Обычное SEO приучило бизнес к понятной шкале: есть запрос, поисковая выдача и место сайта в ней. В AI-поиске такой устойчивой лестницы нет. Ответ формируется заново и может зависеть от формулировки вопроса, продолжения диалога, доступных источников и особенностей самой системы. Сегодня компания попала в подборку, завтра не появилась, а в другом разговоре была названа как источник полезной информации.
Под GEO-продвижением я понимаю работу над тем, чтобы компания, её продукты и материалы корректно появлялись в ответах AI-систем по значимым для бизнеса вопросам. Оценивать её одним «местом» бессмысленно. Вместо позиции нужна серия наблюдений: какие вопросы проверялись, появился ли бренд, правильно ли он описан, на какие источники опирался ответ и возникли ли связанные с этим обращения.
Какие запросы использовать для регулярной проверки?
Я бы не строил проверку вокруг одного короткого ключевого запроса. Человек обычно пишет нейросети не «аналитика для бизнеса», а описывает задачу: просит подобрать систему для сети магазинов, сравнить способы контроля расходов или назвать подрядчиков с опытом в его отрасли.
Поэтому проверочная выборка должна состоять из реальных вопросов клиентов. Их можно собрать из переписки с отделом продаж, записей консультаций, заявок с сайта, поисковых запросов и обсуждений внутри компании. Особенно полезны формулировки, которые появляются до покупки: по ним видно, как человек изучает рынок и по каким признакам выбирает решение.
В выборке стоит оставить несколько типов вопросов. Одни помогают разобраться в категории: какие решения существуют и чем отличаются. Другие выражают намерение выбрать: какие компании рассмотреть, кому поручить задачу, какие сервисы сравнить. Третьи начинаются с проблемы: что делать, если заявки теряются, отчёты собираются вручную или руководитель не видит общую картину. Наконец, нужны брендовые вопросы — чем занимается компания, кому подходит её продукт и какие задачи он решает.
Одно намерение полезно проверять в двух-трёх естественных формулировках. AI может по-разному ответить на «какая CRM подходит небольшой производственной компании» и «как выбрать CRM для малого производства», хотя смысл похож. При этом не нужно создавать сотни искусственных перестановок слов. Важнее охватить разные ситуации выбора.
Основной список лучше не менять между замерами. Новые вопросы можно добавлять отдельной группой, не удаляя старое ядро. Иначе невозможно понять, действительно ли изменилась видимость или изменился только сам набор проверок.
Что считать присутствием бренда в ответе AI?
Прямое появление названия — самый очевидный, но не единственный сигнал. Бренд может быть назван в перечне без пояснений, представлен как подходящий вариант, связан с определённой специализацией или использован как источник, хотя в тексте ответа название почти незаметно.
Эти случаи имеют разную ценность. Случайная строка в длинном списке не равна содержательной рекомендации. Упоминание в неподходящем контексте тоже нельзя считать успехом: если компания работает с корпоративными клиентами, а AI предлагает её для частной бытовой задачи, формально название присутствует, но делового смысла в этом мало.
Для наблюдения достаточно простой разметки. В каждом ответе можно отмечать: бренд не появился; только назван; описан по существу; предложен как один из вариантов; использован как источник; упомянут не по теме. Рядом полезно сохранять вопрос, дату и сам фрагмент ответа. Это позволит позже увидеть не только частоту, но и роль компании.
Отдельного внимания заслуживают ответы без названия бренда, но со ссылкой на его материал. Такое присутствие помогает понять, какие страницы AI считает полезными, однако его не стоит смешивать с прямой узнаваемостью компании. Это разные показатели: один говорит о востребованности источника, другой — о том, вошёл ли бренд в ответ на клиентский вопрос.
Итоговой «позицией» здесь становится не номер в списке, а доля релевантных ответов, где компания появилась в полезной роли. Этот показатель имеет смысл только вместе с контекстом, поэтому простой счётчик упоминаний без просмотра ответов будет вводить в заблуждение.
Как оценивать правильность описания компании?
Сначала нужен короткий эталон фактов, с которым можно сравнивать ответы. В него входят только проверяемые сведения: чем занимается компания, какие продукты или услуги предлагает, с какими клиентами работает, на какой территории действует и какие существенные ограничения есть у предложения. Рекламные оценки вроде «лучший сервис» для такого эталона не подходят.
Описание в AI-ответе удобно относить к одному из трёх состояний: верное, неполное или ошибочное. Верное передаёт смысл без существенных искажений. Неполное не содержит ложных утверждений, но пропускает важную для выбора часть. Ошибочное приписывает компании чужую услугу, неверную аудиторию, географию или другое свойство, способное повлиять на решение клиента.
Не каждое расхождение одинаково важно. Нейросеть может пересказать текст другими словами — это нормально. Проблема начинается там, где меняется деловой смысл. Например, отсутствие второстепенной функции обычно менее критично, чем утверждение о работе с сегментом, который компания не обслуживает.
Если обнаружена ошибка, полезно посмотреть, откуда она могла появиться. Причиной бывает устаревшая страница сайта, старая карточка в каталоге, публикация партнёра или неоднозначное описание услуги. Исправлять в таком случае нужно информационный след компании, а не пытаться воздействовать на отдельный ответ.
Окончательную оценку должен давать человек, который понимает продукт и границы обещаний. Автоматический поиск совпадений помогает обрабатывать результаты, но не всегда отличает допустимое сокращение от фактического искажения.
Можно ли связать упоминания в AI-поиске с обращениями?
Частично — да, но без обещания точной атрибуции каждой заявки. Пользователь может впервые увидеть бренд в ответе нейросети, затем найти сайт через обычный поиск, вернуться напрямую через несколько дней и только потом написать. Система аналитики, скорее всего, покажет последний заметный переход, а не первое знакомство.
Начать стоит с наблюдаемых сигналов: переходов из AI-сервисов, посещений упоминаемых страниц, заявок, звонков и обращений в мессенджерах. В форме или разговоре менеджер может уточнить, откуда человек узнал о компании. Ответы «увидел в ChatGPT», «посоветовала нейросеть» или «нашёл через AI-поиск» лучше сохранять отдельной категорией.
Метки в ссылках полезны, когда компания управляет адресом и AI передаёт его без изменений. Но строить учёт только на них нельзя. Система может показать обычную ссылку, назвать бренд без адреса или побудить человека искать компанию отдельно.
Поэтому я смотрел бы на сочетание признаков. Стало ли больше релевантных упоминаний? Появились ли заметные переходы с AI-площадок? Чаще ли клиенты называют нейросеть источником знакомства? Возникают ли обращения по темам, где бренд начал появляться в ответах? Совпадение этих изменений не доказывает прямую причинную связь, зато даёт более честную основу для оценки, чем попытка назначить каждому упоминанию условную конверсию.
Через какой период имеет смысл сравнивать результаты?
Универсального срока здесь нет. Он зависит от того, как часто компания обновляет свои материалы, появляются ли новые внешние публикации и насколько изменчивы проверяемые AI-системы. Поэтому правильнее назначить постоянный ритм замеров и оценивать несколько последовательных циклов, а не ждать заранее выбранную дату.
Сравнение имеет смысл только при одинаковой методике: те же вопросы, сервисы, настройки и правила разметки. Изменения в самой модели или способе поиска тоже нужно отмечать. Иначе рост или падение можно ошибочно приписать продвижению, хотя причиной стало обновление AI-системы.
Отдельный ответ ничего не доказывает. Устойчивым сигналом можно считать изменение, которое повторяется в разных формулировках и сохраняется в следующих замерах. Чем реже меняется информационное поле компании, тем меньше пользы от частых проверок: они покажут главным образом колебания ответов.
Для первого шага выберите небольшой набор вопросов, которые действительно задают ваши клиенты, сохраните ответы и разметьте их по единым правилам. Затем повторите проверку тем же способом. Если сравнение помогает увидеть уместность упоминаний, фактические ошибки, используемые источники и связь с реальными обращениями, такой способ оценки применим к вашему процессу.