Статья подготовлена командой сервиса - лидирующая в России платформа и агентство по продвижению в нейросетях.
Пользователи всё чаще спрашивают совет не у поисковика, а у нейросети: «какую CRM выбрать», «какая клиника лучше», «какой сервис аналитики подойдёт для B2B». Если в этих ответах нет вашего бренда — вы теряете клиентов ещё до того, как они дошли до сайта. Классическая веб-аналитика в этой среде слепа: трафик не падает в отчёты, но решения о покупке уже принимаются. Разберём, как построить воспроизводимый фреймворк GEO-аналитики: от пула промптов до расчёта Share of Voice и превращения его в управляемый KPI.
Что такое доля голоса бренда в AI-ответах
В классическом маркетинге Share of Voice считали по рекламным бюджетам, медийным упоминаниям и позициям в поисковой выдаче. В эпоху генеративного поиска смысл метрики изменился: нейросети не выдают список из десяти синих ссылок — они генерируют связный текст, в котором могут порекомендовать вас, конкурента или вообще проигнорировать существование компании.
Формула расчёта AI Share of Voice
Базовая формула прозрачна: SOV = (упоминания вашего бренда / упоминания всех брендов категории) × 100%. Доля голоса бренда в AI-ответах — это процент ваших упоминаний от всех упоминаний брендов категории по фиксированному стейбл-набору промптов. Например, если по 100 целевым запросам вида «лучшие CRM для малого бизнеса» все системы категории были упомянуты суммарно 300 раз, а ваш бренд — 45 раз, ваш Share of Voice составит 15%.
Ключевое условие корректности — стабильный набор промптов. Если сегодня вы спросили нейросеть пятью формулировками, а завтра — двадцатью другими, сравнивать результаты бессмысленно.
Чем SOV отличается от AI Visibility
Эти метрики часто путают. AI Visibility — процент ответов, в которых бренд вообще упоминается, среди всех релевантных запросов. SOV — ваша доля относительно конкурентов внутри тех же ответов. Бренд может иметь высокую visibility (упоминается в 60% ответов), но низкий SOV, если в каждом ответе рядом стоят пять конкурентов, а вы — на последней позиции. И наоборот: редкие ответы могут содержать только один бренд, повышая его долю среди всех зафиксированных упоминаний. Для управленческих решений нужны обе метрики.
Единица наблюдения и правила подсчёта
Практичная единица наблюдения — один ответ конкретной AI-системы на один промпт в рамках одного скана. Повтор названия компании в одном тексте не стоит считать несколькими независимыми упоминаниями: для охвата полезнее бинарная логика (бренд появился или нет), а количество вхождений хранить отдельным полем. Это предотвращает ситуацию, когда один длинный ответ искусственно раздувает SOV.
Заранее установите правила распознавания: официальное название, сокращения, варианты транслитерации, названия ключевых продуктов. Правила идентификации должны одинаково применяться к вашей компании и к конкурентам.
Шаг 1. Формируем стабильный пул промптов
Качество расчёта начинается не с формулы, а с набора запросов. Если включить только промпты с названием компании, показатель будет завышен: пользователь уже знает бренд и фактически подсказывает его модели. Основу мониторинга должны составлять небрендовые запросы.
Сегментация по намерению пользователя
Пул удобно разделить минимум на четыре группы. Категорийные промпты описывают класс продукта: «лучшие CRM для отдела продаж». Сценарные отражают задачу: «как автоматизировать квалификацию лидов». Сравнительные запрашивают альтернативы и сопоставление решений. Информационные касаются критериев выбора, стоимости, интеграций и ограничений. Для среднего проекта рабочий объём — от 50 до 150 промптов, сгруппированных по темам и стадиям воронки.
Важно использовать конкретные типы запросов, а не общие формулировки. Для CRM это могут быть отдельные направления: выбор системы для малого бизнеса, интеграция с телефонией, управление воронкой, миграция данных. Такая детализация показывает, в каких задачах модель связывает бренд с категорией, а где сущность пока не распознаётся.
Query Fan-Out и языковые вариации
Один пользовательский вопрос может подразумевать множество уточняющих намерений, а сами AI-системы внутри разбивают запрос на подзапросы. Чтобы покрыть это разнообразие, применяют технику : из одного базового интента генерируется веер формулировок по отрасли, размеру компании, географии и бюджету.
Языковые версии нельзя механически объединять: ответы на русском и английском опираются на разные публикации и представления о рынке. Запросы для России, UAE или MENA оформляйте как самостоятельные сегменты — географическое уточнение меняет конкурентный набор и может существенно повлиять на долю голоса.
Стейбл-набор и исследовательский набор
Для корректной динамики нужен фиксированный стейбл-набор: внутри отчётного периода не меняются формулировки, языки, география, модели и правила подсчёта. Именно на нём рассчитывается изменение SOV между датами. Параллельно ведите исследовательский набор с новыми формулировками и гипотезами; после проверки часть промптов переносится в следующую версию стабильного ядра, а переход документируется как новый аналитический период. Отдельно фиксируйте методологию: список промптов, отслеживаемые системы, частоту сканирования и точную дату старта замеров. Период работы над видимостью и срез данных для отчёта — разные сущности, смешивать их нельзя.
Шаг 2. Собираем ответы ChatGPT и Perplexity
LLM — недетерминированная среда: один и тот же промпт может давать разные ответы. Разовая проверка «спросил в чате — увидел бренд» ничего не доказывает.
Почему системы нужно считать раздельно
ChatGPT (особенно без активного веб-поиска) опирается на веса, заложенные при обучении, и на силу сущности бренда в обучающей выборке. Perplexity работает как Answer Engine: сканирует интернет в реальном времени и формирует ответы на основе актуальных источников с цитатами. Ваш SOV в ChatGPT может составлять 25%, а в Perplexity — 0%, если нет свежих трастовых публикаций и качественной микроразметки. Поэтому метрики считаются отдельно по каждой системе, а общий показатель допустим только как дополнительный агрегат.
Автоматические и ручные сканы
Системный мониторинг предполагает регулярный прогон всего пула промптов по каждой AI-системе с фиксацией результатов. Только серия замеров даёт статистически осмысленную картину и динамику неделя к неделе. Автоматику полезно дополнять точечными проверками через интерфейсы самих ассистентов — нужны для верификации спорных кейсов, презентаций руководству и подтверждения того, что API-ответы совпадают с тем, что видит живой пользователь.
Что фиксировать в каждом ответе
Минимальный набор полей: исходный промпт, полный текст ответа, дата и время, версия системы, язык и географический контекст, факт упоминания бренда, список всех упомянутых брендов, позиция бренда в перечислении, тональность, процитированные источники и URL. Важный нюанс: наличие ссылки в Perplexity ещё не означает, что весь вывод буквально содержится на указанной странице — источники рассматривают как вероятные основания ответа и отдельно проверяют фактическую корректность утверждений.
Шаг 3. Считаем метрики фреймворка
Сам факт упоминания — вершина айсберга. Нейросеть может упомянуть бренд в негативном ключе или поставить на последнее место в списке из двадцати компаний. Фреймворк опирается на пять взаимосвязанных метрик.
AI Visibility и Share of Voice по конкурентам
Частота упоминаний и доля голоса — главные количественные показатели: считайте процент ответов с брендом и долю относительно конкурентов, отдельно по каждой системе и каждой тематической группе промптов. Для этого нужен зафиксированный конкурентный список — причём в AI-поиске конкуренты могут отличаться от привычных: нейросеть порой рекомендует стартапы или косвенные решения. Платформы GEO-аналитики умеют автоматически находить конкурентов по сканам и сравнивать их видимость с вашей: кто обгоняет и на каких именно запросах. В SemanticaAI можно отслеживать до 10 конкурентов одновременно.
Позиции в списках и тональность
Две качественные метрики дополняют картину. Первая — средняя позиция бренда в перечислениях внутри ответов, так называемые zero-click positions: в среде без переходов на сайт место в списке — аналог позиции в поисковой выдаче. Быть первым в «топ-5» и быть пятым — принципиально разные вещи для конверсии; практический ориентир — средняя позиция ниже 2,5.
Вторая — тональность упоминаний по шкале от 1 (very negative) до 5 (very positive). Формулировка «отличный выбор, но ужасная поддержка» формально даёт упоминание, а фактически — репутационный риск. Упоминание в контексте «дорогой» или «устаревший» — не актив, а повод для работы с источниками.
Источники цитирования и точность фактов
Отдельно анализируйте, какие страницы сайта и внешние публикации нейросети используют как основания для ответов. Это диагностическая метрика: она объясняет, почему SOV такой, какой есть, и подсказывает, где наращивать присутствие — в отраслевых медиа, каталогах, обзорах. Дополняйте её факт-чекингом: LLM нередко используют устаревшие данные или путают характеристики продуктов, и такие случаи нужно выявлять и устранять через работу с цитируемыми источниками.
Шаг 4. Интерпретируем данные и растим долю голоса
Измерение — не самоцель. Фреймворк работает, когда цифры превращаются в план действий.
Находим разрывы
Постройте матрицу «тема × AI-система × SOV». Типовые находки: в ChatGPT бренд виден, а в Perplexity — нет (слабое присутствие в актуальных веб-источниках); высокая visibility при низкой позиции в списках (нужно усиливать сигналы авторитетности); конкурент доминирует в конкретной теме (анализируем его источники цитирования и контентную стратегию).
Устраняем причины
Рост AI Share of Voice — системная работа: структурированный контент (FAQ, how-to, answer capsules), корректная Schema.org-разметка, внешние публикации в цитируемых источниках, устранение технических барьеров для AI-краулеров. Важно честно понимать ограничения: LLM — непрозрачная среда, и никто не может гарантировать детерминированный результат. Но системная работа даёт измеримый эффект: в практике SemanticaAI встречались проекты, где AI Visibility удавалось поднять с 6% до 21,4% и с 7,1% до 11,9% за счёт мониторинга, аудита источников и контентной работы — бренд начинал появляться в ответах нейросетей в списках рекомендаций по целевым категорийным запросам.
Замыкаем цикл
После внедрения изменений возвращайтесь к замерам: тот же стейбл-набор промптов, те же системы, та же методология. Сравнивайте срезы месяц к месяцу, отслеживайте, как опубликованные материалы начинают цитироваться в ответах, и корректируйте контентный бэклог по фактическим данным. Если хотите пройти этот цикл на своих данных — от пула промптов до дашборда с динамикой SOV, — начать можно с бесплатного проекта в : платформа автоматизирует сканы, расчёт метрик и конкурентный анализ, оставляя команде главное — интерпретацию и стратегию.
Контрольный чек-лист GEO-аналитики
Перед фиксацией итогового SOV убедитесь, что методика воспроизводима. Пул запросов должен быть разбит по темам и интентам, а формулировки, география, язык, модели и даты сканов — задокументированы. Для этого удобно использовать , сохраняя стабильное ядро запросов отдельно от экспериментальных вариаций.
Не ограничивайтесь общей долей голоса. Проверяйте, на каких запросах бренд упоминается первым, где появляется только конкурент и в каком контексте сформулирована рекомендация. Раздел сравнения с конкурентами помогает отделить общий рост категории от реального усиления позиции конкретного бренда. Дополняйте SOV анализом тональности: высокая частота негативных или нейтральных упоминаний не равна качественной видимости.
Наконец, связывайте изменения метрики с выполненными действиями. Даты публикаций, обновления страниц и внедрения разметки следует фиксировать отдельно от дат аналитических срезов. Отслеживание публикаций позволяет увидеть, начинают ли новые материалы фигурировать в ответах нейросетей после размещения.
Вывод
AI Share of Voice становится управленческой метрикой только при стабильной выборке, раздельном анализе ChatGPT и Perplexity и регулярной проверке источников, позиций и тональности. Такой фреймворк не обещает полного контроля над генеративной выдачей, но превращает GEO из набора разовых экспериментов в измеримый процесс: команда видит разрыв с конкурентами, проверяет гипотезы и направляет ресурсы туда, где изменения действительно усиливают присутствие бренда в AI-ответах.
Нет комментариев
Комментарии доступны после входа