть старую цену, потому что взяла её не с сайта, а из обзора двухлетней давности, который до сих пор висит в интернете и который она когда-то прочитала. Клиент спрашивает нейросеть про стоимость, получает цифру, приходит и обнаруживает другую. Дальше либо неловкий разговор с менеджером, либо просто уход к конкуренту, где ожидания совпали.

Ошибиться модель может в чём угодно. Вот что стоит проверять:

Отдельная история это окраска упоминания. Одно дело, когда вас называют в нейтральном перечислении, другое, когда с оговоркой «дорого и сложно для новичков». В отчёте обе строчки выглядят одинаково, а работают противоположно.

Самый рабочий уровень, и до него доходят реже всего.

Модель не выдумывает рекомендации из воздуха, она опирается на источники. И вот главная цифра, которая обычно всех удивляет: по данным AirOps, около 85% упоминаний брендов приходят не с их собственных сайтов, а со сторонних страниц. Почти половина цитат достаётся площадкам вроде форумов и видеосервисов.

Практически это значит, что ваш сайт влияет на ответы модели куда меньше, чем вы думаете. Гораздо важнее то, что о вас пишут другие: отраслевые издания, каталоги, сравнения, обсуждения.

Поэтому на третьем уровне надо смотреть не на себя, а на источники. Какие площадки модель цитирует, отвечая по вашей теме. Где присутствует конкурент, которого она называет вместо вас. Какого типа материалы попадают в ответ: обзоры, сравнения, гайды, инструкции.

Этот уровень быстрее всех даёт понятные задачи. Увидели, что модель по вашей теме постоянно ссылается на три отраслевых портала, а вас там нет, вот и работа на квартал.

И последний уровень, который пока мало кто считает своей задачей.

Пока модель только рассказывает о брендах, всё вышеописанное это про репутацию и трафик. Но нейросети переходят от разговоров к действиям, и вот здесь начинается совсем другая арифметика.

Несколько фактов для масштаба. По данным Cloudflare, автоматические системы уже дают больше половины всех запросов к веб-страницам. Агенты умеют не только читать, но и выбирать товар, оформлять заказ, бронировать. А сервисов, куда агент может зайти напрямую через машинный интерфейс, а не разглядывая сайт глазами, в России пока единицы: ВкусВилл, Туту.ру, несколько финансовых компаний и пару платформ для бизнеса. Об этом писал Forbes.

В связи с этим появляется четвёртый вопрос, которого раньше не было: если агент клиента захочет купить, сможет ли он это сделать у вас. Откуда он возьмёт цену, наличие, свободные слоты? Придётся ли ему кликать по кнопкам, тратя на это заметно больше ресурсов, чем на конкурента с нормальным машинным интерфейсом.

Строить MCP-сервер завтра большинству компаний действительно не нужно. Но одну вещь на этом уровне можно сделать за вечер, и она бесплатная.

Откройте свой сайт и пройдите по нему так, как это сделала бы программа. Есть ли цена в виде числа, которое можно прочитать, или она нарисована на картинке. Видно ли наличие товара, если не наводить мышкой. Понятны ли условия доставки без чтения трёх абзацев текста. Можно ли из карточки товара получить прямую ссылку на корзину.

Это не про агентов будущего, это про сегодняшний день: ровно те же данные использует поиск, сравнивалки и любой сервис, который тянет ваш каталог. Разница только в том, что раньше за кривую разметку вы платили позициями, а скоро будете платить тем, что агент клиента выберет конкурента, у которого всё разложено по полочкам.

Первый уровень отвечает на вопрос, существуете ли вы для модели вообще. Второй, что она о вас думает. Третий, откуда она это взяла и почему предпочитает других. Четвёртый, сможет ли она с вами что-то сделать, когда перейдёт от советов к покупкам.

Компании, которые смотрят только на первый уровень, оказываются в положении человека, измеряющего температуру на глаз. Что-то видно, но лечить по таким данным нельзя. А главное, при любой просадке непонятно, где искать причину: то ли контент устарел, то ли конкурент зашёл в источники, которые модель любит, то ли платформа поменяла алгоритм и дело вообще не в вас.

Если 4 уровня выглядят как проект на полгода, вот короткая последовательность, которая укладывается в неделю.

День первый. Выпишите десять-пятнадцать запросов, по которым клиенты ищут решения вашей категории. Не те, что удобны вам, а те, которыми говорят люди: с ценой, с размером компании, с задачей.

День второй. Прогоните эти запросы через три-четыре ассистента, по несколько раз каждый. Записывайте не только факт упоминания, но и то, какие сайты модель процитировала в ответе. Колонка с источниками пригодится больше всех остальных.

День третий. Посмотрите на список источников и честно ответьте, есть ли вы там. Именно этот список превращается в план работ: не «писать больше статей», а «попасть в эти три площадки».

День четвёртый. Задайте моделям прямые вопросы про свой продукт: сколько стоит, кому подходит, чем отличается от конкурента. Сверьте ответы с реальностью и запишите расхождения.

День пятый. Пройдите по своему сайту глазами программы, как описано выше, и отметьте, где данные живут только в картинках и вёрстке.

Через неделю у вас будет то, чего не даёт ни один разовый заход в чат: понимание, на каком уровне вы находитесь и что чинить первым.

А вот дальше начнётся проблема, из-за которой большинство и бросает. Одну неделю так отработать можно, а делать это постоянно уже нет: десятки прогонов на запрос, несколько платформ, разные формулировки, отслеживание источников, и всё это заново каждые две недели. Один человек с таблицей утонет на втором месяце.

Под эту задачу и сложился класс GEO-сервисов. В brandfound.ai мониторинг устроен как раз по описанной логике: девять нейросетей, включая обе поверхности Алисы по отдельности и Google AI Mode, частота упоминаний бренда против конкурентов, окраска этих упоминаний и список источников, из которых модель собрала ответ. Плюс, поскольку сервис сам открыт для агентов через MCP, всю аналитику можно спрашивать прямо из чата с ассистентом, не открывая дашборд.

Сегодня анализ видимости в нейросетях отвечает на вопрос «порекомендует ли меня модель». Через год он будет отвечать на вопрос посерьёзнее: «попаду ли я вообще в набор вариантов, между которыми агент клиента будет выбирать, оформляя покупку».

Разница между этими вопросами примерно как между «знают ли меня в лицо» и «пустят ли меня внутрь». И готовиться ко второму, начав с первого, гораздо дешевле, чем обнаружить через год, что конкурент оказался единственным вариантом, который агент смог довести до оплаты.

Проверяли ли вы, что нейросеть рассказывает о вашем продукте своими словами. Совпадает ли это с тем, что вы пишете о себе сами?

Если разбор пригодился, буду благодарен за плюс. Это помогает таким материалам набирать охват и доходить до тех, кому тема актуальна.