Видимость в AI ещё не продажи: как измерять GEO после нового отчёта Google

До недавнего времени отчёты по продвижению в нейросетях напоминали наблюдение за витриной через запотевшее стекло. Компания могла вручную спросить ChatGPT, Perplexity или Gemini о своей категории, увидеть бренд в ответе и решить, что GEO работает. На следующий день ответ менялся, а объяснить руководителю, что именно принесла эта видимость, было почти невозможно.

Теперь стекло стало прозрачнее, но не исчезло. В августе 2026 года Google открыл для сайтов отдельный отчёт по генеративной выдаче: он показывает показы страниц в AI Overviews и AI Mode, динамику, страны, устройства и страницы. Это важный шаг, однако он не превращает GEO в канал с прямой атрибуцией. Отчёт отвечает на вопрос «появлялись ли ссылки на сайт», но сам по себе не доказывает, что человек заметил бренд, перешёл, оставил заявку и купил.

Поэтому измерять GEO одной цифрой нельзя. Нужна система из нескольких уровней: техническая доступность, присутствие в ответах, качество упоминания, переходы, брендовый спрос и бизнес-результат.

Согласно официальной справке Search Console, новый отчёт показывает органические показы ссылок сайта внутри поддерживаемых генеративных функций Google. В него входят AI Overviews и AI Mode; эксперименты Search Labs не учитываются. В текущей версии отчёт не раскрывает запросы и не показывает отдельную метрику кликов: на графике отображаются показы, а таблицу можно разбить по страницам, странам, датам и устройствам. Это важная граница: появление ссылки стало измеримым, но переход и коммерческий контекст из этого отчёта не видны.

Для бизнеса это даёт три полезных сигнала:

• растёт ли общее число появлений сайта в генеративной выдаче;
• какие страницы чаще становятся источниками;
• в каких странах и на каких устройствах появляется видимость.

Но в отчёте нет главного контекста: по каким именно коммерческим задачам сайт появился, как бренд был описан, оказался ли он рекомендацией или лишь справочным источником, видел ли пользователь конкурентов рядом и повлияло ли упоминание на решение. Эту часть по-прежнему приходится достраивать самостоятельно. На отчёт также распространяются обычные ограничения Search Console: таблица отдаёт до 1 000 строк, период и агрегация влияют на результат, а сумма в таблице может отличаться от графика. Поэтому выгрузки нужно датировать и сравнивать в одинаковых срезах.

Представим две компании. Первая появляется в сотнях информационных ответов вроде «что такое CRM», где её блог стоит одним из десяти источников. Вторая упоминается реже, зато в вопросах «какую CRM выбрать для отдела продаж на 30 человек» и «сравни HubSpot и альтернативы для B2B». Формально первая заметнее. Коммерчески вторая может быть намного ближе к выручке.

Та же проблема возникает при ручном мониторинге. Если каждую неделю задавать модели один и тот же вопрос из одного аккаунта, мы измерим не рынок, а один узкий сценарий. Ответ зависит от формулировки, языка, страны, истории диалога, режима поиска и текущего набора источников. Поэтому список промптов должен быть не случайным, а собранным вокруг реального пути клиента.

Подробнее о том, какие сервисы помогают отслеживать ответы разных моделей, мы писали в материале про инструменты GEO для AI-поиска. Но даже хороший мониторинг не заменяет бизнес-аналитику: он показывает присутствие, а не причинность.

Mention rate = число валидных запусков, где бренд упомянут, / общее число валидных запусков. Recommendation rate считает только ответы, в которых бренд предложен как подходящий вариант, а не назван справочно. Citation rate показывает долю запусков со ссылкой на собственный домен. Correct fact rate = число проверенных фактов, переданных без ошибки, / все проверенные факты об условиях, цене, географии, продукте и ограничениях.

Чтобы не приравнивать информационный запрос к коммерческому, можно считать взвешенный индекс. Каждому кластеру заранее назначают вес по близости к решению, а результат ответа оценивают по фиксированной шкале: 0 — бренда нет, 1 — нейтральное упоминание, 2 — источник, 3 — рекомендация, 4 — рекомендация с релевантным доказательством. Индекс = сумма «вес запроса × оценка ответа» / максимально возможную сумму. Веса нельзя менять после просмотра результата.

Отдельно показывают стабильность: в какой доле повторов результат сохранился и насколько велик разброс между запусками. Бренд, появившийся один раз из пяти, и бренд, присутствующий во всех пяти, не должны получать одинаковую оценку. Ни один из этих показателей не является продажей; они описывают качество и устойчивость видимости.

Первый и второй уровни отвечают на вопрос, может ли нейросеть нормально получить и понять информацию о компании. Третий показывает, включает ли она бренд в полезный коммерческий контекст. Четвёртый связывает это присутствие с поведением аудитории, а пятый — с экономикой бизнеса.

Уровень 1. Доступность и понятность сайта
Проверьте, индексируются ли ключевые страницы, нет ли запретов для нужных роботов, корректны ли canonical, языковые версии и структурированные данные. Файл llms.txt может помочь собрать карту приоритетных материалов для AI-систем, но он не является пропуском в рекомендации и не заменяет нормальную архитектуру сайта. Эту границу мы подробно разобрали в статье что такое llms.txt и как его создать.

Уровень 2. Присутствие в ответах
Соберите фиксированный набор запросов и разделите его по намерению: исследование проблемы, выбор подхода, сравнение поставщиков, поиск конкретной услуги, проверка репутации. Для каждого запроса отслеживайте не только наличие бренда, но и наличие ссылки, источник, соседей по выдаче и стабильность результата.

Уровень 3. Качество упоминания
Фраза «компания существует» и рекомендация «подходит для такой задачи, потому что…» имеют разную ценность. Полезно ввести простую шкалу: нейтральное упоминание, источник факта, включение в список, содержательная рекомендация, рекомендация с доказательством. Такая разметка требует ручной выборки, зато показывает, что именно меняется в восприятии бренда.

Уровень 4. Поведение и спрос
Смотрите переходы из AI-источников в аналитике, рост прямого трафика, брендовых запросов, повторных визитов и конверсий на страницах, которые получают AI-видимость. Эти сигналы несовершенны: часть систем скрывает реферер, а человек может запомнить бренд и вернуться позже. Поэтому важно смотреть на тренд, а не обещать точную атрибуцию каждого лида.

Уровень 5. Бизнес-результат
Добавьте в форму и скрипт продаж вопрос «где вы впервые узнали о нас», но не делайте его единственным источником истины. Сопоставляйте ответы с CRM, динамикой брендового спроса, географией, датами публикаций и экспериментами. Если GEO работает, изменения должны постепенно проявляться не только в графике упоминаний, но и в качестве входящих обращений.

Минимальный ежемесячный отчёт можно собрать из четырёх блоков.

1. Search Console: показы из генеративных функций Google по страницам, странам, датам и устройствам. Не смешивать их с кликами из общего Performance report.
2. Мониторинг ответов: доля запросов с брендом, доля рекомендаций, цитируемые страницы, конкуренты.
3. Веб-аналитика и спрос: AI-referral, прямой трафик, брендовые запросы, микроконверсии.
4. CRM: квалифицированные обращения, сделки, выручка и комментарии клиентов об источнике знакомства.

Такой дашборд не превращает GEO в абсолютно прозрачный performance-канал, зато защищает от двух крайностей. Первая — считать успехом любое упоминание. Вторая — объявлять канал бесполезным только потому, что переходы из AI пока невелики.

Зафиксируйте набор запросов, язык, страну, устройство, режим поиска и состояние аккаунта. Проверка из старого диалога и проверка в чистой сессии отвечают на разные вопросы: история разговора может заметно менять источники и формулировку ответа.

Каждый запрос стоит повторять несколько раз и оценивать долю появлений бренда, а не единичный удачный ответ. Отдельно отмечайте три разных события: бренд упомянут, сайт использован как источник, бренд рекомендован с понятным аргументом. Смешивать их в одну метрику «видимость» нельзя.

Храните версию набора промптов, дату проверки, модель и режим. Когда система обновится или появится новая функция поиска, старый и новый замеры останутся сопоставимыми хотя бы по методике. Без такого протокола команда рискует измерять изменение интерфейса, персонализацию или случайность выдачи.

Набор промптов должен быть стратифицирован: проблема, категория решения, сравнение подходов, выбор поставщика, конкретная услуга и проверка репутации. Внутри каждого слоя нужны реальные сегменты, географии и языки бизнеса. Тогда рост в информационных вопросах не скроет падение там, где человек уже выбирает исполнителя.

Практично разделить панель на постоянное ядро и исследовательскую часть. Ядро не меняется и отвечает за сопоставимость периодов. Исследовательская часть пополняется новыми формулировками из звонков, Search Console, переписок и вопросов sales, но её результат показывают отдельно, чтобы расширение списка не выглядело ростом видимости.

Каждый важный промпт запускают несколько раз в одинаковых условиях и сохраняют полный ответ, ссылки, модель, режим, язык, географию и состояние авторизации. Результаты ChatGPT, Gemini и Perplexity нельзя складывать в один процент без весов: у систем разные источники, аудитория и вероятность персонализации. Сначала строят отдельные срезы, затем — общий индекс с заранее зафиксированной долей каждой системы.

Допустим, в панели 10 запросов: три коммерческих с весом 3, четыре сравнительных с весом 2 и три информационных с весом 1. Каждый запрос запускаем пять раз в одной и той же модели и фиксируем 50 валидных ответов. После разметки у каждого запроса получается средний балл от 0 до 4 по заранее утверждённой шкале.

Максимум такой панели равен 80 баллам: 3 × 3 × 4 + 4 × 2 × 4 + 3 × 1 × 4. Если фактическая взвешенная сумма составила 33,5, индекс равен 33,5 / 80 × 100% = 41,9%. Это удобно для динамики, но рядом всё равно нужно показывать исходные доли: упоминания, рекомендации, прямые ссылки на сайт и ссылки на третьи источники.

Один индекс нельзя превращать в универсальный рейтинг бренда. Он описывает конкретную панель запросов, набор моделей, язык, географию и период измерения. При любом изменении этих условий начинается новая сопоставимая серия, а не продолжение старой без оговорок.

Храните полный ответ модели, дату, запрос и версию рубрики. Не менее 10–20% ответов полезно независимо разметить второму оценщику; спорные случаи разбираются до финального отчёта, а правило решения дописывается в кодбук. Так видно, где индекс отражает поведение моделей, а где — субъективность аналитика.

Отдельно проверяйте сущности с похожими названиями и дочерние бренды. Простое совпадение слова ещё не доказывает, что модель говорила о нужной компании. В отчёте также разделяйте собственный домен и сторонние источники: ссылка на сайт бренда показывает доступность первичной информации, ссылка на обзор или каталог — внешнюю цитируемость, и эти сигналы требуют разных действий.

Не скрывайте неопределённость за десятыми долями. Для каждой ключевой доли указывайте число валидных прогонов, разброс между повторами и случаи, где оценщики не согласились. Если изменение меньше обычного разброса панели, корректный вывод — «устойчивый сдвиг не подтверждён».

Начните не с покупки сервиса, а с карты спроса. Возьмите 30–50 реальных формулировок из звонков, поисковых запросов, переписок и вопросов отдела продаж. Разложите их по этапам воронки и выберите приоритетные страны и языки. Затем зафиксируйте базовую видимость в нескольких системах и отдельно выгрузите данные нового отчёта Google.

После этого проверьте страницы, которые модели уже используют. Часто это не коммерческие посадочные, а статьи, исследования, инструкции или страницы с понятными доказательствами. Задача не в том, чтобы немедленно переписать всё под нейросети, а в том, чтобы понять, какой тип контента уже заслуживает доверия и где не хватает фактуры: цен, методологии, авторства, кейсов, сравнений или ясного описания услуги.

Через две недели получится базовая точка. Она ещё не скажет, сколько денег принесло GEO, зато позволит ставить проверяемые задачи: увеличить долю содержательных рекомендаций в конкретном кластере, усилить видимость нужной страницы или добиться появления доказательства, которое сейчас модель берёт у конкурента.

Для каждой доработки нужен change log: кластер запросов, целевая страница, обнаруженный пробел, внесённое доказательство, дата публикации и запланированная дата повторного замера. Без журнала команда увидит рост видимости, но не поймёт, связан ли он с новой методологией на странице, внешней публикацией, обновлением модели или общей сезонностью.

Самый доступный дизайн проверки — поэтапный запуск. Часть сопоставимых кластеров или рынков обновляют первой, остальные временно оставляют без изменений и сравнивают динамику. Это не всегда даст чистую причинность, но значительно сильнее простого «до и после». Для заметного бюджета можно использовать географический или временной holdout, заранее зафиксировав внешние кампании и изменения спроса.

Рост AI-referral, direct и брендовых запросов после публикации остаётся корреляцией, пока нет контрольной группы. В отчёте это нужно называть сопутствующим сигналом, а не доказанной выручкой от GEO.

Успех GEO зависит от задачи. Для нового бренда первым результатом может быть появление в релевантных сравнениях. Для известной компании — рост доли рекомендаций и корректность фактов. Для e-commerce — переходы на карточки и покупки. Для B2B с длинным циклом — больше квалифицированных обращений, в которых клиент уже понимает продукт.

Правильная цель звучит не «попасть в ChatGPT», а «стать заметным и убедительным источником в тех сценариях, где клиент выбирает решение». Тогда отчёт Google становится полезной частью картины, но не всей картиной.