Не блог, а исследовательская библиотека о том, как ИИ видит бренды
Статьи, термины и метрики AI100 — от базовых понятий до диагностических исследований. Навигация по задачам, маршрутам чтения или справочнику.
25 материалов · 7 маршрутов чтения
Все материалы
Каталог материалов — 25
Найти по задаче
Практическая задача
Маршрут чтения
7 маршрутов чтения
Справочник
Словарь, метрики и схемы не прячутся внутри статей
| Материал | Тип | Уровень | Мин |
|---|---|---|---|
| Предисловие и путеводитель по обновленному корпусу ai100Как устроена исследовательская библиотека AI100: структура статей, типы материалов, уровни сложности, маршруты чтения и навигация. | Путеводитель | Введение | 4 |
| Глоссарий терминов и метрик AI100Канонический словарь всех терминов, метрик и понятий AI100. Определения, формулы и практический смысл каждого показателя. | Справочник | Введение | 8 |
| Карточка мини-исследования для базы ai100Шаблон карточки наблюдения для фиксации данных по каждому прогону AI100 — чтобы из отдельных ответов складывалась исследовательская история. | Шаблон наблюдения | Введение | 4 |
| Почему сильный бренд может быть невидим для ИИ-системОбъясняет главный парадокс: бренд может быть хорошо известен людям и одновременно плохо различим для ИИ в момент реального выбора. | Базовый текст | Введение | 7 |
| Что ИИ на самом деле «знает» о компании: внутреннее представление брендаРазбирает, как языковая модель «держит» бренд внутри себя: не как карточку с описанием, а как вероятностную сеть категорий, свойств и ассоциаций. | Базовый текст | Углубление | 7 |
| Из каких источников ИИ собирает мнение о бренде — и почему сайт не главный геройИз каких слоёв ИИ собирает мнение о бренде: собственный сайт, поисковый контекст, независимые обзоры, пользовательские площадки — и почему сайт уже не единственный арбитр. | Базовый текст | Углубление | 7 |
| Переход от поисковика к ИИ-посреднику: как меняется путь клиентаКак ИИ-посредник меняет путь клиента: выбор и сравнение всё чаще происходят до клика, а первый синтезированный ответ становится рамкой для решения. | Базовый текст | Введение | 8 |
| Что предлагает рынок для роста видимости в ИИ и где у этих подходов скрытые издержкиКарта подходов, которыми рынок пытается увеличить ИИ-видимость: что действительно помогает, а что создаёт только имитацию контроля. | Базовый текст | Углубление | 7 |
| Экономика невидимости: как компания теряет спрос еще до первого кликаКак перевести проблему ИИ-невидимости из абстрактного разговора о трафике в язык ранних экономических потерь и управляемых метрик. | Базовый текст | Введение | 7 |
| Упоминание, цитирование и влияние: три уровня присутствия бренда в ответах ИИТри уровня присутствия бренда в ИИ-ответах — упоминание, цитирование и влияние — и почему для диагностики недостаточно одной метрики. | Исследование | Углубление | 8 |
| «Пузырь ответов»: почему один и тот же бренд выглядит по-разному в ChatGPT, Google, Copilot и других системахПочему единой ИИ-видимости не существует: один и тот же бренд может заметно отличаться между ChatGPT, Google AI Overviews, Copilot и Perplexity. | Исследование | Углубление | 7 |
| Лаг обновления: как быстро ИИ-системы меняют представление о компании после новости, запуска продукта или изменения ценыПочему между изменением факта о бренде и его устойчивым появлением в машинном ответе проходит время — и как этот лаг наблюдать на практике. | Исследование | Специализация | 7 |
| Экономика доступа: обход, индексация, обучение и право бренда управлять своим присутствиемИз каких режимов складывается доступ ИИ к контенту бренда — обход, индексация, обучение, лицензирование — и почему это уже экономический вопрос. | Исследование | Специализация | 7 |
| Машиночитаемая коммерческая инфраструктура: разметка, товарные ленты данных и каталоги как язык, понятный ИИСлой данных и разметки, который делает бренд и товар понятными для машин: каталоги, товарные ленты, структурированные описания и их синхронизация. | Исследование | Специализация | 7 |
| Внешний авторитет против собственного сайта: какие источники действительно формируют право бренда быть рекомендованнымКакие внешние сигналы и независимые источники помогают бренду получить право быть рекомендованным в ответах ИИ — и почему собственный сайт без них недостаточен. | Исследование | Углубление | 7 |
| Подмена категории: как бренд проигрывает не только конкуренту, но и чужой рамке выбораКак бренд может проигрывать не конкуренту, а чужой рамке выбора: ИИ смещает задачу пользователя в другую категорию и собирает другой набор альтернатив. | Исследование | Углубление | 7 |
| SEO и ИИ-видимость: что переносится, что нет и где привычная оптимизация может навредитьЧто из классического SEO переносится в ответную ИИ-среду, что перестаёт работать и какие новые требования возникают. | Базовый текст | Введение | 7 |
| Практическая карта действий: как усилить машинную различимость брендаШесть последовательных шагов для улучшения ИИ-видимости: от проверки идентичности через пересборку языка и контура доверия к наблюдению. | Путеводитель | Углубление | 8 |
| Наблюдение из прогона: как язык сайта сделал бренд невидимым в собственной категорииНаблюдение из реального прогона AI100: бренд с сильным SEO оказался невидим для ИИ из-за разрыва между языком сайта и языком запроса. | Полевая заметка | Углубление | 4 |
| Видимость через призму языка и географииПочему один и тот же бренд выглядит по-разному в ИИ-ответах на разных языках и в разных странах — и какие практические следствия из этого вытекают. | Исследование | Углубление | 7 |
| Мультимодальная различимость: когда бренд ищут не словамиКак визуальный поиск, голосовые запросы и мультимодальные интерфейсы меняют требования к видимости бренда — и что из текстовой оптимизации переносится в мир изображений и голоса. | Исследование | Специализация | 7 |
| ChatGPT Instant Checkout: покупка без выхода из диалогаOpenAI запустила покупки прямо внутри ChatGPT — Instant Checkout. Разбор того, что изменилось и как это влияет на видимость бренда. | Апдейт | Введение | 2 |
| Когда выбирает не человек, а его агентКак меняется видимость бренда, когда между компанией и покупателем встаёт автономный ИИ-агент, который сам ищет, сравнивает и принимает решение. | Исследование | Углубление | 7 |
| Wikipedia, Wikidata и Knowledge Graph: невидимый фундамент ИИ-видимостиПочему присутствие бренда в Wikipedia, Wikidata и Knowledge Graph стало практическим рычагом ИИ-видимости — и как с этим работать. | Базовый текст | Углубление | 5 |
| Языковое поле видимости: почему один и тот же бренд живёт в разных конкурентных мирахКогда мы запустили один и тот же бренд на пяти языках, мы ожидали увидеть шум — небольшие колебания оценки. Вместо этого мы обнаружили, что при смене языка меняется не оценка бренда, а весь рынок вокруг него. | Полевая заметка | Углубление | 7 |
Каталог материалов — 25
У каждого маршрута своя логика входа: предпринимателю важнее экономика невидимости, маркетологу — источники и цитирование, техническому руководителю — данные, индексация и машиночитаемая инфраструктура.
1
С чего начать
Маршрут для первого входа в тему
2
Маршрут для предпринимателя
Рамка риска, спроса и позиции бренда
3
Маршрут для маркетолога
Источники, цитирование и прикладная диагностика
4
Маршрут для технического руководителя
Метрики, инфраструктура и контроль доступности данных
5
Маршрут для исследователя
Корпус как система наблюдений
6
Маршрут для агентства и консультанта
Методологическая опора для продажи услуг ИИ-видимости
7
Полный курс
Все 24 материала от основ до продвинутой диагностики
Понятия
Термины, которые используются в статьях и отчётах AI100. Единый словарь помогает читать исследование и сравнивать результаты.
- Машинная различимость
- Способность ИИ-системы устойчиво собрать бренд как правильную сущность в нужном сценарии. Сильнее простой узнаваемости имени.
- Функциональная видимость
- Участие бренда в реальном моменте выбора: в коротком списке, рекомендации или сравнении. Бренд может быть известен, но функционально невидим.
- Источниковый контур
- Совокупность собственных, внешних, пользовательских и структурированных источников, из которых система собирает мнение о бренде. Ключевой объект аудита.
- Упоминание
- Факт того, что имя бренда или сущность появляется в ответе. Самый слабый уровень присутствия.
- Цитирование
- Ситуация, при которой бренд или связанный с ним источник становится доказательной опорой ответа. Сильнее простого упоминания.
- Влияние
- Способность бренда задавать рамку ответа: критерии, категорию, список альтернатив, язык сравнения. Наиболее ценный и наиболее редкий уровень.
- Лаг обновления
- Запаздывание между изменением факта о бренде и его устойчивым появлением в машинном ответе. Складывается из нескольких стадий.
- Машиночитаемость
- Степень, в которой свойства бренда и товара можно надежно извлечь из структурированных и синхронизированных данных. Особенно важна для коммерческих сценариев.
- Подмена категории
- Смещение бренда в чужую рамку выбора или замену его рынка другой категорией задачи. Часто происходит до прямого сравнения брендов.
- Потеря до клика
- Недополученное участие бренда в формировании выбора еще до перехода на сайт. Новая экономическая единица анализа.
- Ответная среда
- Режим взаимодействия, при котором ИИ-система не возвращает список документов, а сразу формирует синтезированный ответ на вопрос пользователя. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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.*
Метрики отчёта
Количественные метрики, которые появляются в отчёте AI100. Веса основной оценки определяют AI Visibility Score. Диагностические веса применяются только к объяснительному слою.
Веса основной оценки
| Метрика | Доля | Описание |
|---|---|---|
| Mention Rate | 24% | Доля нейтральных сценариев, в которых бренд вообще появляется в ответе модели. Если Mention Rate низкий — модель не вспоминает бренд без прямой подсказки. Это самый базовый показатель: бренд либо существует для модели, либо нет. |
| Top-3 Rate | 14% | Как часто бренд оказывается в верхней тройке ответа, а не просто мелькает внизу списка. Высокий Top-3 при низком Top-1 означает, что бренд заметен, но не доминирует. Разница между «быть в списке» и «быть в голове списка» — это разница между видимостью и влиянием. |
| Top-1 Rate | 10% | Как часто модель называет бренд первым — делает его главным выбором. Стабильный Top-1 означает, что бренд стал дефолтной рекомендацией модели в категории. Это самый сильный сигнал доминирования. |
| Avg Position | 15% | Средневзвешенная позиция бренда по всем ответам, где он появляется. Чем ближе к 1, тем выше бренд в среднем. Полезно для отслеживания прогресса: если позиция улучшается на 0.5 между запусками — это реальный сдвиг. |
| Prompt Coverage | 14% | В какой доле всех сценариев корпуса бренд хоть раз фигурирует. Отличается от Mention Rate тем, что считает уникальные сценарии, а не отдельные ответы. Низкое покрытие = бренд виден только в одном типе вопросов. |
| Response Share | 10% | Какую долю от всех упоминаний в ответах занимает именно этот бренд. Если в категории 10 игроков и Response Share = 10%, бренд получает ровно свою долю. Выше 15% — бренд перетягивает внимание. |
| Text Share | 5% | Сколько текста в ответе модель посвящает бренду. Бренд может быть упомянут одним словом или получить развёрнутый абзац — Text Share измеряет эту разницу. Высокий Text Share при низком Mention Rate = бренд редко появляется, но когда появляется — модель говорит о нём подробно. |
| Domain Citation | 8% | Как часто модель в веб-режиме ссылается на официальный домен бренда. Это показатель того, насколько сайт полезен модели как источник. Если Domain Citation низкий, а Mention Rate высокий — модель знает бренд, но не использует его сайт. |
Веса диагностической оценки
| Метрика | Доля | Описание |
|---|---|---|
| Recommendation Rate | 30% | Доля ответов, в которых модель явно рекомендует бренд, а не просто упоминает. «Я бы рекомендовал X» и «X существует» — разные вещи. Высокий Recommendation Rate означает, что модель считает бренд достойным рекомендации, а не просто знает о нём. |
| Recommendation Strength | 25% | Насколько убедительно модель формулирует рекомендацию. «Можно посмотреть на X» и «X — лучший выбор для этой задачи» — разная сила. Этот показатель отличает вежливое упоминание от уверенной рекомендации. |
| Centrality | 20% | Является ли бренд главной темой ответа или лишь одним из пунктов списка. Высокая центральность = модель строит ответ вокруг бренда. Низкая = бренд упомянут, но ответ не о нём. |
| Positive Tone | 15% | Доля ответов с явно положительной тональностью в отношении бренда. Модель может рекомендовать нейтрально или с энтузиазмом — Positive Tone фиксирует эту разницу. Устойчиво негативный тон = проблема в восприятии бренда моделью. |
| Argument Quality | 10% | Подкрепляет ли модель свою рекомендацию конкретными аргументами или ограничивается общими словами. Качественная аргументация = модель может объяснить, почему именно этот бренд. Это самый зрелый уровень видимости. |
Исследовательские сценарии
Каждый сценарий проверяет определённый тип видимости
- Первое появление
- Пользователь впервые спрашивает о категории — без имён, без подсказок. Модель должна вспомнить бренд сама, опираясь только на внутренние знания. Это базовый тест: существует ли бренд для машины как часть категории.
- Shortlist
- Пользователь просит модель предложить несколько вариантов для сравнения. Тест показывает, попадает ли бренд в набор рассматриваемых — или модель составляет короткий список без него.
- Сравнение
- Модель сравнивает несколько решений по критериям пользователя. Тест проверяет, насколько убедительно бренд удерживает позицию при прямом сопоставлении — и какие аргументы модель находит в его пользу.
- Ранжирование
- Модель выстраивает явный рейтинг по заданным критериям. Тест показывает, какую позицию бренд занимает в иерархии и насколько стабильно он удерживается в верхней части списка.
- Доверие
- Пользователь спрашивает, можно ли доверять решению — надёжно ли, безопасно ли, проверено ли. Тест измеряет, ассоциирует ли модель бренд с надёжностью и готова ли рекомендовать его как безопасный выбор.
- Экспертность
- Модель отвечает на вопрос, требующий глубокого понимания продукта или отрасли. Тест проверяет, видит ли модель у бренда признаки экспертности — конкретные детали, специализацию, уникальные компетенции.
- Поиск по задаче
- Пользователь описывает конкретную задачу или проблему, не называя продуктов. Модель сама подбирает подходящее решение. Тест показывает, вспоминает ли модель бренд как ответ на практический запрос.
- Навигация по теме
- Пользователь изучает тему в нескольких шагах — от общих вопросов к конкретным. Тест проверяет, появляется ли бренд в ходе углубления и в каком контексте модель его упоминает.
- Агентный выбор
- ИИ-агент (автоматическая система) выбирает решение без участия человека — например, для интеграции или автоматизации. Тест моделирует ситуацию, где бренд должен быть выбран машиной для машины.