Видимость в нейросетях: как измерять упоминания и заявки

Как измерять видимость в нейросетях?

В июне 2026 года Bing добавил в AI Performance сравнение периодов и Citation Share – долю цитирований сайта. И сразу оговорился: доля не показывает трафик и не служит рейтингом. С этого я бы и начинала разговор про видимость в нейросетях: компания попала в ответ, но до выбора поставщика ещё далеко. Ограничения перечислены в обновлении Bing.

Я смотрю на ответ как на экран выбора подрядчика. Читателю нужно понять, подходит ли компания для его задачи и куда обратиться. Одного названия на экране для этого мало. Если рядом приписана чужая услуга, аккуратная ссылка лишь делает ошибку убедительнее.

В рабочем отчёте я бы развела показатели так:

Под группой здесь я понимаю одинаковые вопросы, сервис и режим проверки. Чтобы засчитать рекомендацию, мне нужно увидеть явное предложение выбрать или рассмотреть компанию. Название в предупреждении или исторической справке сюда не попадает.

Рядом с долями показывайте исходные количества. Если утверждений о компании нет, точность не определена. Нет обращений – долю квалифицированных заявок тоже не из чего считать. Технические сбои отмечайте отдельно: сервис не ответил и сервис ответил без бренда – разные результаты.

Оценка готовности сайта говорит о другом: выполнены ли критерии конкретной проверки. Сколько людей выбирают компанию, по ней не узнать. Запросам ботов к серверу тоже место в технической части отчёта. Общий балл, в котором всё это перемешано, я бы не приняла как доказательство эффективности.

Какие вопросы задавать при каждом замере?

Сначала я разделяю две задачи: найти поставщика и проверить уже знакомую компанию. Человек находится в разных точках выбора.

Для первой группы подойдут вопросы без бренда: «Кто разрабатывает личные кабинеты для партнёров?» или «Как выбрать подрядчика для редизайна интернет-магазина?». Для второй – «Какие услуги оказывает CRT?» и «Как связаться с CRT по поводу разработки?». Это примеры формулировок, а не результаты проведённого замера.

Смешайте группы – и получите приятный отчёт: нейросеть уверенно рассказывает о компании, название которой ей уже подсказали. Но появится ли та же компания, когда человек сам ищет поставщика? Такой замер этого не покажет.

Постоянный набор я предлагаю собирать из вопросов в заявках, переписке с продажами и обсуждениях проекта. Сохраняйте ограничения, от которых зависит выбор: отрасль, географию обслуживания, интеграции, формат сотрудничества. Вопрос «кого выбрать» без задачи клиента оставляет слишком много места для догадок.

Новые формулировки складывайте в отдельную группу. Иначе за изменением видимости можно не заметить, что изменился сам список. Удалённые неудобные вопросы тоже должны остаться в истории.

У нас в CRT мониторинг в составе продвижения в нейросетях описан через повторение тех же вопросов каждый месяц: отдельно смотрим долю ответов с компанией, точность, переходы и заявки. Мне такая схема ценна возможностью открыть конкретный ответ и увидеть, что чинить.

Как повторить проверку видимости в нейросетях?

Скриншот с рекомендацией подтверждает, что такой ответ был. Для сравнения периодов его мало: какой вопрос ему предшествовал и сколько попыток осталось за кадром, непонятно.

В методологии Glasarity прямо сказано: одинаковый запрос может давать разные ответы, а география, персонализация и обновления моделей меняют результат независимо от действий бренда. Поэтому я бы вела журнал проверки. Память и папка со скриншотами его не заменят.

Для основной серии я выбирала бы новые диалоги и одинаковые доступные настройки. Длинные разговоры с уточнениями ближе к живому общению и тоже полезны. Но проверять их лучше отдельно, по сохранённому сценарию.

Число повторов назначьте заранее и не меняйте между сравниваемыми замерами. Не спрашивайте до первого красивого ответа. В журнал должны попасть все результаты (да, отсутствие рекомендации тоже).

Ответы с веб-поиском и без него считайте отдельно. Разные сервисы тоже не склеивайте в среднее, за которым спрячется провал в одном из них. Модель обновилась или режим исчез – отметьте границу серии. Сравнивать наблюдения можно, но условия уже другие.

Компания названа, но что о ней сказали неправильно?

Здесь я перестаю смотреть на проценты и читаю ответ как интерфейс. Какое решение примет человек, если поверит написанному?

Я бы проверяла услуги, географию обслуживания, контакты и условия работы. Сначала соберите актуальные сведения компании и согласуйте их с теми, кто за них отвечает. Если утверждение спорное, сохраняйте подтверждающую страницу вместе с датой проверки.

Мне нужны разные отметки:

• Подтверждено: утверждение совпадает с актуальными сведениями.
• Ошибка: найдено прямое противоречие.
• Не удалось проверить: достаточного подтверждения нет.
• Не раскрыто: нужная информация отсутствует в ответе.

Последний пункт – про полноту ответа. Если телефон не назван, это ещё не ложный телефон. А неподтверждённое обещание не становится верным оттого, что звучит правдоподобно.

Возьмём известный факт: CRT разрабатывает личные кабинеты. Гипотетическое описание «CRT продаёт готовую CRM по подписке» пришлось бы проверить и исправить. С отсутствием перечня технологий вопрос другой: нужен ли он вообще в этом ответе? Это учебное сравнение, не зафиксированная ошибка нейросети.

Я бы сначала исправляла сведения, из-за которых клиент выбирает неподходящую услугу или обращается не туда. Ещё одно упоминание с неверным описанием бизнеса для меня не победа.

Здесь же проходит граница моей позиции. Если нужно разово проверить адрес или контакт, хватит ручной сверки ответа с источником. Полноценный мониторинг ради этого избыточен. Но и судить по такой проверке об эффективности GEO – оптимизации присутствия компании в генеративных ответах – нельзя.

Почему рост упоминаний не доказывает рост заявок?

Попытка превратить счётчик цитирований в отчёт о продажах заводит в тупик. В исходном описании AI Performance Bing измеряет ссылки на контент в поддерживаемых ИИ-сервисах. Число цитирований не показывает даже положение страницы внутри конкретного ответа.

Июньский Citation Share добавляет долю: цитирования сайта делятся на все цитирования по тому же поисковому запросу, использованному системой для подбора источников. До доли клиентов или доли рынка отсюда далеко. Счётчик не скажет, прочитал ли человек рекомендацию и связался ли с компанией.

Этот разрыв виден и в исследовании Pew Research Center. В анализе поведения 900 взрослых жителей США за март 2025 года переход по ссылке внутри ИИ-сводки Google зафиксировали в 1% посещений страниц с такой сводкой. Выдачу исследователи собирали повторно в апреле. Это наблюдение с ограничениями, и брать его за норматив для российского бизнеса или других нейросетей я бы не стала.

В отчёте я предлагаю держать рядом данные из разных систем:

• В веб-аналитике – визиты с распознанными источниками ИИ и действия на сайте.
• В CRM – обращения, способ установления источника и результат квалификации.
• В журнале мониторинга – упоминания, рекомендации, ссылки и ошибки ответов.

Не делите реальные визиты на число ответов из тестового набора: это разные совокупности, конверсию так не посчитать. Ответ клиента «узнал через нейросеть» сохраняйте отдельно от технически установленного перехода. Источник неизвестен – пусть так и остаётся. Догадка только испортит отчёт.

Как превратить отчёт в список исправлений?

Я бы заканчивала проверку списком задач: у каждой есть ответственный и понятно, откуда она взялась. «Улучшить видимость» – слишком широко. «Убрать устаревший контакт с указанной страницы» – уже работа.

Действовать предлагаю в таком порядке:

1. Сохранить ошибочный ответ и источники, на которые он ссылается.
2. Записать правильный факт и подтвердить его у ответственного сотрудника.
3. Найти расхождения на своём сайте и в доступных внешних карточках компании.
4. Назначить ответственного за исправление: редактора, разработчика или сотрудника, который ведёт карточку.
5. Записать дату изменения и повторить проверку по сохранённому набору вопросов.

Очередность определяйте по последствиям: чужой контакт, несуществующая услуга и неверное ограничение по географии способны изменить выбор поставщика. Стилистическая шероховатость обычно подождёт.

Если после правок ответы улучшились, так и пишите: «В повторном замере ошибок стало меньше». Объявлять весь сдвиг заслугой выполненных работ пока рано. Ведь на результат могли повлиять и обновление модели, и изменение источников, и персонализация. С такой оговоркой отчёт честнее – и на него можно опереться при решении, что делать дальше.