Как измерять видимость бренда в ответах ИИ и связывать ее с performance-маркетингом
Нейросети и ИИ-ассистенты добавили в пользовательский путь новое касание, которое не всегда фиксируется привычной веб-аналитикой. Человек может спросить у ИИ, какую клинику выбрать, какой сервис сравнить или какое оборудование подойдет для конкретной задачи, получить рекомендацию, а затем через несколько часов самостоятельно найти бренд в поиске и перейти по рекламному объявлению.
В рекламной системе такой путь будет выглядеть как обычный брендовый запрос или платный клик. Первое касание — ответ ИИ — при этом может полностью исчезнуть из отчетности. Есть и другая проблема: бренд способен часто появляться в ответах нейросетей, но с устаревшими характеристиками, неверным позиционированием или рядом с неподходящими конкурентами. Поэтому самого факта упоминания недостаточно.
Семь метрик для оценки видимости в ИИ
Для performance-команды важно разделять присутствие бренда, качество рекомендации и устойчивость результата. Термины вроде Presence Rate и AI Share of Voice в этой методике являются практическими рабочими определениями, а не единым отраслевым стандартом.
- Presence Rate — доля релевантных наблюдений, в которых бренд появился в ответе. Формула: число наблюдений с упоминанием бренда, разделенное на общее число наблюдений и умноженное на 100%. Считать лучше на уровне «сценарий × система × повтор», а не по числу упоминаний внутри одного текста.
- Recommendation Rate — доля наблюдений, где бренд действительно предложен пользователю как вариант решения. Упоминание в отрицательном контексте увеличивает Presence Rate, но не должно повышать Recommendation Rate.
- AI Share of Voice — доля рекомендательных событий бренда среди заранее выбранного набора конкурентов. Она рассчитывается как число рекомендательных событий бренда, деленное на сумму таких событий у всех отслеживаемых компаний. Конкурентный набор нужно зафиксировать до начала замера.
- Top-3 Rate или средняя позиция — доля случаев, когда бренд оказался в первых трех позициях, либо его среднее место в упорядоченном списке. Если нейросеть просто перечисляет варианты без явного ранжирования, позицию не следует придумывать задним числом.
- Citation Rate — доля упоминаний, при которых ответ опирается на видимые источники, связанные с брендом или качественными внешними публикациями. Метрика помогает понять, насколько надежна источниковая база.
- Accuracy Rate — доля проверенных утверждений о бренде, которые оказались корректными. Нужно проверять назначение продукта, целевую аудиторию, ограничения, географию, базовые условия и актуальное предложение.
- Stability — повторяемость результата между запусками. В простом варианте можно считать долю сценариев, где бренд присутствует хотя бы в двух из трех повторов в одной системе. Более строгий подход учитывает также диапазон позиций.
Не смешивайте видимость, трафик и влияние
AI Visibility показывает, как часто и в каком контексте бренд появляется в релевантных ответах. AI referral отражает зафиксированные аналитикой переходы из ИИ-систем на сайт. Влияние — это возможное изменение поведения пользователя после контакта с рекомендацией: рост брендового спроса, выбор компании, вероятность конверсии или изменение пути до покупки.
Эти уровни нельзя сводить в одну цифру. Если пользователь увидел рекомендацию в ИИ, а затем сам ввел название бренда в поиске, прямого перехода из ассистента может не быть. Нулевой AI referral в таком случае не доказывает отсутствия влияния. Но и рост переходов из ИИ сам по себе не подтверждает, что продажи выросли именно благодаря видимости: на результат могли одновременно повлиять бюджет, сезонность, цены, PR, ассортимент и общий спрос.
Как построить воспроизводимый замер
Первый шаг — собрать реальные пользовательские сценарии. Запросы к ИИ обычно описывают не ключевое слово, а задачу, контекст, ограничения и критерии выбора. Вместо краткого запроса «CRM для малого бизнеса» пользователь может рассказать, что в отделе продаж семь человек, сделки идут долго, менеджеры забывают перезванивать, а компании нужна простая система без сложного внедрения.
Для пилота достаточно 20–30 сценариев, которые охватывают разные стадии выбора. Их удобно разделить на пять групп: проблемные, категорийные, сравнительные, сценарии с ограничениями и брендовые. В последнюю группу входят вопросы о доверии, недостатках, отличиях и альтернативах бренда. Практический шаблон сценария выглядит так: сегмент пользователя → задача → контекст → ограничение → критерий выбора.
Важно заранее зафиксировать основную формулировку запроса и не менять ее от замера к замеру без отдельной причины. Для мониторинга единицей измерения должен быть именно сценарий намерения, а не отдельное ключевое слово. Проверка только по запросу «что ты знаешь о бренде» показывает узнаваемость компании для модели, но почти ничего не говорит о способности бренда появляться в реальном выборе пользователя.
Следующий шаг — сделать процедуру технически воспроизводимой. Минимальная структура данных: сценарий × ИИ-система × повтор запуска. Например, матрица из 20 сценариев, четырех систем и трех повторов дает 240 наблюдений. Для каждого ответа стоит сохранять исходный промпт, дату, название системы, упомянутые бренды, позицию, видимые источники и найденные ошибки. Персонализированные и «чистые» сессии следует тестировать раздельно, чтобы не смешивать результаты.
После исходного замера данные можно сегментировать по намерениям пользователя и сравнивать с performance-показателями. При этом связь между присутствием бренда в ответах ИИ и конверсиями нужно трактовать осторожно: видимость — самостоятельный верхне- и средневороночный слой, а ее влияние подтверждается дополнительными сигналами и экспериментами, а не одним совпадением динамики.
