neuropushСамая частая ошибка при самостоятельной проверке — задать модели один вопрос в стиле «расскажи о компании [название]» и сделать вывод по одному ответу. Это не проверка видимости, это проверка того, знает ли модель конкретно ваше название бренда. Видимость — про другое: называет ли модель вас, когда пользователь не знает о вашем существовании и формулирует запрос через свою проблему, а не через ваше имя.
Шаг 1. Соберите запросы так, как их формулирует не-клиент
Не «расскажи про [бренд]», а то, как реально ищут решение в категории: «какой сервис выбрать для X», «сравнение X и Y», «лучшие инструменты для Z», «как решить проблему N». 10–15 таких формулировок — достаточно для первого прохода. Формулировки должны быть максимально приближены к тому, как пишет реальный человек с проблемой, а не маркетолог с брифом.
Шаг 2. Прогоните один и тот же набор через несколько моделей
Минимум: ChatGPT (с включённым поиском и без), Perplexity, и — если аудитория российская — YandexGPT/Алиса и GigaChat. Модели с браузингом и без него работают по разным механикам (подробнее — в разборе как ChatGPT и Perplexity выбирают, кого цитировать), поэтому результат по одной модели не показывает картину целиком.
Шаг 3. Фиксируйте не только «да/нет», но и контекст
Для каждого ответа полезно записать: упомянут ли бренд вообще; на каком месте среди перечисленных вариантов; процитирован ли источник и какой; какая тональность упоминания. Бинарного «да/нет» недостаточно — быть третьим в списке из пяти конкурентов и быть единственным названным вариантом — разные по силе результаты.
Шаг 4. Повторите через несколько дней
Один замер — это снимок момента, а не тренд: ответ на один и тот же запрос может отличаться от раза к разу из-за вариативности генерации, обновлений весов модели или изменений в поисковом индексе. Разовая проверка почти ничего не говорит — смысл появляется только у ряда замеров через равные интервалы. Мы называем этот показатель AI Mention Rate и меряем его именно как динамику, а не разовое число.
Что делать, если модель упоминает бренд негативно или с ошибкой
На практике это одна из самых частых проблем: модель не просто молчит, а активно галлюцинирует — приписывает бренду несуществующие функции, указывает неверные цены, утверждает, что сервис закрыт, или даёт негативную оценку без оснований. Прямого способа «удалить» такую галлюцинацию из ответа модели не существует. Вы не можете написать в техподдержку ChatGPT или YandexGPT с просьбой исправить конкретный ответ — модели не хранят ответы, а генерируют их заново каждый раз. Зато вы можете повысить вероятность корректного ответа, работая с источниками, на которые модель опирается.
Первый шаг — найти источник, из которого модель могла взять неверную информацию. Если модель с браузингом ссылается на конкретную страницу — проверьте её. Ошибка часто лежит в устаревшем пресс-релизе, форуме с непроверенным отзывом или странице конкурента с некорректной сравнительной таблицей. Если модель без браузинга выдаёт фактические ошибки — это, скорее всего, галлюцинация, основанная на общих паттернах в обучающих данных.
Что можно сделать:
- Опубликуйте актуальную информацию на вашем официальном сайте. Если модель ошибается в цене — убедитесь, что на странице тарифов стоит чёткая, однозначная версия без устаревших блоков. Если модель пишет, что функция недоступна, — вынесите её описание в отдельный материал на сайте.
- Разместите опровержение на авторитетных внешних площадках. Модели с браузингом чаще цитируют независимые СМИ, отраслевые блоги и вики-страницы. Если ошибка массовая (например, модель перепутала ваш продукт с конкурентом), имеет смысл опубликовать заметку на VC, Habr или в профильном издании с чётким изложением фактов. Важно: текст должен быть структурирован, содержать даты и ссылки на первоисточники — это облегчает модели его выбор при ранжировании.
- Используйте schema.org-разметку для структурирования фактов. Для моделей, которые умеют парсить семантическую разметку (что особенно актуально для YandexGPT и GigaChat), корректная микроразметка Organization, Product, FAQ может повлиять на точность извлечения данных.
- Обновите устаревшие страницы, которые модель могла запомнить. Если на сайте есть старый пресс-релиз с ошибочными данными — удалите его или поставьте на него редирект на актуальную версию. Для моделей без браузинга источником может быть любая страница, проиндексированная до даты среза обучающих данных.
Важный нюанс: даже после всех действий некорректный ответ может повторяться, особенно у моделей без браузинга. Вы не управляете тем, какие веса модель присвоила разным источникам в процессе обучения. Речь идёт о повышении вероятности — не о гарантии. Регулярный мониторинг с фиксацией контекста (см. Шаг 3) покажет, уменьшилась ли доля негативных или ошибочных упоминаний после ваших изменений.
Конкурентный анализ: кого модель называет вместо вас
Когда вы прогнали запросы из Шага 1 и получили список упомянутых брендов, естественный следующий вопрос: почему модель выбрала их, а не вас? Ответ даёт не догадка, а анализ трёх факторов: структуры контента конкурента, его свежести и представленности в независимых источниках.
Что именно стоит смотреть:
- Структура контента. Возьмите страницу конкурента, которую модель процитировала, и сравните с вашей. У конкурента может быть чёткая сравнительная таблица «бренд A vs бренд B» — модели с браузингом такие страницы любят, потому что из них легко извлекать структурированные данные. У вас вместо этого может быть длинное описание преимуществ без прямого сравнения. Решение — добавить на сайт страницы с форматом «как выбрать» или «сравнение инструментов», где ваш продукт фигурирует среди вариантов, но не как единственный.
- Свежесть. Проверьте дату публикации страницы-источника. Если у конкурента обновление раз в месяц, а у вас последняя статья датирована прошлым годом, модель (особенно с браузингом) выберет более свежий источник. Алгоритмы ранжирования результатов поиска, которые использует та же Perplexity, учитывают время публикации как один из факторов релевантности.
- Наличие в независимых источниках. Если конкурента регулярно упоминают в отраслевых обзорах, новостях и рейтингах, модель будет ссылаться на них, а не на ваш сайт, даже если ваш продукт объективно лучше. Проверьте: какие внешние статьи о конкуренте существуют? Есть ли у них упоминания на Википедии, в профильных каталогах или в обзорах от третьих лиц? Если да, начните с построения такого же пула ссылок — пресс-релизов, публикаций в СМИ, участия в отраслевых рейтингах.
Кроме того, полезно зафиксировать, как именно модель упоминает конкурента. Если она пишет: «лучший сервис для X — это [конкурент]», это рекомендация. Если «среди популярных вариантов — [конкурент], [другой] и [ваш бренд]», это перечисление. Разные по силе сигналы. Для конкурентного анализа используйте таблицу с колонками: запрос, модель, список брендов, порядок, ссылка на источник. Через несколько замеров вы увидите, чьё присутствие растёт, а чьё — падает.
Помните: цель конкурентного анализа — не скопировать контент чужого сайта, а выявить пробелы в своей стратегии. Если модель упорно игнорирует вас, но упоминает трёх конкурентов с одинаковой структурой контента — скорее всего, проблема в отсутствии у вас материалов, подходящих под формат, который модель предпочитает.
Когда ручной проверки перестаёт хватать
Ручной метод хорошо работает для разового ориентира, но у него есть потолок: 10–15 запросов, прогнанных вручную по нескольким моделям раз в неделю, — это уже несколько часов работы, и повторить это стабильно, без пропусков, на дистанции сложно. Именно поэтому на рынке в последний год появился отдельный класс инструментов для автоматического мониторинга упоминаний бренда в ИИ — от нишевых российских сервисов с фокусом на YandexGPT и GigaChat до более широких платформ, покрывающих сразу несколько моделей. Если задача — не разовая проверка, а постоянное отслеживание динамики, автоматизация практически неизбежна: вручную регулярный ряд наблюдений почти никто не ведёт до конца.
Быстрый вариант без ручной работы
Если нужно посмотреть на картину за 10 секунд без сбора своего набора запросов — на главной странице есть бесплатный демо-скан: вводите домен, получаете срез по нескольким моделям сразу. Это упрощённая иллюстрация методологии, а не замена полноценному замеру — но как первая точка ориентира достаточно. Для полного разбора с приоритизацией, что чинить в первую очередь, и для постоянного мониторинга без ручной рутины — это уже формат аудита и ретейнера.
Чего не стоит делать
Не стоит делать вывод по одной удачной или неудачной формулировке запроса, не стоит сравнивать модели с браузингом и без него напрямую (это разные механики, см. выше), и не стоит путать «модель знает о существовании бренда» с «модель рекомендует бренд в ответ на проблему» — это разные и не всегда связанные вещи.
Частые вопросы
Может ли модель дать негативный отзыв о бренде, если объективных причин для этого нет?
Да, это возможно из-за галлюцинаций: модель может придумать несуществующий негативный кейс или смешать данные из разных источников. Такое чаще встречается у моделей без браузинга. Для снижения вероятности — работайте над качеством и актуальностью внешних источников, которые модель может использовать.
Сколько раз нужно прогнать один запрос, чтобы получить достоверный результат?
Минимум 3-5 раз через равные промежутки времени (например, раз в 2-3 дня). Модели с вариативностью генерации (температура) могут выдавать разный ответ на один и тот же запрос. Одно выполнение — не показатель.
Поможет ли удаление негативной страницы с сайта, если модель уже запомнила информацию?
Удаление страницы помогает, если модель использует браузинг и не найдёт её в актуальном поисковом индексе. Для моделей без браузинга (например, ChatGPT без функции поиска) удаление неэффективно — они опираются на срез данных на момент обучения, который не изменить постфактум. В этом случае нужно публиковать новые источники с корректной информацией, чтобы перевесить старые веса в ответе.
Как часто нужно повторять замеры для конкурентного анализа?
Оптимально — раз в неделю для категории с высокой динамикой (новые конкуренты, обновления моделей) и раз в две недели для стабильных ниш. Меньшая частота даёт риск пропустить изменения в выдаче, особенно после обновления моделей.
Что важнее — количество упоминаний или тональность?
Тональность важнее. Одно позитивное упоминание с рекомендацией в контексте конкретного запроса стоит больше, чем пять нейтральных перечислений в списке. Фиксируйте оба параметра, но при приоритизации действий ориентируйтесь на тональность и место в списке.
Можно ли повлиять на ответ модели, если она упоминает конкурента вместо вас, но у конкурента объективно хуже характеристики?
Да, это вопрос источников. Если о конкуренте написано больше качественных статей на внешних площадках, модель выберет их. Решение — наращивать количество и качество внешних ссылок на ваш бренд: публикации в СМИ, кейсы, отраслевые обзоры. Характеристики продукта вторичны, если они не подкреплены источниками, которые модель доверяет.