Бренд назвали в ответе ChatGPT, и это ещё ничего не значит: упоминание не равно рекомендации
Вопрос «есть ли мой бренд в ответах нейросети» за последний год перестал быть редким. На него умеет отвечать почти любой GEO-сервис, и именно поэтому ответ обесценился. Знать, что бренд назвали, это примерно как знать, что о вас говорили на переговорах, но не знать ни тона, ни того, чем всё закончилось.
Я смотрю на ответы ассистентов каждый день и вижу одну и ту же картину: у компании растёт видимость, а заявок из нейросетей не прибавляется. Потому что видимость считает факт, а решение пользователя определяет контекст.
Что на самом деле измеряет AI Visibility
Первое поколение GEO-аналитики выросло из SEO и унаследовало его логику. Share of Voice, Brand Mention Rate, Citation Rate: все эти метрики фиксируют одно событие, строка с названием встретилась в ответе. Для поисковой выдачи такого замера хватало, позиция в топ-10 сама по себе означала шанс на клик.
В генеративном ответе позиции нет. Есть связный текст, внутри которого бренд может быть главным решением, может быть третьим в перечислении, а может стоять после оборота «менее удачные варианты». Во всех трёх случаях счётчик упоминаний прибавит единицу. С запуском поиска внутри ассистентов, от ChatGPT search до AI Mode в Google, ответы стали ещё длиннее и ещё сильнее зависеть от того, какие источники модель подтянула прямо сейчас.
Упоминание, цитирование и рекомендация это три разных события
Упоминание
Модель назвала бренд. Дальше ничего не известно: ни роли, ни оценки. Это самая дешёвая и самая частая метрика, и она первой упирается в потолок. Название можно встретить и в ответе на вопрос «кого не стоит выбирать».
Цитирование
Модель сослалась на ваш материал как на источник: дала ссылку или пересказала абзац. Это уже про контент и про то, доверяет ли модель вашему домену. Цитирование бывает без упоминания бренда в рекомендательной части: ваш текст использовали, а посоветовали конкурента.
Рекомендация
Модель предлагает бренд как решение задачи пользователя: «для этой задачи подойдёт такой-то сервис». Только это событие похоже на продажу. И только его почти никто не считает отдельно, хотя именно оно двигает выручку.
Разница здесь не академическая. Упоминание отвечает на вопрос «знает ли модель о вас». Рекомендация отвечает на вопрос «выберет ли она вас, когда у пользователя есть деньги и задача».
Почему без контекста метрика врёт
Чтобы упоминание превратилось в управляемый показатель, его нужно разложить минимум на пять измерений.
- Роль в ответе: главный вариант, один из списка или антипример.
- Тональность: нейтральное перечисление и фраза «подходит для сложных проектов» это разный вес.
- Сила рекомендации: прямой совет, условный («если вам нужно X») или упоминание вскользь.
- Справедливость сравнения: модель сопоставила вас с конкурентом по реальным свойствам или взяла устаревший обзор.
- Источник: из чего собран ответ, ваш сайт, чужая статья, форум или отзывы двухлетней давности.
Последний пункт самый неприятный. Часто оказывается, что модель описывает продукт по материалу, который вы давно переписали, а в индексах источников он остался в прежнем виде.
Модель отвечает не о вашем продукте, а о том, что она про него нашла. Пока источник старый, ответ будет старым, сколько бы упоминаний ни набралось.
Конкурентная картина: важно, с кем вас ставят в один ряд
Второй слой, которого нет в простом мониторинге, это соседство. Нейросеть почти всегда отвечает списком, и список задаёт категорию. Если вас регулярно перечисляют рядом с сервисами другого класса или другой цены, вы теряете сделки ещё до сравнения функций.
Полезно смотреть три вещи. Первое: с кем вы делите ответы чаще всего и по каким типам запросов. Второе: на каком месте вас называют в перечислении, потому что первые два пункта читают почти все, а пятый почти никто. Третье: по каким формулировкам конкурент вытесняет вас полностью, это и есть список тем для контента.
Инсайты: переход от «что произошло» к «почему»
Третий слой это причины. Дашборд, который показывает падение видимости на 12 процентов, ничего не говорит о действии. Работающая аналитика отвечает на другой вопрос: что изменилось в источниках и формулировках, из-за чего ответ стал другим.
- Совпадение по времени: рост рекомендаций после конкретной публикации или, наоборот, провал после того, как модель начала опираться на чужой обзор.
- Расхождение между ассистентами: в одном вас советуют, в другом не знают. Это разные наборы источников, и лечится это разным контентом.
- Чувствительность к формулировке: «сервис для X» и «лучший сервис для X» дают разные ответы, и часто бренд выпадает именно на второй.
Как это считать сейчас
«Частота рекомендаций бренда ИИ-системами» звучит как метрика будущего, но считать её можно уже сегодня. Например, brandfound отслеживает, как часто нейросети называют бренд в ответах, по десяти системам, от ChatGPT и Gemini до GigaChat и Алисы, вместе с тональностью, ролью в ответе и источниками, из которых модель собрала рекомендацию. Я пользуюсь этим как обычной регулярной отчётностью: не «сколько раз нас назвали», а «в скольких ответах нас предложили и почему именно там».
Что я бы поменял в отчётности прямо сейчас
- 1. Заменить главную цифру: вместо числа упоминаний за месяц вывести долю ответов, где бренд рекомендован.
- 2. Рядом с каждой метрикой держать разбивку по ассистентам, средняя по десяти системам скрывает провалы.
- 3. Вести список источников, из которых модели собирают ответ о вас, и обновлять устаревшие материалы в первую очередь.
- 4. Смотреть соседей по спискам как отдельный отчёт, а не как приложение к видимости.
- 5. Отдельно считать запросы с оценочными словами, они ближе всего к деньгам.
Коротко
AI Visibility решила задачу обнаружения: теперь видно, что нейросети говорят о брендах. Следующая задача сложнее и интереснее, понять, в какой роли бренд называют, с кем его сравнивают и что заставляет модель советовать именно его. Показы покупаются, рекомендации зарабатываются, и вторые теперь тоже измеримы.