240 ответов нейросети — и ни разу о вашем бизнесе: как мы это измеряем

В апреле 2026 года мы разбирали результаты проверки одной краснодарской стоматологии. Клиника работала несколько лет, держалась в топ-3 Яндекса по основным запросам, вкладывала в SEO. Хороший сайт, понятный оффер.

Мы задали ChatGPT, Perplexity, Яндексу и ещё трём нейросетям 40 вопросов от имени потенциального пациента: где сделать имплант в Краснодаре, в какой клинике ставят элайнеры, куда обратиться при кривом зубе мудрости. В сумме получилось 240 ответов.

Клиника упомянута один раз. В одном ответе. В ChatGPT. Доля упоминаний — 0,4%.

При этом конкурент встретился в ответах 25 раз как источник, а агрегатор отзывов — 85 раз.

Как именно мы это проверяем, какие метрики считаем важными и почему позиция в поиске и присутствие в AI‑ответах — разные вещи — под катом.

Почему AI‑ответы — это отдельный мир

Пользовательский сценарий меняется быстрее, чем мы успеваем это осознать. Человек всё реже вводит запрос в поисковик и кликает по ссылкам. Он открывает ChatGPT, Perplexity или голосового ассистента и спрашивает напрямую: «Где в Краснодаре хорошая стоматология?», «Какую CRM выбрать для малого бизнеса?», «Какой ломбард в городе N надёжный?»

Нейросеть даёт готовый ответ — список, рекомендацию, сравнение. Без перехода по ссылкам. Это иногда называют zero‑click сценарием, и таких запросов становится больше.

Проблема для любого бизнеса простая: нейросеть рекомендует тех, о ком «знает» — кого видела в обучающих данных, кого находит в авторитетных источниках, кого цитирует поверх органической выдачи. Позиция в поисковике и присутствие в AI‑ответе — разные вещи, и прямой корреляции между ними нет. Можно быть топ-3 в Яндексе и при этом не существовать для ChatGPT.

Отсюда новый класс задач: измерить, как нейросети отвечают на вопросы о конкретном бизнесе, и понять, что на это влияет.

Что вообще можно проверять

Тема делится на два разных направления.

Первое — содержание ответов. Задаём нейросетям вопросы от лица потенциального покупателя и смотрим: упоминается ли бренд, как часто, в каком контексте, с какой тональностью, кого цитируют рядом.

Второе — техническая доступность сайта для AI‑краулеров. Современные AI‑сервисы используют собственных ботов для обхода сайтов (например, GPTBot у OpenAI, PerplexityBot у Perplexity). Если robots.txt закрывает им доступ, или сервер начинает отдавать 429 Too Many Requests на учащённые запросы — бот просто не прочитает контент, как бы хорошо он ни был написан.

Первое направление интереснее и показательнее, поэтому дальше — в основном про него.

Как формулировать вопросы нейросети

Базовая единица замера — промпт: вопрос, который реальный человек задаёт ассистенту. Это принципиально не то же самое, что поисковый запрос.

Поисковый запрос: «стоматология Краснодар». Промпт: «Где в Краснодаре найти надёжную стоматологию для ребёнка 5 лет с опытом лечения под наркозом?»

LLM реагирует на контекст, условия задачи, формулировку — а не на плотность ключевых слов. Чем ближе вопрос к тому, как его задал бы реальный человек, тем репрезентативнее ответ.

На практике удобно покрывать каждую тематическую категорию бизнеса шестью типами вопросов:

Топ‑вопросы самые показательные: нейросети любят давать списки, и именно в них бренд либо есть, либо его нет. Проблемные вопросы закрывают мониторинг тональности — иногда единственные упоминания бренда идут именно по запросам «жалобы на X» и «проблемы с X», и это уже не видимость, а репутационный риск, который стоит отслеживать отдельно.

Зачем проверять несколько нейросетей, а не одну

Один и тот же набор вопросов имеет смысл прогонять через несколько провайдеров: ChatGPT, Perplexity, локальные LLM‑сервисы (вроде YandexGPT), AI‑обзоры Google и Яндекса, GigaChat.

Ответы заметно различаются, потому что у каждой модели свои источники и логика формирования ответа:

• Локальные и гео‑запросы — лучше работают локальные сервисы, опирающиеся на карты и справочники.

• Внешние авторитетные источники — ChatGPT и Perplexity чаще цитируют медиа, отраслевые порталы, отзовики. Чтобы попасть в их ответы, нужно присутствие именно на этих площадках, а не только качественный сайт.

• UGC и геосервисы — отдельные провайдеры растут медленнее, подтягивая данные из пользовательского контента.

Итог одного замера: число вопросов × число провайдеров = число ответов. В нашем примере со стоматологией: 40 вопросов × 6 провайдеров = 240 ответов за один прогон.

Что считать в этих данных

Доля упоминаний — главная метрика. Это процент ответов, в которых упомянут бренд:

Доля упоминаний = упоминаний бренда / всего ответов × 100

По наблюдениям из практики (апрель‑май 2026, разные ниши):

Как это читать: 8–17% — типичный старт для проекта, который раньше не работал с AI‑видимостью, это норма, а не провал. 60%+ — результат накопленного годами бренда с сильной органикой, такое не появляется за квартал работы. Ниже 4% — почти нулевая видимость, нужно сначала строить базовое присутствие, а не гнаться за процентами.

Тональность. Каждое упоминание можно оценивать по шкале, например 1–5. В норме это держится в районе 3,5–4,0. Тревожный сигнал — если единственные упоминания бренда идут по запросам вида «жалобы», «обманывают», «плохие отзывы»: это не видимость, а индикатор репутационной проблемы.

Источники цитирования. Какие домены нейросеть использует как источник в ответе. Это важнее, чем может показаться: модели редко цитируют сайт бренда напрямую — гораздо чаще цитируют агрегаторы, рейтинги и пользовательский контент.

В нише стоматологии это, например, площадки с отзывами о врачах и медицинские справочники (в одной проверке — 85 упоминаний у одной такой площадки против 2 у сайта клиента). В нише детской одежды — маркетплейсы и тематические рейтинги для родителей.

Эти площадки можно назвать «полками», на которые модель ставит свои рекомендации. Если бизнеса там нет — в ответе он тоже не появится, даже при отличном собственном сайте.

Позиция внутри списка. Когда нейросеть отвечает «лучшие стоматологии города: 1. …, 2. …, 3. …» — важна не только сама строка в списке, но и её порядок. Это тоже можно отслеживать в динамике.

Почему общие вопросы не показывают рост

Один из самых наглядных наблюдений — из проверки бренда детской одежды. Набор вопросов состоял из общих формулировок вроде «магазин детской одежды в [городе]». Результат предсказуем: нейросеть стабильно называла крупные федеральные сети и маркетплейсы. Доля упоминаний бренда — 8,8%.

Вывод: общие вопросы хорошо показывают силу бренда, но плохо показывают управляемый рост. Против федеральной сети в широком запросе выиграть почти невозможно — у неё накопленная узнаваемость и тысячи упоминаний в источниках.

Рабочее решение — добавить категорийный слой вопросов: не общий запрос про «детскую одежду», а конкретные направления (зимняя одежда, термобельё, обувь определённого типа и так далее), каждое — снова в шести вариантах формулировок. В узких категориях конкуренция ниже, а ответ нейросети предсказуемее и управляемее.

Техническая доступность: как боты вообще видят сайт

Параллельно с содержанием ответов стоит проверять, может ли AI‑краулер вообще дойти до контента. Типичные точки проверки:

• robots.txt — не заблокированы ли явно известные AI‑агенты;

• коды ответа сервера — не возвращает ли он ошибки при частых запросах от ботов (AI‑краулеры могут обращаться к сайту иначе, чем привычные поисковые роботы);

• наличие машиночитаемой версии контента (например, упрощённого Markdown рядом с HTML) — это снижает шум при обработке страницы языковой моделью.

Частая ошибка: компания закрывает доступ AI‑ботам в robots.txt, считая это защитой контента от «обкрадывания». На практике эффект обратный — модель перестаёт видеть сайт вообще, и доля упоминаний бренда падает, а владелец не понимает почему.

Что в итоге даёт такой замер

Замер сам по себе — не цель, а отправная точка. Дальше логика простая:

1. Видно, по каким темам и у каких провайдеров бренд отсутствует.

2. Видно, какие сторонние источники нейросети цитируют чаще — туда нужно физически «попасть» (отзывы, упоминания, профили).

3. Видно, есть ли проблема с тональностью, которую нужно решать отдельно от вопроса видимости.

4. После правок на сайте и внешних площадках имеет смысл повторить замер через одну‑две недели — иначе невозможно понять, сработали ли изменения.

Цикл получается такой: вопросы → мультипровайдерный замер → метрики → правки → повторный замер → новая итерация. Без повтора всё превращается в разовый аудит, который быстро теряет актуальность — модели и их источники обновляются постоянно.

Что реально влияет на видимость в AI‑ответах

Несколько наблюдений, которые подтверждаются на практике и в открытых исследованиях:

• Решенческий контент (конкретный вопрос → конкретный практический ответ) цитируется чаще, чем общие описательные тексты.

• Фактура — цитаты, статистика, конкретные цифры — заметно повышает шанс, что текст процитируют.

• Длинные и подробные материалы цитируются чаще поверхностных.

• Ссылочная масса и доверие к домену остаются фундаментом: модели чаще опираются на источники, которые уже авторитетны в классическом поиске.

• AI‑обзоры в поисковиках в большинстве случаев берут источники из топ-20 органической выдачи — то есть классическое SEO не отменяется, а становится фундаментом для AI‑видимости.

• Корректная микроразметка (например, FAQ‑разметка) повышает шанс структурированного понимания страницы и попадания в готовый AI‑ответ.

Вместо вывода

AI‑ассистенты быстро становятся новым «сарафанным радио» в интернете — только устроенным иначе и куда более масштабируемым. Пользователь спрашивает нейросеть, нейросеть отвечает конкретной рекомендацией. Если бренда нет в этом ответе — для пользователя его как будто не существует, независимо от позиций в обычном поиске.

Стоматология с долей упоминаний 0,4% — не исключение и не провал конкретной компании. Это типичная ситуация для бизнеса, который пока не смотрел на эту сторону своей видимости. Полезно начать с простого: задать нейросетям реальные вопросы своих клиентов и честно посмотреть, что они отвечают.

Антон Коченевский, занимаюсь GEO/AI‑видимостью в Semantica AI