Видимость в поиске с ИИ: бренд могут цитировать и всё равно не рекомендовать

224 из 323 саморекламных подборок, которые Google AI Overview использовал как источник весной 2026 года, не привели к рекомендации самого бренда. В 69% случаев модель читала страницу, брала из неё фактуру и выводила в ответ конкурентов. Поэтому AI search visibility нельзя измерять по одному числу упоминаний: такая метрика выглядит убедительно в отчёте, но плохо объясняет, растёт ли спрос, переходы и коммерческий результат.

Для digital-маркетинга это уже не частный спор SEO-специалистов. Поисковые системы с ИИ влияют на то, как аудитория находит бренды, кого видит в ответе первой строкой и кто остаётся в памяти после сессии без клика. Если в этот момент команда смотрит только на число цитат, аналитика соцсетей, контент-маркетинг и Telegram-маркетинг начинают жить отдельно от реального потребительского выбора.

Проблема усиливается тем, что рынок быстро копирует старую логику rank tracking. Сервис задаёт набор промптов, проверяет ChatGPT, Perplexity или AI Overviews и считает, как часто бренд появился в ответе. Метрика знакомая, продаётся легко, а управленческой ясности даёт мало. В таком виде AI search visibility чаще показывает активность интерфейса, чем влияние бренда на выбор.

AI search visibility без vanity-метрик: где ломается отчётность

Самая популярная ошибка начинается с подмены вопроса. Бизнесу нужен ответ на три вещи: узнаёт ли модель бренд, рекомендует ли его в нужных сценариях и приносит ли эта видимость полезное действие. Большинство дашбордов отвечают только на первый пункт, причём с большой погрешностью.

Текущая волна prompt tracking строится на допущении, что команда способна заранее угадать реальные запросы аудитории. На практике это редко так. ИИ-запрос не равен классическому ключевому слову: он длиннее, меняется по контексту, зависит от формулировки задачи и часто дробится на несколько вспомогательных поисков, которые пользователь вообще не видит.

Именно здесь начинает шуметь и Search Console. В 2025 году аналитик Jason Packer вместе с участниками расследования Quantable показал, что реальные промпты из ChatGPT попадали в Google Search Console из-за сбоя в интерфейсе. Видимая аномалия тогда выглядела как рост показов при слабых кликах. С тех пор сама логика никуда не исчезла: системы с ИИ продолжают обращаться к поиску как к слою проверки и подгрузки фактов, а один запрос пользователя может порождать несколько машинных запросов подряд.

Для отчётности это опасный сдвиг. Показов становится больше, но часть этого роста создают машины, которые читают выдачу без перехода на сайт. Если смотреть только на impressions, легко принять машинное потребление ответа за рост человеческого спроса.

Типовые vanity-метрики здесь выглядят так:

• Частота упоминаний бренда в ответах. Показывает, что модель знает о бренде, но не говорит, в каком контексте он появился.
• Количество цитирований страницы. Источник мог попасть в ответ как сырьё для совета конкуренту.
• Доля показов в prompt tracking без сегментации сценариев. Бренд может часто всплывать по нерелевантным формулировкам и при этом выпадать из коммерчески важных вопросов.
• Рост impressions в Search Console. В эпоху поиска с ИИ этот показатель всё хуже отделяет человеческий интерес от машинного обращения к поиску.

Технический SEO-консультант Jono Alderson сформулировал проблему жёстко: рынок просто переносит старую модель ранжирования на новую среду, где она перестаёт быть точным измерительным прибором. Для маркетинга отсюда следует простой вывод: AI search visibility нужно считать по слоям, а не по одной красивой цифре.

Цитирование и рекомендация расходятся сильнее, чем кажется

Самый важный разрыв проходит между двумя действиями модели: она может сослаться на бренд и может посоветовать бренд. Эти действия пересекаются, но совпадают далеко не всегда.

Lily Ray проанализировала ответы AI Overview по 100 запросам формата best of в категории business software в апреле, мае и июне 2026 года. Когда в ответ попадала саморекламная подборка бренда, сам бренд отсутствовал в рекомендациях в 69% случаев. В абсолютных цифрах это 224 случая из 323. Для контент-маркетинга это болезненный сигнал: страница получает цитирование, команда радуется видимости, а модель отправляет пользователя к конкурентам, которые упомянуты на той же странице.

Jeff Oxford и Visibility Labs посмотрели на 20 тысяч ответов ChatGPT и получили ещё более жёсткую картину. После включения search product recommendations менялись в 80,2% случаев, а корреляция между цитированием и рекомендацией составила всего 0,4. Иначе говоря, присутствие в списке источников даёт слишком слабую опору для вывода о реальной силе бренда в ответе.

BrightEdge увидел ту же проблему под другим углом. При сравнении пяти поисковых систем с ИИ совпадение наборов источников между парами движков колебалось в диапазоне от 16% до 59%, тогда как наборы рекомендуемых брендов оставались в более узком коридоре 36–55%. Это значит, что модели могут читать разные страницы и всё равно сходиться на одном пуле брендов, либо наоборот использовать схожие источники и по-разному формулировать итоговый выбор.

Для SMM, SEO и мониторинга бренда здесь важны три вывода.

• Модель может использовать контент бренда как обучающий материал для чужой рекомендации.
• Видимость источника и видимость бренда нельзя складывать в одну колонку отчёта.
• Сравнение по одному движку даёт неполную картину: у разных систем разные паттерны чтения и рекомендации.

Какие метрики действительно стоит считать

Если задача состоит в том, чтобы связать AI search visibility с бизнес-эффектом, рабочая система метрик обычно собирается из пяти уровней.

1. Доля рекомендаций по сценариям с намерением

Первый слой отвечает на вопрос, как часто бренд рекомендуют по сценариям, где пользователь уже близок к выбору. Это могут быть запросы про сравнение поставщиков, подбор инструмента по задаче, выбор сервиса для команды, поиск альтернативы или продукта для определённого кейса.

Здесь полезно считать:

• долю ответов, где бренд назван среди рекомендуемых вариантов;
• позицию бренда внутри рекомендаций, если порядок ответа стабилен;
• долю ответов, где бренд указан первым;
• стабильность попадания в рекомендации по группе однотипных сценариев.

Именно этот слой ближе всего к будущему спросу. Если бренд часто цитируют, но редко рекомендуют в сценариях выбора, отчёт уже показывает проблему, а не успех.

2. Качество упоминания

Сам факт присутствия мало что значит без анализа формулировки. Модель может назвать бренд как лидера категории, как вторичный вариант, как дорогой инструмент, как нишевое решение или как пример с оговорками. По сути это уже задача семантической разметки.

Практически имеет смысл размечать ответы по четырём параметрам:

• тональность упоминания;
• роль бренда в ответе: основной выбор, альтернатива, пример, источник данных;
• наличие ограничений рядом с брендом: цена, сложность внедрения, слабая поддержка, узкая специализация;
• наличие конкурентного контекста: с кем именно бренд сравнивают.

Такой слой особенно полезен для мониторинга бренда. Он показывает не только частоту появления, но и образ бренда, который закрепляется в поиске с ИИ.

3. Разделение брендовых и категорийных сценариев

AI search visibility часто завышается за счёт брендовых запросов. Если команда проверяет только промпты с названием компании, модель почти наверняка будет находить бренд. Гораздо ценнее смотреть, как бренд ведёт себя в категорийных и проблемных сценариях, где выбор ещё не сделан.

Минимальный набор сегментов выглядит так:

• брендовые сценарии;
• категорийные сценарии без бренда;
• сравнительные сценарии;
• сценарии боли или задачи;
• сценарии замены действующего решения.

Только после такого деления становится видно, где бренд уже силён за счёт известности, а где реально выигрывает в категории.

4. Переходы и посткликовое поведение

Часть поиска с ИИ заканчивается без клика, но это не повод отказаться от измерения трафика. Если переходы есть, их нужно выделять отдельно и сопоставлять с глубиной просмотра, конверсией в лид, подписку, регистрацию или демо.

Здесь уже нужна связка между SEO, web-аналитикой и CRM. Отдельный сегмент трафика из AI-поиска пока трудно собирать идеально чисто, но даже приближённое отслеживание лучше, чем полный отказ от измерения поведения после перехода.

5. Коммерческий эффект на уровне P&L и воронки

Финальный слой нужен для того, чтобы AI search visibility не превратилась в красивый показатель без управленческого смысла. Если видимость растёт, а заявок, MQL, SQL, регистраций или выручки по связанным сценариям больше не становится, значит, модель знает бренд, но не сдвигает спрос в полезную сторону.

На этом уровне обычно смотрят:

• динамику брендового спроса после периодов роста рекомендаций;
• изменение доли прямых заходов и брендовых запросов;
• вклад AI-поиска в assisted conversions;
• стоимость создания контента и оптимизации против полученного эффекта.

Как собрать рабочую систему измерения

Практическая схема начинается не с инструмента, а с карты сценариев. Нужен конечный список вопросов, по которым бренд действительно хочет быть выбранным. Обычно достаточно 30–50 сценариев, разделённых по воронке и интенту, а не сотен случайных промптов.

Дальше полезно идти таким порядком.

Сначала собрать сценарии из реального спроса

Источником могут быть поисковые запросы, вопросы из отдела продаж, формулировки из демо-звонков, тикеты поддержки, отзывы, обсуждения в Telegram, YouTube и соцсетях. Так AI search visibility привязывается к живому спросу, а не к фантазиям команды о том, что якобы спрашивает аудитория.

Затем разделить сценарии по ценности

У всех промптов разный вес. Запрос уровня «что такое social media analytics» и запрос уровня «какой сервис мониторинга бренда выбрать для агентства» создают разную коммерческую ценность. Если их считать одинаково, итоговый индекс будет искажён.

После этого ввести ручную разметку ответов

На первых итерациях лучше не доверять полную оценку модели или сервису. Нужна живая разметка хотя бы по выборке: бренд упомянут, бренд рекомендован, контекст позитивный или с оговорками, рядом названы конкуренты, присутствует ли ссылка на собственный сайт.

Отдельно сопоставить ответы с контентом и репутацией

Когда в ответах повторяются одни и те же формулировки о бренде, это почти всегда след от конкретных страниц, обзоров, подборок, отзывов или публикаций. Здесь особенно полезен единый контур наблюдения за упоминаниями. Если команда уже ведёт мониторинг бренда, аналитику соцсетей и Telegram-маркетинг в одной системе, FollowPulse помогает быстрее увидеть, из каких площадок складывается этот образ и где он начинает влиять на рекомендации в поиске с ИИ.

Что делать с Search Console, чтобы не принять шум за рост

Отказываться от Search Console не нужно. Но и считать её главным измерителем AI search visibility уже рискованно.

Рабочий подход обычно такой:

• смотреть impressions только вместе с кликами, CTR и динамикой брендового спроса;
• отдельно проверять страницы, где показы растут без сопоставимого движения по переходам;
• не делать вывод о силе бренда на основе одного всплеска видимости;
• сравнивать данные Search Console с ручной проверкой ответов в системах с ИИ;
• учитывать, что одна и та же сессия пользователя может порождать несколько машинных поисков.

Если кривая показов идёт вверх, а клики стоят на месте, это ещё не признак усиления контент-маркетинга. В части случаев так выглядит машинное потребление ответа, которое не превращается в посещение сайта.

Где AI search visibility реально полезна маркетингу

Сама метрика нужна не ради модного отчёта. Она полезна в трёх задачах.

Первая задача связана с позиционированием. Если модели регулярно описывают бренд словами, которые команда давно не использует в коммуникации, рынок уже сформировал внешний образ компании без участия маркетинга.

Вторая задача касается контент-стратегии. Когда становится видно, какие типы страниц чаще становятся сырьём для рекомендаций, проще перераспределять усилия между обзорами, страницами решений, сравнениями, FAQ и репутационным контентом.

Третья задача упирается в конкурентное поле. AI search visibility позволяет понять, с кем бренд реально сталкивается в ответах моделей. Этот список часто не совпадает с привычным набором конкурентов из медийного плана или поисковой выдачи.

Чеклист

1. Собрать 30–50 реальных сценариев из поиска, продаж, поддержки, соцсетей и Telegram.
2. Разделить их на брендовые, категорийные, сравнительные и проблемные запросы.
3. Считать отдельно цитирование бренда, рекомендацию бренда и роль бренда в ответе.
4. Ввести ручную разметку качества упоминаний хотя бы по контрольной выборке.
5. Сверять рост AI search visibility с кликами, брендовым спросом и assisted conversions, а не только с impressions.
6. Проверять, какие страницы и внешние площадки чаще всего формируют образ бренда в ответах моделей.
7. Обновлять карту сценариев раз в месяц, потому что пользовательские формулировки и поведение систем с ИИ быстро меняются.

FAQ

Можно ли измерять AI search visibility только через число упоминаний бренда?

Нет. Упоминание показывает, что модель знает бренд или использует страницу как источник, но не гарантирует рекомендацию, переход или влияние на выбор.

Почему Search Console плохо подходит на роль главной метрики?

Потому что рост показов всё чаще смешивает человеческий интерес и машинные обращения к поиску со стороны систем с ИИ. Без сопоставления с кликами и поведением после перехода картина легко искажается.

Какие запросы важнее всего для оценки видимости бренда в поиске с ИИ?

Полезнее всего сценарии с выраженным намерением: выбор сервиса, сравнение решений, поиск альтернативы, подбор инструмента под задачу и запросы боли, которые предшествуют покупке.

Что важнее: цитирование страницы или рекомендация бренда?

Для бизнеса почти всегда важнее рекомендация бренда. Цитирование полезно как диагностический сигнал, но само по себе оно ещё не означает влияния на спрос.

Как часто нужно пересматривать набор сценариев для мониторинга?

Практичный ритм для большинства команд — раз в месяц. Этого хватает, чтобы убрать устаревшие формулировки, добавить новые вопросы аудитории и заметить смещение конкурентного поля.

Где ручной контроль ещё оправдан, а где уже нужен инструмент?

На старте можно вручную вести ограниченный набор сценариев и размечать ответы по таблице. Когда сценариев, площадок и упоминаний становится больше, удобнее собирать их в одном контуре мониторинга и аналитики.

Для команды, которой нужна единая картина по упоминаниям, охватам и Telegram Analytics, подойдёт FollowPulse.

Пользуйся FollowPulse и получай:

• Аналитику соцсетей
• Умный поиск информации
• Рост своего бренда

Пробный доступ — от 10 рублей.

Попробовать FollowPulse