AI Visibility: как измеряют присутствие бренда в ответах ИИ

Поисковое поведение меняется: часть пользователей задаёт вопросы не в строку поиска, а напрямую языковым моделям. Это означает, что бренд может занимать сильные позиции в традиционной выдаче и при этом почти не появляться в ответах ChatGPT, Gemini или Claude. Для измерения этого разрыва аналитическая платформа Launchmetrics разработала метрику AI Visibility (AIV). Ниже, как она устроена, что показывает и как маркетинговым и PR-командам работать с этим инструментом.

Что такое AI Visibility и чем она отличается от традиционных метрик

AI Visibility (AIV) это показатель того, насколько часто и в каком контексте бренд появляется в ответах больших языковых моделей. Он фиксирует не позицию в поисковой выдаче, а присутствие в генерируемых текстах: когда пользователь спрашивает ИИ «какие бренды одежды стоит рассмотреть» или «что купить из люксовых часов», языковая модель формирует ответ на основе данных, на которых обучена, и источников, которым доверяет. AIV измеряет, попадает ли конкретный бренд в эти ответы и как именно он там описан.

От классического SEO-ранжирования AIV отличается принципиально. Традиционный поиск показывает список ссылок: пользователь выбирает сам. Генеративный поиск даёт готовый ответ, и если бренд в него не включён, пользователь может его не увидеть вовсе. При этом алгоритм языковой модели не раскрывает, почему один бренд упомянут, а другой нет: это зависит от того, какие источники модель считает авторитетными.

AIV разработан как дополнение к уже существующей метрике Media Impact Value (MIV), которая оценивает денежный эквивалент упоминаний бренда в заработанных медиа, публикациях, редакционных материалах, постах инфлюенсеров. Совместное использование двух показателей позволяет видеть, как традиционное медийное присутствие соотносится с присутствием в ИИ-ответах: иногда они коррелируют, иногда расходятся.

Как рассчитывается AIV Score

Платформа еженедельно формирует запросы к нескольким языковым моделям, ChatGPT, Claude, Gemini, Perplexity, и анализирует, насколько часто и в каком контексте упоминается тот или иной бренд. Результат выражается в виде доли присутствия внутри категории. Например, по данным Launchmetrics, во время Недели моды в Нью-Йорке бренд Diane von Furstenberg получил AIV-долю 9,9%, Ralph Lauren: 7,5%, Proenza Schouler: 7,1%. Это означает, что из всех упоминаний брендов категории в ответах ИИ на DVF приходилось около десяти процентов.

Важно понимать: AIV не измеряет «качество» бренда. Он фиксирует частоту и контекст появления в генерируемых ответах в конкретный период и по конкретной категории запросов. Показатель может меняться в зависимости от активности PR-команды, выхода редакционных материалов и даже от того, на каком рынке задаётся вопрос.

Различия по рынкам и городам

Языковые модели обучены на данных, которые неравномерно распределены по языкам и регионам. Бренд, широко освещённый в англоязычной прессе, будет заметнее в англоязычных ответах ChatGPT, чем в ответах на итальянском или японском. Платформа Launchmetrics охватывает десять рынков и автоматически формирует запросы на уровне категории без ручного создания промптов. Это позволяет сравнивать AIV одного бренда в разных городах и выявлять региональные разрывы: бренд может доминировать в ответах для Нью-Йорка и почти отсутствовать в ответах для Токио.

Почему PR-активность влияет на видимость в ИИ

Языковые модели при формировании ответов опираются на источники, которым присваивают высокий вес доверия. Редакционные публикации в авторитетных изданиях, независимые журналистские материалы, обзоры экспертов: всё это относится к категории earned media и составляет значительную часть данных, на которых обучены модели. Именно поэтому PR-активность напрямую влияет на то, как бренд описывается в ответах ИИ.

Исследование Muck Rack, упомянутое в аналитических материалах по теме, показывает, что подавляющее большинство ссылок, которые ИИ-системы цитируют в ответах, приходится на earned media и неплатные источники. Это меняет логику распределения маркетинговых бюджетов: инвестиции в получение качественных редакционных упоминаний теперь влияют не только на охват аудитории, но и на то, как языковая модель описывает бренд пользователю, который ни разу не открывал то издание, где вышла публикация.

Какие источники ИИ цитирует чаще всего

Для fashion-сегмента и люксовых категорий ключевыми источниками, на которые опираются языковые модели, оказываются редакционные материалы специализированных изданий, обзоры коллекций, публикации о мероприятиях и показах, а также материалы инфлюенсеров с высоким авторитетом в нише. В часовой индустрии дополнительную роль играют сообщества коллекционеров, форумы и отраслевая пресса.

Это означает, что PR-команда, которая ориентируется только на охват и количество публикаций, может упустить качественный аспект: не все источники одинаково влияют на AIV. Публикация в авторитетном нишевом издании с высоким доверием у языковых моделей может дать больший вклад в AIV, чем десяток материалов в изданиях с низким весом.

Как связаны MIV и AIV на практике

Платформа Launchmetrics связывает оба показателя в единый дашборд. Это позволяет видеть, например, что конкретное мероприятие дало высокий MIV, много публикаций с большим охватом, но слабый AIV, потому что публикации вышли в источниках, которые языковые модели цитируют редко. Или обратную ситуацию: небольшое число публикаций в нескольких авторитетных изданиях дало непропорционально высокий AIV.

Такая связка помогает PR-командам не просто считать упоминания, а понимать, какие из них работают на видимость в генеративном поиске. Это меняет критерии оценки эффективности медиа-партнёрств и выбора изданий для питчинга.

Как устроен инструментарий для мониторинга AIV

Платформа предлагает два основных дашборда. Brand Dashboard отслеживает еженедельный рейтинг бренда, нарративы, которые формируются в ответах ИИ, и динамику конкурентов. Events Dashboard позволяет оценивать влияние конкретных активаций, показов, запусков коллекций, спонсорств: сравнивая AIV до и после события.

Автоматическое формирование запросов к языковым моделям снимает необходимость вручную придумывать промпты и интерпретировать ответы: платформа делает это систематически и сопоставимо во времени. Это важно, потому что ответы языковых моделей нестабильны, одна и та же модель может давать разные ответы на похожие вопросы в разные дни. Только систематический мониторинг позволяет выявлять устойчивые паттерны, а не случайные флуктуации.

Для каких задач подходит AIV-мониторинг

• Конкурентное сравнение. Бренды получают возможность видеть не только свой AIV, но и долю конкурентов внутри категории. Если конкурент с меньшим медийным бюджетом занимает более высокую долю в ответах ИИ, это сигнал к анализу его PR-стратегии и источников, которые он использует.
• Оценка событий. Неделя моды, выставка, запуск коллекции: каждое из этих событий генерирует волну публикаций. AIV позволяет измерить, насколько эта волна повлияла на присутствие бренда в ИИ-ответах, и сравнить эффективность разных типов активаций между собой.
• Управление нарративом. Языковая модель не просто упоминает бренд, она его описывает. AIV-мониторинг показывает, какие характеристики и ассоциации модель приписывает бренду в ответах. Это позволяет выявлять расхождения между желаемым позиционированием и тем, как бренд воспринимается ИИ-системами.

Ограничения инструмента

AIV измеряет присутствие в ответах конкретных языковых моделей в конкретный момент времени. Модели обновляются, их обучающие данные меняются, и показатель может колебаться по причинам, не связанным с PR-активностью бренда. Кроме того, AIV не объясняет причинно-следственные связи напрямую: рост показателя после публикации в конкретном издании не означает, что именно эта публикация его вызвала.

Инструмент также не даёт прямого доступа к алгоритмам языковых моделей. Платформа наблюдает за выходными данными: ответами моделей, и делает выводы на основе паттернов. Это достаточно для операционных решений, но недостаточно для точного прогнозирования.

Что меняется в логике PR и контент-стратегии

Традиционная PR-стратегия оптимизировалась под охват: чем больше изданий, чем выше их аудитория, тем лучше. Логика AIV добавляет второй критерий: авторитетность источника с точки зрения языковых моделей. Эти два критерия не всегда совпадают: массовое издание с большой аудиторией может иметь меньший вес для ИИ, чем специализированный нишевый ресурс с устойчивой репутацией.

Для контент-команд это означает необходимость пересмотра подхода к собственным материалам. Пресс-релизы, статьи в корпоративном блоге, описания продуктов: всё это потенциально попадает в обучающие данные или в индекс, который языковые модели используют при поиске. Материалы, написанные ясно, фактически и структурированным образом, с чёткими утверждениями о бренде, легче интерпретируются алгоритмами. Размытые формулировки и маркетинговые клише, напротив, снижают информационную ценность текста для модели.

Отдельный вопрос: баланс между earned и owned media. Публикации в сторонних изданиях имеют более высокий вес доверия для языковых моделей, чем собственный сайт бренда. Однако собственные материалы формируют базовый информационный слой: если на сайте нет чётких и структурированных данных о бренде, редакционные публикации могут опираться на неполную или устаревшую информацию.

Применимость подхода за пределами fashion-сегмента

Launchmetrics разрабатывала AIV прежде всего для fashion, lifestyle и beauty-индустрии, опираясь на более чем десятилетний массив отраслевых данных. Однако логика измерения видимости в ответах ИИ универсальна: потребитель, который спрашивает языковую модель о выборе электроники, мебели или финансовых продуктов, сталкивается с той же механикой.

В часовой индустрии Launchmetrics уже применяет AIV для оценки присутствия брендов в контексте выставки Watches & Wonders, сопоставляя его с результатами запусков и спонсорств. Принцип тот же: потребитель может спросить ИИ о рекомендации люксовых часов ещё до посещения бутика или сайта, и то, что он услышит в ответе, формирует первичное восприятие.

Для e-commerce сегмента вопрос AIV пока менее разработан инструментально, но актуален концептуально. Интернет-магазин, который активно работает с редакционными публикациями, обзорами и экспертными материалами, формирует информационный след, который языковые модели используют при ответах на вопросы о категории. Это особенно важно для нишевых категорий, где число авторитетных источников невелико и каждая качественная публикация имеет непропорционально высокий вес.

Как применить эту информацию на практике

Если PR- или маркетинговая команда хочет начать работу с AI Visibility, первый шаг не покупка инструмента, а аудит текущего информационного следа бренда. Стоит проверить, как языковые модели описывают бренд прямо сейчас: задать несколько вопросов категорийного уровня в ChatGPT и Gemini и посмотреть, упоминается ли бренд, в каком контексте и рядом с какими конкурентами.

Второй шаг: анализ источников. Нужно выяснить, какие издания и форматы цитируются в ответах ИИ по вашей категории. Это не всегда те же издания, которые дают наибольший охват в традиционном понимании. Список авторитетных для ИИ источников стоит сопоставить с текущим медиапланом и найти расхождения.

Третий шаг: пересмотр требований к собственному контенту. Пресс-релизы, описания продуктов и статьи в блоге должны содержать чёткие фактические утверждения о бренде, категории и продукте. Языковые модели лучше интерпретируют структурированный текст с конкретными данными, чем текст с размытыми оценочными формулировками.

Четвертый шаг: установить базовые измерения до начала следующего крупного события или кампании. Без базовой линии невозможно оценить, повлияла ли активация на AIV. Даже ручной мониторинг ответов нескольких языковых моделей раз в неделю даёт больше, чем его полное отсутствие.

Пятый шаг не смешивать AIV с SEO-метриками. Это разные каналы с разной логикой. Высокий рейтинг в традиционной выдаче не гарантирует присутствия в ответах ИИ, и наоборот. Бюджеты и усилия стоит распределять с учётом обоих каналов, а не оптимизировать один за счёт другого.

Типичная ошибка: ждать быстрого результата. AIV формируется на основе накопленного информационного следа: языковые модели обновляются нечасто, и изменения в PR-стратегии отражаются в показателе с задержкой. Это долгосрочная работа, а не инструмент для быстрого роста.