Как измерить ИИ-видимость с помощью блогов

Меня зовут Игорь Новиков. Я сооснователь агентства «Звонко» по продвижению брендов в нейросетях, изучаю AIO и GEO. 

Каждый SEO-специалист может назвать позицию клиента по ключевым запросам в Яндексе и Google. Но задайте вопрос: «Если спросить ChatGPT про вашу нишу, то будет ли он упоминать бренд?» — и вместо ответа, вероятнее всего, повиснет пауза.  

Так происходит, потому что раньше рейтинги строились по позициям в выдаче, а не по тому, что говорит модель, когда её спрашивают. Сейчас важно изучать механику нейросетей. Чтобы лучше понять, как работают ИИ-ответы, я провёл эксперимент, о котором и рассказываю в статье. 

Суть эксперимента 

За основу для оценки ИИ-видимости я выбрал не названия брендов клиентов (там слишком много переменных: репутация бренда, возраст, PR-бюджет и т. д.), а Телеграм-каналы.

Телеграм — закрытая экосистема, потому что: 

• у него нет открытого API для индексации;

• поисковые краулеры (включая тех, что кормят LLM) не заходят внутрь каналов;

• сообщения не индексируются как обычные веб-страницы.

Всё вышеперечисленное подтверждает сам мессенджер в описании приватности.

Переменная «площадка индексируется» у всех участников изначально равна нулю (выше объяснил почему), а видимость всё равно разная — значит, эту разницу создаёт что‑то другое, и это что‑то можно назвать и измерить.

Как я считал, кого знает нейросеть 

Я специально не усложнял метод, чтобы его можно было повторить руками на любом бренде.

Вместе с командой прогнал через ИИ 21 авторский Телеграм‑канал. Задал пяти моделям (ChatGPT, Claude, Perplexity, Gemini и Алисе) нейтральные вопросы без прямого упоминания канала: 

• Расскажи про [название]

• Кто ведёт канал [автор]

• Посоветуй каналы про нейросети

По каждому ответу зафиксировал два сигнала:

«Узнаёт» (0,7) — нейросеть узнаёт канал по названию или по имени автора (если модель хотя бы по одному признаку верно описывает канал, засчитывал). Это единственная метрика с большим разбросом. Одни каналы ИИ верно опознаёт, другие путает с посторонним понятием. Именно этот показатель определяет рейтинг, поэтому основной вес у него.

«Рекомендует сам» (0,3) — всплывает ли канал без наводки в ответ на общий вопрос «Посоветуй каналы про ИИ». Эта метрика — концептуально самый чистый сигнал видимости (нейросеть назвала канал без подсказки), но редкий: у большинства он равен 0. Если придать ему главное значение, рейтинг превратится в ситуацию, где почти все каналы получат 0. 

То есть переменные из формулы рассчитываются так: 

• «Узнаёт» = лучший результат из двух проверок (по названию / по автору) по шкале от 0 до 100. 

• «Рекомендует сам» = доля нейтральных ответов, где ИИ назвал канал по своей инициативе (20% и выше = 100).

Средний индекс по 21 каналу получился 58,1 из 100, разрыв между лидером и аутсайдером — почти шестикратный.

Выводы 

Видимость определяет не размер аудитории, а след вне площадки

Причина в одном: индекс видимости — это плотность внешнего следа, а не размер аудитории.

Лидер эксперимента — @ai_newz, Телеграм‑канал бывшего исследователя GenAI в Meta* (организация запрещена в РФ) Артёма Санакоева. Он набрал 88 баллов. Да, у автора много подписчиков (95 тыс.). Но у этого человека также обширная публичная биография и многочисленные упоминания в СМИ, то есть его профессиональный след существовал задолго до создания канала. 

Посмотрите на таблицу: там, где автор известен только внутри своей аудитории и почти не наследил снаружи, индекс видимости низкий вне зависимости от числа читателей.

К такому же выводу приходит Evertune AI Brand Index (2025) — одна из первых методологий, системно измеряющих присутствие брендов в ответах LLM. Оказалось, что видимость в ИИ‑выдаче почти не зависит от того, насколько бренд крупный в офлайн‑пространстве. Куда сильнее на узнаваемость влияет то, как часто о нём пишут в интернете со ссылками на источники.

Нейросеть путает автора с однофамильцем, а бренд — с омонимом

Например, вместе с командой я вводил в нейросеть канал @sburyi («Бурый») — и модели путали его с медведем, врачом или комментатором. 

Канал @complete_ai (автор Андрей Кузнецов) страдал от того же: фамилия распространённая — и модели чаще вспоминали актёра или политика. У @oulenspiegel_channel (Сергея Маркова) та же история с однофамильцем‑политологом. 

Редкие фамилии узнавались безошибочно: Санакоев, Доброкотов однозначно указывали на конкретного человека.

Название работало так же: @strangedalle долго узнавался (3 из 100), пока мы не поняли, что моделям он известен не по адресу, а по реальному публичному имени «Ai molodca». После этого узнаваемость увеличилась до 80. 

Для LLM «имя» сущности — не то, что в адресной строке, а то, как её называют люди в текстах, которые модель когда‑то читала. Для брендов это прямая аналогия: если название — общеупотребимое словосочетание вроде Tips AI или Complete AI, модель будет отвечать про общий термин, пока рядом с именем не накопится достаточно контекстных упоминаний.

Замер не показывает сентимент 

Отсюда следует, что крупные публичные авторы заметнее просто по факту масштаба, поэтому смотреть стоит не только на «верхушку», но и на тех, кого модель путает или пропускает. 

Я планирую повторить эксперимент через квартал и отследить динамику.

«Эмоциональный отпечаток» текста: как нейросети измеряют доверие через стилистику

Как данные эксперимента помогут в SEO

Механика видимости у сайта та же, что у закрытого канала: модель узнаёт сущность по следу вокруг неё. Она считывает:

• бренд‑упоминания и PR — информацию на VC, Habr или в СМИ;

• страницу в Википедии — для этого работайте с сущностями через структурированные источники: например, Wikimedia Foundation (2024) пишет, что контент Википедии широко используется при обучении языковых моделей;

• взаимные упоминания между каналами — домен рядом с известными игроками ниши в одних текстах быстрее ассоциируется с этой нишей.

Как показывают исследование «Как устроен поиск с Алисой в 2026 году и как продвигаться в AI‑выдаче Яндекса?» (2026) и документация Google по AI‑функциям поиска (2025), генеративный ответ строится поверх обычной индексации: модель сначала находит релевантные страницы через органический поиск, а затем переформулирует факты из ТОПа.

Попадание бренда в ответ Алисы почти всегда происходит через попадание сайта в ТОП‑10 органики. 

Внешний след и citability (насколько легко контент можно извлечь и процитировать в ответе ИИ‑системы) страницы — два независимых рычага, и второй доступен SEO‑специалисту сразу, потому что ему не нужно ждать, пока о бренде напишут в СМИ.

Ещё о нейросетях 

GEO: как стать источником для ответа искусственного интеллекта

Стоит ли бизнесу вкладываться в GEO

GEO и омниканальность: как они изменили поиск и что делать специалистам