Как я измеряю видимость брендов в шести нейросетях: схема, логи, ошибки
Видимость бренда в нейросетях нельзя измерить одним запросом. Ответ ассистента на один и тот же вопрос меняется от прогона к прогону, поэтому точечная проверка «спросил ChatGPT и увидел конкурента» ничего не доказывает статистически. Рабочая схема замера: собрать 30–50 запросов, разбить их на брендовые, сравнительные и проблемные, прогнать каждый минимум два раза по 5–6 моделям с веб-поиском, зафиксировать дату и версию модели, посчитать долю ответов с упоминанием бренда – это и есть метрика Visibility.
Логировать нужно не только факт упоминания, но и контекст: назвали бренд первым или в конце списка, порекомендовали или просто упомянули, какие источники модель процитировала. Частые ошибки самостоятельных проверок – один запрос вместо серии, отсутствие фиксации даты и модели, смешивание разных типов вопросов в одну выборку. Без этого невозможно понять, изменилась ли видимость после работы над контентом, или это случайный разброс ответа.
Почему один запрос в ChatGPT ничего не значит
Владелец клиники или юрфирмы обычно проверяет видимость так: открывает ChatGPT, спрашивает «лучшая стоматология в городе N» и смотрит, есть ли он в ответе. Если нет – расстраивается. Если да – успокаивается. Оба вывода ошибочны.
Нейросети не хранят фиксированный список «лучших». Модель генерирует ответ заново на каждый запрос, и он плавает даже при одинаковой формулировке. Авторы практических методик по AI-видимости прямо советуют повторять один и тот же запрос минимум два раза, чтобы не принять случайный ответ за закономерность.[9] Один прогон – это не измерение, это лотерейный билет.
Где ошибаются готовые сервисы мониторинга
На рынке уже есть платформы, которые продают мониторинг видимости бренда в нейросетях как готовую метрику. Одна из российских платформ заявляет мониторинг по девяти моделям и показывает в дашборде видимость, позицию, тональность и динамику.[12] Это удобно, но у таких сервисов есть слепые зоны, которые важно понимать до того, как вы платите за подписку.
| Ошибка | Почему это проблема | Как проверить самостоятельно |
|---|---|---|
| Маленькая выборка запросов | 5–10 вопросов не покрывают реальные формулировки клиентов | Соберите 30–50 запросов из разных сценариев |
| Один прогон на модель | Ответ ИИ нестабилен, разброс маскируется под тренд | Прогоняйте каждый запрос минимум 2 раза |
| Смешение типов вопросов | Брендовые и сравнительные запросы дают разную картину | Делите выборку на 3 категории заранее |
| Нет даты и версии модели в логе | Нельзя сравнить замеры между собой | Фиксируйте дату, модель, версию в каждой строке |
| Учёт моделей без веб-поиска | Ответы без доступа к вебу хуже сопоставимы | Мерьте только модели с включённым поиском |
Схема замера: три типа запросов вместо одного
Хороший промпт-сет включает три типовые задачи клиента, переформулированные под реальный стиль общения пользователей. Это обеспечивает сопоставимый baseline.
- Проблемные запросы – «болит зуб, куда обратиться в Казани», «нужен юрист по разводу срочно». Клиент не знает бренды, ищет решение.
- Сравнительные запросы – «стоматология А или Б, что лучше», «топ юрфирм по банкротству в городе N». Здесь видно, называют ли бренд среди конкурентов.
- Брендовые запросы – «отзывы про клинику N», «стоит ли обращаться в компанию N». Проверяют, что модель знает о бренде напрямую.
Для первичной проверки достаточно 5–10 вопросов вручную, прогнанных по нескольким системам с фиксацией, где бренд упомянут и где назван конкурент.[3] Для устойчивого базового замера (baseline monitoring rate) по моим наблюдениям нужен объём 50–150 запросов. Это не значит, что нужно сразу строить такую выборку – начните с 30–50, если считаете руками.
Формат лога: что фиксировать в каждой строке
Без структурированного лога замер превращается в набор скриншотов, которые невозможно сравнить через месяц. Минимальный формат строки – это несколько полей, которые легко свести в таблицу. Весь ответ модели целиком записывать незачем.
| Поле | Пример значения | Зачем нужно |
|---|---|---|
| Дата и время | 2026-02-14, 15:20 | Ответы меняются со временем, без даты сравнение бессмысленно |
| Модель и версия | ChatGPT-4o, веб-поиск включен | Разные модели дают разную картину, нельзя усреднять |
| Тип запроса | Сравнительный | Позволяет анализировать результаты по категориям запросов |
| Текст запроса | «стоматология или клиника Х, что выбрать» | Точная формулировка важна для повтора замера |
| Упомянут бренд (да/нет) | Да, на 2 месте из 4 | Основа для расчёта Visibility |
| Упомянуты конкуренты | Клиника А, клиника Б | Показывает, с кем сравнивают бренд |
| Источник ответа | Отзывы с 2ГИС, сайт клиники | Помогает понять, откуда модель берёт данные |
На основе такого лога считается базовая метрика: Visibility = доля ответов с упоминанием бренда, деленная на число релевантных запросов.[13] Рядом с ней обычно считают Share of Voice – долю упоминаний бренда среди всех названных компаний – и Sentiment, тональность контекста, в котором бренд появился.
минимум повторов одного запроса, чтобы отделить закономерность от случайного разброса ответа модели[9]
доверительный интервал, который обычно используют при оценке доли упоминаний бренда по выборке ответов
Пять минут без инструментов: мини-схема самопроверки
Полноценный мониторинг требует выборки в 50–150 запросов и регулярных прогонов. Но у бизнеса часто нет задачи строить дашборд – нужно быстро понять текущую картину. Вот минимальная схема, которая занимает пять минут и не требует платных сервисов.
- Откройте 5–6 нейросетей с веб-поиском: ChatGPT, Perplexity, Gemini, Copilot, YandexGPT, DeepSeek – с браузером или подпиской, где включен поиск по вебу.[3]
- Возьмите 3 готовых вопроса: один проблемный («куда обратиться, если...»), один сравнительный («X или Y, что лучше»), один брендовый («что известно о компании X»).
- Задайте каждый вопрос в каждой модели два раза с интервалом в минуту – это покажет, стабилен ли ответ или плавает.
- Зафиксируйте в таблице: модель, тип вопроса, упомянут бренд да/нет, позиция в списке, кто из конкурентов назван.
- Через 2–4 недели повторите точно те же вопросы в тех же моделях – сравнение покажет, как картина меняется со временем.
Это не заменит полноценный baseline monitoring, но даёт первое ощущение картины за пять минут вместо часа кликов вслепую.
Что важно смотреть кроме факта упоминания
Бизнесу важно не только «упомянули или нет», но и роль бренда в ответе: рекомендован он напрямую, сравнивается с конкурентами или просто назван в списке без выделения.[5][19] Отдельно стоит смотреть, откуда модель берёт данные – это источники ответа, которые платформы мониторинга советуют анализировать наравне с конкурентами и слепыми зонами по тематикам.[1][12]
- Если бренд упомянут, но без рекомендации – это сигнал, что данных о вас в источниках модели мало.
- Если конкурент назван первым во всех сравнительных запросах – смотрите, какие у него есть отзывы, статьи, упоминания, которых нет у вас.
- Если источник ответа – агрегатор отзывов, значит модель не видит вашего контента напрямую: сайт компании вообще не участвует в формировании ответа.
Частые ошибки при самостоятельном замере
Даже зная схему, легко свести замер к бесполезным цифрам. Вот три ошибки, которые встречаются чаще всего.
- Разовый прогон без повтора – принимается за закономерность то, что на деле случайный ответ модели.
- Смешение брендовых и сравнительных запросов в одну цифру Visibility – показатель теряет смысл, потому что типы вопросов дают разную базовую вероятность упоминания.
- Отсутствие фиксации даты и версии модели – через месяц невозможно понять, стало лучше или хуже, потому что нет опорной точки для сравнения.
Найдут ли вас в ChatGPT прямо сейчас?
Пройдите короткий тест и узнайте, на что обратить внимание в первую очередь.
Чек-лист: как самостоятельно замерить видимость бренда в нейросетях
18 практических пунктов: от сбора запросов до формата лога и частых ошибок замера.
«Мы месяц спорили, упал ли трафик из-за сезона или конкурент действительно перехватил все рекомендации в ИИ. Оказалось – просто мерили один раз в неделю без повторов. После недели с логами по схеме из этой статьи картина стала понятной за день.»
Маркетолог сети клиник · из переписки с редакцией
Хватит гадать по одному запросу
Соберите свою схему замера по чек-листу. Или за минуту проверьте в тесте, как сайт выглядит поисковику прямо сейчас.
Частые вопросы
Сколько запросов нужно для минимального замера видимости?
Для первичной ручной проверки достаточно 5–10 вопросов, прогнанных по нескольким моделям.[3] Для устойчивого базового замера обычно нужно 30–150 запросов – чем больше выборка, тем точнее оценка доли упоминаний.
Почему один и тот же запрос в ChatGPT даёт разные ответы?
Модель генерирует текст заново на каждый запрос, поэтому ответ плавает даже без изменения формулировки. Практические методики рекомендуют повторять каждый запрос минимум два раза, чтобы отделить закономерность от случайности.[9]
Что такое Visibility и как её считать самостоятельно?
Visibility – это доля ответов с упоминанием бренда, деленная на число релевантных запросов.[13] Считается по логу: сколько раз бренд встретился в ответах модели из всей выборки заданных вопросов.
Нужно ли проверять модели без веб-поиска?
Практические инструкции советуют мерить видимость только на моделях с включённым веб-поиском – так результаты лучше сопоставимы между разными системами. Модель без поиска опирается на обучающие данные.
В чём разница между брендовым, сравнительным и проблемным запросом?
Брендовый запрос упоминает название компании напрямую («отзывы о клинике N»). Сравнительный ставит бренд рядом с конкурентами («X или Y, что лучше»). Проблемный не содержит названий вообще, пользователь описывает задачу («болит зуб, куда обратиться»). Все три типа дают разную картину видимости и их нельзя смешивать в одну цифру.[5]
Можно ли доверять готовым сервисам мониторинга видимости в ИИ?
Такие платформы удобны для регулярного отслеживания и показывают динамику по моделям и темам.[12] Но важно понимать методику: сколько моделей учитывается, есть ли повторные прогоны, разделены ли типы запросов. Без этой прозрачности цифра видимости может быть красивой, но малополезной для решений.