Видимость бренда выросла на 15%, хотя маркетинг ничего не делал: Perplexity поменяла модель под капотом
26 сентября Perplexity перевела оставшиеся presets своего Agent API на GPT-6 Medium. Внешне не изменилось ничего: тот же продукт, тот же эндпоинт, тот же запрос. Изменилась модель, которая отвечает под капотом.
Для меня это не новость про релиз, а новость про измерения. Я считаю, как часто бренды попадают в ответы поисковиков с ИИ, и такие тихие подмены ломают самое ценное в этой метрике: сравнимость двух замеров между собой.
Что именно произошло
Perplexity не выпускала громкого анонса. Смена зафиксирована по её же опубликованной документации, где у presets Agent API поменялась указанная модель. Отследить это можно только так: читать документацию и сравнивать с предыдущей версией, как это делает AI Change Watch.
Важна сама механика. Разработчик обращается к продукту Perplexity, а не к конкретной модели. Продукт остаётся на месте, модель под ним меняется, и пользователь узнаёт об этом последним.
Почему это подделывает график видимости
Возьмём обычную ситуацию. Бренд замеряет присутствие в ответах Perplexity по своему набору запросов:
- 20 сентября бренд появляется в 25% ответов;
- 27 сентября уже в 40% ответов;
- между этими датами команда не выпустила ни одного материала, не поправила ни одной страницы, не получила ни одного упоминания.
Плюс 15 процентных пунктов на ровном месте. Соблазн понятен: отчёт, слайд, «наша работа дала результат». Но между двумя замерами Perplexity сменила модель, и рост может целиком принадлежать не бренду, а инфраструктуре площадки.
Замер до смены модели и замер после неё сделаны разными приборами. Ставить их рядом на один график значит обманывать себя.
Работает это и в обратную сторону, что гораздо неприятнее. Видимость упала на 15 пунктов, и объяснять придётся уже не удачу, а провал, которого не было. Новая модель просто иначе выбирает источники: короче отвечает, реже перечисляет альтернативы, охотнее цитирует крупные домены.
Что я с этим делаю
Я перестал смотреть на график видимости как на график своей работы и добавил к нему второй слой.
Историю смен моделей я держу в brandfound рядом с историей видимости бренда. Пока обе линии лежат на одном экране, видно, где сдвиг принадлежит площадке, а где он и правда про работу с источниками.
- 1. История моделей рядом с историей замеров. У каждой точки на графике должно быть записано, какая модель отвечала в этот день. Без этого любой скачок остаётся гаданием.
- 2. Отметки о сменах прямо на графике. Вертикальная линия в дате смены модели закрывает половину неверных выводов сама собой.
- 3. Правило не сравнивать через шов. Замер до смены модели и замер после неё это два разных измерительных прибора, а не две точки одного ряда.
- 4. Один и тот же набор запросов. Если меняется и модель, и формулировки запросов, разобрать причину скачка уже нельзя никак.
- 5. Контрольная группа. Держу в наборе несколько брендов, с которыми ничего не делаю: их синхронный скачок выдаёт платформу, а не работу.
Чего это не отменяет
Это не повод объявить AI Visibility бессмысленной метрикой. Смена модели даёт разовый сдвиг уровня, а работа с источниками даёт медленный тренд, который виден через несколько швов подряд. Отличать одно от другого можно, но только если история моделей вообще записана.
Практический вывод скучный: прежде чем радоваться выросшей видимости, проверьте, не поменяли ли под вами нейросеть.