Когда клиенты спрашивают у ChatGPT или Perplexity «какой банк выбрать для расчётно-кассового обслуживания в Екатеринбурге», попадает ли ваш бренд в ответ? Этот вопрос перестал быть теоретическим: всё больше людей начинают поиск с ИИ-чата, а не с выдачи Google или Яндекса. В статье на Habr команда УБРиР описала, как исследовала видимость банка в ответах генеративных моделей и построила стратегию. Ниже — практическая методика, которую можно адаптировать под свой продукт, без копирования чужого кейса и без обещаний «выйти в топ ИИ за месяц».

Что именно измерять

«Видимость в ИИ» — это не одна цифра, а набор наблюдаемых признаков. Прежде чем строить стратегию, зафиксируйте, что вы считаете успехом. Минимальный набор метрик:

  • Упоминание бренда — встречается ли название компании в ответе вообще.
  • Контекст упоминания — нейтральный, рекомендательный, негативный или сравнительный.
  • Позиция в списке — если модель перечисляет варианты, на каком месте ваш бренд.
  • Полнота фактов — верно ли указаны продукты, регионы, условия.
  • Источники — на какие сайты и страницы ссылается модель.

Эти метрики можно собирать вручную в таблице. Главное — делать это регулярно и по одному и тому же набору запросов, иначе динамику не увидеть.

Как собрать аудит: пошаговый план

Исследование начинается не с моделей, а с вопросов. Соберите 30–50 реальных запросов, которые ваша аудитория может задать ИИ. Разделите их на группы: продуктовые («какие условия по вкладам для ИП»), сравнительные («чем отличается банк А от банка Б»), локальные («банк для бизнеса в Екатеринбурге») и репутационные («надёжен ли банк X»).

Дальше прогоните каждый запрос через несколько сервисов — например, ChatGPT, Perplexity, Gemini, Яндекс Нейро. Важно: модели отвечают по-разному в зависимости от формулировки, языка и даже дня. Поэтому фиксируйте дату, модель и точную формулировку промпта. Один запрос — одна строка в таблице.

Для каждого ответа отметьте: упомянут ли бренд, в каком контексте, какие источники процитированы, есть ли фактические ошибки. Если модель не упоминает вас, но называет конкурентов, — это тоже результат, он показывает, какие площадки и форматы контента модель считает авторитетными.

Что обычно находят и почему это происходит

В подобных аудитах чаще всего всплывают три проблемы. Первая — бренд отсутствует в ответах на общие запросы, потому что модели опираются на крупные обзорные площадки, а не на сайт компании. Вторая — факты устаревшие или искажённые: модель берёт данные из старых публикаций. Третья — упоминания есть, но в негативном или сравнительном контексте, где компания проигрывает.

Причина не в «плохом ИИ», а в том, какие источники он использует. Генеративные модели опираются на тексты, которые легко найти и которые структурно отвечают на вопрос: обзоры, рейтинги, справочники, аналитические статьи. Если ваш сайт — это в основном лендинги с призывами «оставить заявку», модели просто нечего оттуда взять.

Как строить стратегию повышения видимости

Стратегия не сводится к SEO. Работа идёт по трём направлениям одновременно.

  • Контент, который отвечает на вопросы. Создавайте страницы с прямыми ответами: условия, сравнения, инструкции, глоссарии. Модели лучше цитируют текст, где ответ дан в первом абзаце, а дальше — детали.
  • Присутствие на внешних площадках. Обзоры, отраслевые СМИ, справочники, каталоги, профильные сообщества. Если о вас пишут другие, у модели больше шансов вас найти.
  • Фактическая точность. Обновляйте данные на сайте и в публикациях, следите, чтобы старые материалы не противоречили новым. Модель может процитировать устаревшую страницу.

Отдельный пункт — структура. Заголовки, списки, таблицы, короткие абзацы повышают шанс, что фрагмент текста попадёт в ответ. Это не гарантия, но снижает риск, что модель «не разберётся» в материале.

Типичные ошибки

Первая ошибка — гнаться за упоминанием любой ценой. Ответ, где бренд назван в негативном контексте, хуже, чем отсутствие упоминания. Вторая — измерять видимость разово: без регулярного замера вы не увидите эффекта. Третья — ждать быстрых результатов: модели обновляются с задержкой, а внешние площадки индексируются не мгновенно. Четвёртая — игнорировать фактические ошибки: если модель называет неверные условия, это нужно исправлять в источниках, а не «договариваться» с ИИ.

Ещё одна распространённая ошибка — копировать чужую стратегию целиком. У каждого бренда свой набор запросов, своя аудитория и свои авторитетные площадки. Методика переносима, а выводы — нет.

Что делать на следующей неделе

Начните с малого: составьте список из 20 вопросов, прогоните их через два-три ИИ-сервиса, занесите результаты в таблицу и посмотрите, какие источники модели цитируют. Это даст первичную картину. Дальше выберите 2–3 темы, по которым вас нет в ответах, и подготовьте страницы с прямыми ответами. Через месяц повторите замер по тем же запросам и сравните. Такой цикл — аудит, контент, повторный замер — и есть рабочая основа стратегии видимости в ИИ.