Как посчитать, как часто ИИ рекомендует ваш бренд
Как посчитать, как часто ИИ рекомендует ваш бренд Автор статьи Сергей Семенов, основатель RECOMO AI, описывает практическую методику измерения «AI Visibility» — того, как часто языковые модели вроде ChatGPT, Gemini, Claude и Perplexity упоминают и рекомендуют конкретный бренд в своих ответах. По его наблюдению, пользователи всё чаще спрашивают совет у ИИ-ассистента вместо поиска ссылок, и компания может занимать высокие позиции в поиске, но почти не попадать в рекомендации ИИ — или наоборот. Ключевая идея: измерять нужно не «внутреннее решение» модели, которое недоступно наблюдателю, а результат её работы. Под «вероятностью» автор понимает наблюдаемую долю ответов, где бренд появился при заранее заданных сценариях и условиях. Такая оценка действует только в пределах выбранного протокола, но позволяет сравнивать бренды, модели и динамику во времени. Один запрос к одной модели — не исследование: нужен набор сценариев, формулировок, систем и повторных запусков. Базовый пилотный протокол: 10 реальных пользовательских сценариев выбора компании, по 3 варианта формулировки каждого, 4 AI-системы и 3 повторных запуска — итого 360 ответов за один цикл, на одном языке и в одном регионе. Автор подчёркивает: 360 — не отраслевой стандарт, а рабочая конфигурация для ручной проверки; для рейтингов и нескольких языков выборку надо расширять. Каждый запуск фиксируется в журнале: точный запрос, дата, сервис и версия модели, режим поиска, полный текст ответа. Затем ответы размечают и считают пять метрик: частоту упоминаний бренда, частоту прямых рекомендаций, долю попаданий в топ-3, межмодельное покрытие (сколько из проверенных систем хоть раз рекомендовали бренд) и стабильность — совпадение статуса бренда во всех трёх повторах. В условном примере из 360 ответов бренд упомянут в 72 (20%), прямо рекомендован в 36 (10%), в топ-3 попал в 18 (5%), рекомендован 3 из 4 систем (75%), стабильность — 70%. Это иллюстрация расчёта, а не результат конкретного бренда. Показатели не объясняют причины автоматически, а лишь показывают, где искать проблему. Автор предлагает диагностическую рамку из семи групп сигналов: авторитетность источников, согласованность информации о компании, цифровое покрытие отраслевых площадок, экспертность контента, упоминаемость, контекст упоминаний и однозначность «сущности» бренда для ИИ. Это гипотезы для проверки, а не доказанные причинные факторы. Замер можно провести самостоятельно за неделю без платформы: зафиксировать границы измерения, составить 10 сценариев и по 3 формулировки, проверить 4 системы по 3 раза, посчитать метрики и сравнить себя минимум с 5 конкурентами. Затем выбрать три приоритетных изменения — например, противоречивые факты о компании, непонятное описание услуг, отсутствие страниц с ответами на вопросы покупателей — и повторить замер через 30–60 дней, меняя за один цикл одну группу сигналов. Ограничения существенны: AI Visibility — динамический показатель, любой результат — снимок на конкретную дату. Совпадение сильного цифрового присутствия с частыми рекомендациями ещё не доказывает причинность. На результат влияют язык, география, персонализация, история диалога, версия модели и доступ к веб-поиску. И главное, по словам автора: ни одна методика не гарантирует рекомендацию бренда — задача измерения лишь снизить неопределённость и проверить, повышают ли улучшения устойчивость присутствия в AI-ответах. Источник: https://www.cossa.ru/trends/351331/