Глоссарий терминов и метрик AI100

Машинная различимость

Способность ИИ-системы устойчиво собрать бренд как правильную сущность в нужном сценарии.

Практический смысл: Сильнее простой узнаваемости имени.

Функциональная видимость

Участие бренда в реальном моменте выбора: в коротком списке, рекомендации или сравнении.

Практический смысл: Бренд может быть известен, но функционально невидим.

Источниковый контур

Совокупность собственных, внешних, пользовательских и структурированных источников, из которых система собирает мнение о бренде.

Практический смысл: Ключевой объект аудита.

Упоминание

Факт того, что имя бренда или сущность появляется в ответе.

Практический смысл: Самый слабый уровень присутствия.

Цитирование

Ситуация, при которой бренд или связанный с ним источник становится доказательной опорой ответа.

Практический смысл: Сильнее простого упоминания.

Влияние

Способность бренда задавать рамку ответа: критерии, категорию, список альтернатив, язык сравнения.

Практический смысл: Наиболее ценный и наиболее редкий уровень.

Лаг обновления

Запаздывание между изменением факта о бренде и его устойчивым появлением в машинном ответе.

Практический смысл: Складывается из нескольких стадий.

Машиночитаемость

Степень, в которой свойства бренда и товара можно надежно извлечь из структурированных и синхронизированных данных.

Практический смысл: Особенно важна для коммерческих сценариев.

Подмена категории

Смещение бренда в чужую рамку выбора или замену его рынка другой категорией задачи.

Практический смысл: Часто происходит до прямого сравнения брендов.

Потеря до клика

Недополученное участие бренда в формировании выбора еще до перехода на сайт.

Практический смысл: Новая экономическая единица анализа.

Ответная среда

Режим взаимодействия, при котором ИИ-система не возвращает список документов, а сразу формирует синтезированный ответ на вопрос пользователя.

Практический смысл: Именно в ответной среде бренд конкурирует не за позицию в выдаче, а за место внутри готового ответа.

Оптимизация для генеративных систем (GEO)

Набор практик, направленных на то, чтобы бренд чаще и точнее появлялся в ответах генеративных ИИ-систем. Отличается от классического SEO тем, что оптимизирует не позицию в списке ссылок, а участие в синтезированном ответе.

Практический смысл: Рыночный термин, который уже используется конкурентами и клиентами. Полезно знать, но важно помнить, что за аббревиатурой стоит та же задача — машинная различимость.

Оптимизация для языковых моделей (LLMO)

Синоним GEO, акцентирующий оптимизацию именно под языковые модели, а не под поисковые системы с ИИ-надстройкой.

Практический смысл: Встречается в рыночных материалах реже, чем GEO, но описывает ту же задачу.

Генерация с извлечением контекста (RAG)

Архитектурный подход, при котором языковая модель перед генерацией ответа извлекает релевантные документы из внешнего источника (веб-поиска, базы знаний, каталога) и использует их как контекст.

Практический смысл: Именно RAG объясняет, почему веб-источники и структурированные данные влияют на ответ модели в реальном времени, а не только через обучение.

Нулевой клик (zero-click)

Ситуация, при которой пользователь получает достаточный ответ прямо в интерфейсе поисковой или ответной системы и не переходит ни на один внешний сайт.

Практический смысл: В нулевом клике бренд либо участвует в формировании ответа, либо теряет контакт с пользователем полностью.

Граф знаний (Knowledge Graph)

Структурированная база сущностей и связей между ними, используемая поисковыми и ответными системами для идентификации, классификации и описания объектов реального мира.

Практический смысл: Наличие бренда в графе знаний (например, Google Knowledge Graph или Wikidata) повышает вероятность корректной идентификации сущности в ответе.

Разрешение сущности (entity disambiguation)

Способность системы отличить одну сущность от другой при совпадении или похожести названий, категорий или контекстов.

Практический смысл: Если название бренда двусмысленно или совпадает с общим понятием, модель может систематически путать его с другой сущностью.

ИИ-обзор (AI Overview)

Блок синтезированного ответа, который Google показывает над обычными результатами поиска. Генерируется ИИ-моделью на основе веб-источников.

Практический смысл: Для многих категорий AI Overview уже стал первой точкой контакта пользователя с информацией. Бренд либо попадает в этот блок, либо оказывается ниже него.

Галлюцинация (hallucination)

Ситуация, при которой языковая модель генерирует утверждение, не подкреплённое источниками или фактически неверное, но звучащее уверенно.

Практический смысл: Галлюцинация может как помочь бренду (модель «придумает» ему несуществующее достоинство), так и навредить (припишет чужой недостаток). Оба варианта опасны.

Ответный пузырь

Эффект, при котором один и тот же бренд выглядит существенно по-разному в ответах разных ИИ-систем из-за различий в обучающих данных, архитектуре извлечения и логике синтеза.

Практический смысл: Единой ИИ-видимости не существует. Диагностику нужно проводить по нескольким платформам.

Агентный выбор

Сценарий, при котором ИИ-агент самостоятельно ищет, сравнивает и принимает решение за пользователя — без промежуточного показа списка вариантов.

Практический смысл: В агентном сценарии бренд конкурирует не за внимание человека, а за машинное предпочтение. Это следующий рубеж после ответной среды.

Уверенность исследования (Confidence Grade)

Внутренняя оценка качества прогона. Рассчитывается из ширины доверительного интервала, процента сломавшихся промптов и разброса между семействами сценариев. Грейды: A (высокая) — узкий интервал, стабильный результат. B (хорошая) — надёжный результат с умеренной вариацией. C (умеренная) — заметная чувствительность к составу корпуса. D (исследовательская) — результат нестабилен, рекомендуется повторный прогон.

Практический смысл: Грейд показывает, насколько стабильно измерение. При C и ниже рекомендуется повторный прогон перед принятием решений.

Native-режим

Режим, при котором модель отвечает только из обучающих данных, без доступа к интернету. Показывает, насколько бренд закреплён в базовых знаниях модели.

Практический смысл: Если native-балл высокий — бренд уже «вшит» в модель. Если низкий — модель не знает бренд без внешних подсказок.

Web-режим

Режим, при котором модель дополнительно ищет информацию в интернете перед ответом. Показывает, насколько внешние источники усиливают или ослабляют позицию бренда.

Практический смысл: Разница между web и native показывает, помогает ли сайт и внешняя среда бренду или мешает.

Языковое поле видимости (Visibility Language Field, VLF)

Явление, при котором ИИ-модель формирует различное конкурентное окружение бренда в зависимости от языка запросов. При смене языка промптов одни конкуренты исчезают из ответов, другие появляются, ранжирование меняется радикально. Для доминантного бренда категории итоговый score колеблется умеренно, но для менее заметных конкурентов разброс может составлять десятки баллов — вплоть до полной невидимости на отдельных языках. VLF возникает из-за асимметрии обучающих данных, различий в веб-источниках и формирования отдельных ассоциативных графов для каждого языка. Модель может одинаково хорошо знать бренд на всех языках, но рекомендовать его по-разному: на одном языке ставить первым, на другом — уступать место конкуренту, который на первом языке вообще не существовал.

Практическое значение: Знание о бренде не гарантирует рекомендацию. Бренд может быть одинаково известен модели на пяти языках, но попадать в шортлист только на двух. Конкуренты тоже различаются — стратегия, работающая против одного набора соперников, может быть бесполезна на другом языке. Рекомендуется отдельное исследование на каждом языке целевого рынка.