Как команда AIMonitor.pro измерила видимость брендов в ИИ и зачем это бизнесу
Владельцы бизнеса, специалисты по маркетингу и бренд-директора десятилетиями опирались на стандартные метрики: долю рынка, долю голоса в медиа и позиции в поисковой выдаче. Сегодня путь клиента изменился: люди стали реже искать товары в поисковиках и чаще задавать вопросы нейросетям. Дело в том, что ИИ не просто агрегирует информацию, а выдает короткий список лучших вариантов, помогая потребителю принять решение. Если алгоритм не рекомендует продукт бренда в этом ответе, часть целевой аудитории даже не узнает о его существовании. В результате компания теряет клиента на самом раннем этапе — в момент формирования потребности.
Чтобы помочь бизнесу адаптироваться к этим изменениям, мы с командой AIMonitor.pro — платформы мониторинга видимости брендов в нейросетях — разработали новую систему координат. Мы запустили первый публичный Индекс ИИ-видимости, который показывает реальное положение компаний в генеративной выдаче, опираясь на три столпа: прозрачные данные, строгую методологию и точный результат.
Проект создан командой, которая разрабатывала ИИ-системы изнутри. CTO платформы строил ML-продукты Яндекса, включая платформу инференса LLM для Алисы и YandexGPT, а также преподаёт AI/ML в МФТИ и ШАДе. Этот опыт лежит в основе нашей архитектуры: мы применяем Deep Research подход на базе Human-in-the-Loop. Данные собираются через ИИ-агентов, проходят автоматический скоринг и ручную валидацию экспертами. Это позволяет фиксировать устойчивые паттерны, а не случайные галлюцинации нейросетей.
Зачем мы придумали индекс и почему это нужно знать бизнесу
Команда аналитиков воспроизводила поведение реальных людей, чтобы получить статистически значимые данные. База нашего исследования — более 40 тысяч запросов к нейросетям и 3,5 тысячи пользовательских сценариев. Мы сформировали профили виртуальных пользователей с разными социально-демографическими характеристиками: возрастом, интересами, уровнем дохода.
Затем задали ИИ вопросы на основе реальных задач людей и проанализировали более 4 тысяч источников, на которые алгоритмы опираются при составлении ответов. При расчёте учитывали три параметра: как часто нейросеть упоминает бренд, на какой позиции он появляется в рекомендации и в каком контексте о нём говорится. Для анализа использовали словари брендов с учётом разных вариантов написания.
Мы выбрали два рынка с принципиально разным поведением потребителей: финансовый сектор и электронику. Нам важно показать, что генеративный поиск влияет на бизнес вне зависимости от специфики продукта.
В финансовом секторе люди выбирают сложные услуги: кредиты, вклады, инвестиционное обслуживание. Клиенты оценивают финансовые риски, изучают условия договоров и планируют долгосрочное сотрудничество. В классической модели на этом рынке часто побеждают компании с большим количеством отделений и высокой исторической узнаваемостью бренда.
На рынке электроники процесс покупки устроен иначе. Люди ищут конкретное физическое устройство. Они сравнивают технические параметры, изучают опыт других пользователей и выбирают наиболее выгодную цену. Цикл сделки здесь значительно короче, а выбор покупателя базируется на характеристиках товара, а не на долгосрочном доверии к компании.
Однако результаты нашего индекса показывают, что нейросети меняют правила конкуренции в обеих сферах. Привычный процесс выбора меняется, когда человек передает задачу алгоритму.
В банковском секторе ИИ самостоятельно сравнивает процентные ставки, комиссии и условия обслуживания. Алгоритм опирается на цифры, поэтому не может порекомендовать нишевого игрока с невыгодным предложением, если у банков-гигантов оффер будет лучше. В категории электроники нейросеть избавляет человека от необходимости читать десятки обзоров и сравнивать таблицы характеристик. ИИ сам анализирует тексты в сети и сразу выдает короткий список моделей, которые лучше всего подходят под запрос пользователя.
С помощью индекса мы определили, что лидерство в классическом маркетинге больше не гарантирует первые места в рекомендациях нейросетей. Компании могут занимать лидирующие позиции по телевизионной и наружной рекламе, но при этом полностью выпадать из генеративной выдачи, уступая клиентов более технологичным конкурентам.
Подробнее о банках. Спойлер: лидерство зависит от нейросети и возраста клиента
Финансовые продукты требуют точного расчета. Пользователи часто просят ИИ найти самый выгодный вклад или подобрать кредитную карту с лучшими условиями. На первый взгляд, по общему показателю Visibility лидирует Сбер (26,7%). За ним идут Т-Банк (19,1%), ВТБ (17,9%), Альфа-Банк (14,8%) и Открытие (5,4%). Но если разобрать данные по отдельным сценариям, классическая картина рынка разрушается.
Генеративные модели дают разные рекомендации. Каждая нейросеть обучается на своих массивах данных, поэтому бизнесу важно отслеживать разные платформы. В Алисе AI Сбер получает 41,3% упоминаний. В зарубежных моделях разрыв между банками сокращается. В ChatGPT по показателю Share of Voice Сбер получает 28,3%, а Т-Банк — 20,4%. В DeepSeek результаты конкурентов практически равны: 23,1% у Т-Банка против 18,8% у Сбера.
Нейросети разделяют банки по продуктам. Анализ Ranking показывает, что ИИ не рекомендует один банк для всех задач. В сценариях по поиску вкладов алгоритмы отдают предпочтение Сберу (31,1%). Однако в высокомаржинальном сегменте кредитов и займов ИИ чаще рекомендует Т-Банк (23%), отодвигая Сбер на второе место (22,2%). Это означает, что банки уступают конкурентам конкретные продуктовые ниши.
ИИ по-разному отвечает людям разного возраста. Алгоритмы учитывают профиль пользователя. Для людей старше 50 лет ИИ стабильно рекомендует Сбер (31,1%) и ВТБ (19,7%). Но для молодой аудитории 18–25 лет нейросети показывают Сбер и Т-Банк почти на одном уровне (25,1% и 23,4%). Компании, которые сейчас упускают высокие позиции в выдаче для молодежи, через несколько лет рискуют потерять активных заемщиков.
Подробнее об электронике, где ИИ выбирает товары по узким категориям
В сегменте электроники маркетологи привыкли продвигать силу бренда целиком. Однако результаты индекса показывают, что такой подход в генеративном поиске работает хуже. По общему показателю Visibility лидируют Apple (21%) и Samsung (19,2%). Дальше идут Xiaomi (14,5%), Huawei (12,0%) и Lenovo (6,5%). Однако при детальном поиске нейросети оценивают не бренд, а конкретную категорию товара.
Фокус на специализации. Когда пользователь просит подобрать смартфон, высокий Ranking получают Samsung (24,3%) или Xiaomi (20,3%). Доля Apple в этой категории составляет только 12%. Но картина полностью меняется в категории наушников, где Apple получает более 25% всех рекомендаций. Брендам важно понимать, в каких именно категориях они проигрывают конкурентам, чтобы корректировать свои данные в сети.
Алгоритмы управляют трафиком ритейлеров. Помимо самих товаров, ИИ напрямую влияет на то, в каком магазине пользователь совершит покупку. Среди ритейлеров основную долю Share of Voice забирают М.Видео (18,9%) и Ozon (17,8%). За ними идут Яндекс Маркет (15,1%), DNS (14,5%) и Эльдорадо (13,1%). Алгоритмы адаптируются под запрос: геймерам и людям 25–45 лет они чаще рекомендуют М.Видео, а создателям контента и блогерам советуют заказывать технику на Ozon. Ритейлерам необходимо контролировать метрику Coverage, чтобы ИИ получал актуальную информацию об их ассортименте и условиях доставки.
Почему мы открываем эти данные рынку
Индекс показывает, что алгоритмы стали полноценным каналом продаж, который работает автономно от классической рекламы. Управление показателями видимости в нейросетях становится обязательной частью стратегии для бизнеса, который хочет сохранить клиентов.
Анализируя генеративную выдачу, мы видим, как меняются правила игры. ИИ агрегирует медиапространство по критериям авторитетности источников, а не по охвату в платных каналах. Это смещает логику влияния на видимость бренда: важно не только где и сколько о вас говорят, но и кто говорит и в каком контексте. Видимость в ИИ напрямую определяется пулом источников, на которые опирается нейросеть, что делает работу с ними отдельным стратегическим направлением.
При этом нейросети обновляют знания медленнее, чем меняется рынок. Из-за этого бренды с историей могут сохранять высокую видимость даже после реструктуризации, что создает для бизнеса новые риски и возможности. А в некоторых нишах, например в электронике, ИИ и вовсе формирует двойной выбор: какой бренд купить и в каком магазине. Это два независимых конкурентных рынка с разными лидерами и стратегиями продвижения.
Мы публикуем эти выводы и данные открыто, так как хотим сформировать новый индустриальный стандарт работы с генеративной выдачей. Продвижение в ИИ — новое направление, и на рынке пока нет единого понимания, как оценивать его эффективность. Нам важно выстроить профессиональный диалог с практикующими специалистами: владельцами бизнеса, директорами по маркетингу и PR.
Ваш реальный опыт работы с нейросетями и оценка наших данных помогут сделать инструменты платформы AIMonitor.pro полезнее для всего рынка. Расскажите, как вы адаптируете маркетинговые стратегии под генеративный поиск? Как вы измеряете результаты присутствия в ИИ и с какими трудностями сталкиваетесь, когда алгоритмы игнорируют продукты?
Поделитесь своим опытом в комментариях.