Как учитывать волатильность ИИ при оценке видимости бренда

Представьте: вы делаете замер - ваш бренд есть в ответе ChatGPT. Через день повторяете тот же запрос - вас нет. Вы не знаете, что изменилось: ваш контент, алгоритм или просто случайность.

Исследование Университета Сент-Галлена (2026) на основе 45-дневного ежедневного мониторинга четырёх ИИ-поисковиков (ChatGPT, Gemini, Google AI Mode, Perplexity) показало: дневная схожесть цитируемых источников составляет в среднем всего 0,34-0,42 по метрике Jaccard.

Это означает, что около 65% источников меняется каждый день. А если учитывать порядок ранжирования (метрика Rank Biased Overlap, RBO), схожесть падает до 0,21-0,26.

Вероятностная природа больших языковых моделей делает разовые замеры принципиально ненадёжными. Как подчёркивают авторы исследования: «Наблюдения одного момента времени ненадёжны. Видимость нужно характеризовать как распределение, а не как результат в одной точке».

Традиционные SEO-метрики, где видимость была предсказуемой и стабильной, неприменимы к генеративной оптимизации поиска (GEO).

Что происходит с трафиком: данные Seer Interactive

Пока одни маркетологи борются с волатильностью, другие теряют трафик. Исследование Seer Interactive, проанализировавшее 3 119 поисковых запросов с июня 2024 по октябрь 2025, показало: появление AI Overviews снижает органический CTR на 61% (с 1.76% до 0.61%) и платный CTR на 68% (с 19.7% до 6.34%). Даже для запросов без AI Overviews органический CTR упал на 41% (с 2.74% до 1.62%).

Но есть и хорошие новости. Если ваш сайт цитируется внутри AI Overview, органический CTR на 35% выше, чем у нецитируемых конкурентов, а платный CTR - на 91% выше. Как отмечает Трейси Макдональд, руководитель разработки продуктов Seer Interactive: «Запросы, где вы процитированы, стабильно показывают лучшие результаты, чем те, где вас нет, независимо от причинно-следственной связи».

Почему ИИ-ответы так нестабильны

Причины высокой волатильности - в архитектуре LLM. В отличие от традиционных поисковиков с фиксированным индексом страниц, генеративные модели дают вероятностные ответы. Один и тот же запрос может привести к разным результатам из-за:

• Случайных факторов при генерации (temperature, top-p)
• Обновлений обучающих данных и источников, на которые опирается модель
• Контекста сессии (истории диалога, геолокации)
• Времени суток (обновление кэша, доступность API)

Как пишут авторы исследования Сент-Галлена: «Провайдеры LLM не предоставляют собственных аналитических инструментов (как Google Search Console), поэтому маркетологам приходится разрабатывать новые методологии для измерения “сигнала” на фоне “шума”».

Как измерять видимость правильно: методология

На основе исследования Сент-Галлена можно выделить три ключевых принципа:

1. Многократные замеры вместо разовых

Вместо одного замера в месяц проводите серию замеров в разные дни и в разное время. Исследователи Сент-Галлена собирали данные ежедневно в течение 45 дней по четырём вертикалям (телеком, недвижимость, спорттовары, электроника). Это позволило увидеть не случайный срез, а динамику.

2. Используйте метрики схожести

Две ключевые метрики из исследования:

• Jaccard Similarity - показывает, какая доля источников пересекается между двумя замерами. Если Jaccard = 0.40, значит только 40% источников совпадают.
• Rank Biased Overlap (RBO) с p=0,9 - учитывает не только наличие источника, но и его позицию в ответе. Топ-источники имеют бóльший вес.

Целевые показатели стабильности, по данным исследования: Jaccard >0.50 считается хорошей стабильностью, RBO >0.40 - приемлемым порядком ранжирования.

3. Характеризуйте видимость как распределение

Вместо «видимость = 42%» (среднее по всем замерам) показывайте разброс: от 30% до 55% в разные дни. Это даёт более честную картину и позволяет принимать обоснованные решения.

Практический совет: для информационных запросов, где волатильность выше, делайте 3-5 замеров в день на протяжении недели и отслеживайте медианное значение и разброс.

Что делать бизнесу: стратегия в условиях нестабильности

Исследования Сент-Галлена и Seer Interactive дают три практических вывода:

1. Смените фокус с позиции на цитирование

В мире, где 65% источников меняется ежедневно, погоня за стабильным первым местом бессмысленна. Вместо этого работайте над тем, чтобы ваш контент был структурирован так, чтобы его могли цитировать. Как отмечает Макдональд: «Фокус смещается с традиционных позиций и трафика на авторитет и видимость бренда».

2. Инвестируйте в «источники истины»

Исследование Сент-Галлена показывает: ИИ-системы чаще цитируют авторитетные источники с чёткой структурой. Создавайте страницы, которые дают прямые ответы на вопросы, используют списки и подзаголовки, содержат датированные данные и экспертные цитаты. Это повышает шансы на включение в источники, на которые опирается LLM.

3. Внедрите регулярный мониторинг

Без инструментов от провайдеров LLM вам придётся создать собственную систему мониторинга. Как минимум:

• Еженедельный аудит 10-20 ключевых запросов на предмет цитирования
• Отслеживание динамики Jaccard и RBO для вашей категории
• Сравнение с конкурентами по доле цитирования

Практический вывод

Волатильность ИИ-ответов - не баг, а фича. Вероятностная природа LLM означает, что видимость бренда никогда не будет стабильной, как в традиционном поиске. Но это не повод отказываться от GEO. Это повод пересмотреть подход к измерению.

Вместо того чтобы спрашивать «на каком мы месте?», задавайте вопросы: «какова наша доля цитирования в категории?», «как меняется наша видимость неделя к неделе?», «какие источники ИИ цитирует чаще всего?».

Как резюмируют авторы исследования Сент-Галлена: «Результаты подчёркивают необходимость повторных измерений для оценки GEO-эффективности бренда и характеризации видимости как распределения, а не результата в одной точке». Технология изменилась - должны измениться и наши метрики.

Волатильность ИИ-ответов - это не угроза, а новый контекст для конкуренции. Бренды, которые научатся измерять видимость правильно (через распределение, а не разовые замеры) и фокусироваться на цитируемости, а не на позиции, получат преимущество. 

Инструменты методологии уже существуют - и компании, которые внедрят их сегодня, смогут принимать обоснованные решения в условиях неопределённости, пока конкуренты гадают на кофейной гуще.