Александр Шерстов GEO

Методика измерения видимости в нейросетях

Александр Шерстов · 10 ноября 2026 · это протокол измерения, не исследование с выборкой и не обещание результата.

Видимость бренда в генеративном поиске нельзя достоверно оценить одним запросом. Один и тот же вопрос может давать разные ответы в зависимости от модели, времени, формулировки и контекста. Поэтому измерение должно быть воспроизводимым: с заранее определённой выборкой запросов и фиксированными правилами классификации ответов.

Схема метода

Это порядок работы, а не график достигнутого роста.

  1. 1Список запросов
  2. 2Исходный замер
  3. 3Изменения
  4. 4Повторный замер
  5. 5Вывод с ограничениями

1. Формируем список запросов

Запросы описывают реальные ситуации пользователя: поиск подрядчика, сравнение вариантов, выбор товара или услуги, уточнение характеристик. Каждый запрос получает категорию намерения и, при необходимости, регион. Выборка не должна состоять только из брендовых вопросов: по ним можно измерить знание названия компании, но нельзя оценить её присутствие при выборе без знания бренда.

2. Фиксируем исходные ответы

Для каждого запроса сохраняем AI-систему, дату, текст ответа, используемые источники, если они показаны, и контекст проведения проверки. Разные системы сравниваем по общей схеме метрик, не предполагая, что они работают одинаково.

3. Разделяем три результата

Упоминание — бренд назван в ответе. Рекомендация — бренд предложен пользователю как вариант в контексте его задачи. Ссылка на домен — в ответе или списке источников указана ссылка на сайт бренда. Эти события нельзя сводить к одному нерасшифровываемому баллу.

Разбор границ между этими событиями — в статье «Упоминание, рекомендация и ссылка».

4. Считаем доли

Для каждого показателя рассчитываем долю ответов, удовлетворяющих условию: доля = число подходящих ответов / число валидных ответов в зафиксированной выборке × 100%. Деноминатор, правила неоднозначных случаев и исключения необходимо фиксировать заранее. Если один запрос проверяется несколько раз, отдельно указываем число повторов и способ агрегации.

5. Сопоставляем изменения

После изменений сайта, публикаций и внешних карточек выполняем повторный замер по тому же набору запросов. Отдельно отмечаем появившиеся и исчезнувшие рекомендации и источники. Это наблюдательное сравнение; на результат могут влиять обновления модели и изменения внешней среды.

6. Связываем GEO с бизнесом

Динамику AI-ответов анализируем вместе с SEO-показателями, переходами из соответствующих каналов и обращениями. Рост доли рекомендаций сам по себе не равен дополнительной выручке.

Что методика не показывает

Изменение по ограниченной выборке не доказывает, что бренд так же часто рекомендуют всем пользователям. Нельзя автоматически переносить результат одной модели на другие и обещать определённые позиции в чатах. Для корректного отчёта нужны исходные запросы, дата и объём выборки, правила подсчёта, сравнение «до/после» и список ограничений.

Эта страница не является исследованием: здесь нет опубликованной выборки ответов. Чем исследование отличается от методики, написано на странице «Исследования».

Связанные материалы