Маркетинг долгое время существовал в парадигме «поиск → сайт → конверсия». Пользователь формулировал запрос, получал список ссылок и дальше самостоятельно принимал решение, кого выбрать. Генеративные нейросети меняют саму архитектуру этого процесса.
Теперь между пользователем и рынком появляется интерпретатор — модель, которая не просто находит информацию, а агрегирует, сравнивает и выдает готовое решение. Фактически ИИ берет на себя роль медиатора доверия: он сокращает неопределенность и предлагает заранее отобранный набор вариантов.
Это фундаментальный сдвиг. В отличие от классического поиска, где пользователь видит десятки вариантов, генеративные системы, как правило, формируют короткий список рекомендаций. На практике это несколько брендов, которые и задают рамку выбора. Масштаб этого перехода подтверждают и данные: аудитория ИИ-сервисов уже превысила миллиард пользователей, а сами нейросети начинают забирать часть поисковых сценариев, оставляя сайты вне цепочки взаимодействия.
Классический digital-маркетинг строится на измерении действий пользователя: показ, клик, переход, конверсия. Но в генеративной модели значимая часть выбора происходит до действия — внутри ответа нейросети.
С точки зрения теории это можно описать как сдвиг точки принятия решения вверх по воронке. Если раньше пользователь сначала взаимодействовал с каналом, а затем выбирал бренд, то теперь выбор часто происходит еще до взаимодействия с брендом как таковым.
Это делает традиционные метрики неполными. Они фиксируют уже «остаточное поведение» — тех пользователей, которые не ограничились ответом ИИ и пошли дальше. Но не показывают, сколько потенциальных клиентов бренд потерял, не попав в рекомендации.
Отсюда возникает потребность в новой системе измерения — не поведения пользователя, а поведения самой нейросети как участника рынка.
Чтобы помочь бизнесу адаптироваться к этим изменениям, мы с командой AIMonitor.pro разработали новую систему координат. По сути, речь идет о попытке зафиксировать и измерить то, что раньше считалось «черным ящиком» — логику рекомендаций ИИ.
Мы запустили первый публичный Индекс ИИ-видимости, который показывает реальное положение компаний в генеративной выдаче. В его основе — три принципа: прозрачные данные, строгая методология и воспроизводимый результат.
Этот подход во многом вырос из инженерного бэкграунда команды. Платформа создавалась людьми, которые работали с ИИ-системами изнутри: в частности, CTO проекта участвовал в разработке ML-продуктов Яндекс, включая инфраструктуру инференса для LLM и продукты уровня Алисы и YandexGPT, а также преподает AI/ML в МФТИ и ШАД.
Это определило архитектуру решения. В основе лежит подход Deep Research с использованием Human-in-the-Loop: данные собираются через ИИ-агентов, проходят автоматический скоринг и затем верифицируются экспертами. Такой контур позволяет отсекать случайные «галлюцинации» моделей и фиксировать устойчивые закономерности — именно те, которые влияют на рынок.
Как ИИ на самом деле формирует рынок
Если рассматривать генеративные модели с точки зрения экономики внимания, они выступают как новый тип агрегатора — только не ссылок, а смыслов. Они формируют ответ, опираясь на вероятностную модель релевантности: какой бренд с наибольшей вероятностью решает задачу пользователя в данном контексте. Именно поэтому рынок в ИИ оказывается «нелинейным».
Исследования, проведенные с использованием платформ мониторинга генеративной выдачи, включают десятки тысяч запросов, тысячи сценариев и тысячи источников. Такой объем данных позволяет перейти от единичных наблюдений к статистически значимой картине.
Например, в банковском исследовании было проанализировано более 40 тысяч запросов, а в электронике — более 45 тысяч. Это дало возможность зафиксировать повторяющиеся паттерны: зависимость рекомендаций от сценария, аудитории, типа продукта и даже конкретной модели ИИ.
Согласно анализу AIMonitor.pro банковской категории, даже при наличии очевидного лидера по общей видимости — Сбер (26,7%) — распределение меняется в зависимости от сценария. В запросах про кредиты вперед выходит Т-Банк, тогда как в сберегательных продуктах лидерство остается за Сбером. Более того, разные модели, включая ChatGPT, дают разные пропорции рекомендаций. Это объясняется тем, что модель оптимизирует ответ не под «рынок», а под интент. Она сопоставляет запрос с обучающими данными, контекстом и вероятностью полезности ответа.
В электронике эта логика проявляется еще ярче. Хотя в среднем чаще рекомендуются Apple и Samsung, внутри категорий происходит постоянное перераспределение. Для смартфонов релевантность смещается в сторону Samsung и Xiaomi, для наушников — в сторону Apple. Это означает, что в генеративной среде конкуренция происходит не на уровне категории, а на уровне конкретного пользовательского вопроса. А значит, на него можно влиять.
Новые метрики: как описать поведение нейросети
Переход к генеративной среде требует переопределения самой системы метрик. Если раньше измерялось поведение пользователя, то теперь объектом анализа становится поведение модели. Здесь формируется набор показателей, который можно описать как «метрики присутствия в ответе».
Ranking отражает позицию бренда в структуре рекомендации и вероятность быть прямым советом. Visibility фиксирует частоту появления в ответах. Share of Voice переносит классическую концепцию «доли голоса» в генеративную среду. Coverage отвечает за консистентность и точность представления бренда, а Sentiment — за интерпретацию этого представления.
С теоретической точки зрения это переход от метрик взаимодействия к метрикам репрезентации: насколько и как бренд представлен в когнитивной модели ИИ.
Что влияет на рекомендации: логика моделей
Генеративные модели не индексируют интернет в классическом смысле. Они строят вероятностные связи между фактами, источниками и формулировками. Поэтому на рекомендации влияет не только наличие информации, но и ее форма.
Исследования GEO/AEO показывают, что ИИ лучше воспринимает структурированные, четкие и контекстно релевантные данные. FAQ-блоки, экспертные статьи, согласованность информации на разных площадках и наличие подтверждающих источников повышают вероятность попадания в ответ.
Это можно описать как оптимизацию под «когнитивную удобочитаемость» для модели: чем проще ИИ извлечь, проверить и встроить информацию в ответ, тем выше шанс, что бренд будет использован.
Как объяснить это CEO: экономика рекомендаций
Для бизнеса важно перевести все вышесказанное в язык влияния на выручку, говоря о появлении экономики рекомендаций, где ключевым ресурсом становится не трафик, а вероятность быть выбранным моделью.
В этой логике рост видимости в ИИ можно рассматривать как аналог доли рынка — только на уровне принятия решения. Но чтобы этот тезис не выглядел абстрактно, его важно разложить на конкретные управляемые шаги.
Во-первых, руководству нужно показать текущую ситуацию. Не в формате «мы присутствуем в ИИ», а на уровне фактов: как часто бренд появляется в ответах, в каких сценариях, для какой аудитории, с какой тональностью и рядом с какими конкурентами. Это переводит разговор из зоны гипотез в зону измеряемой реальности.
Во-вторых, важно выделить ключевые коммерческие сценарии. Не все упоминания равны по ценности. Критично, появляется ли бренд в ответах на запросы с явным намерением: «выбрать», «купить», «оформить», «сравнить». Именно здесь рекомендации напрямую влияют на спрос.
Далее — динамика. Для бизнеса важно не только текущее положение, но и его изменение. Как растет доля рекомендаций, в каких сценариях бренд усиливает позиции, где начинает обгонять конкурентов. Это уже понятная управленческая логика — рост доли.
Следующий уровень — связь с бизнес-показателями. Влияние ИИ редко проявляется напрямую, но фиксируется в ключевых метриках: рост брендовых запросов, увеличение прямого трафика, а главное — рост конверсии из знания в покупку.
Здесь важно учитывать, что рекомендации ИИ воспринимаются пользователями как более доверительный источник, чем классическая реклама. По данным исследований в США (в том числе работы университетов вроде Stanford и MIT в области human-AI trust), пользователи склонны воспринимать ответы моделей как экспертное мнение и сокращать этап самостоятельного выбора.
Это означает, что часть воронки фактически сжимается: пользователь быстрее переходит от знания к действию. Важно не пытаться доказать идеальную причинно-следственную связь, а показать устойчивую корреляцию: там, где растет присутствие в рекомендациях ИИ, растут и бизнес-метрики.
В этом контексте AIMonitor.pro формирует новый стандарт измерения: так же системно, как рынок измеряет Top of Mind или Share of Voice, появляется возможность измерять Brand Consideration в ИИ — в реальном времени, без дорогих трекинговых исследований.
И главное — это закрывает ключевые слепые зоны для CEO: почему часть спроса уходит к конкурентам без видимых причин
Это превращает ИИ из черного ящика в прозрачный канал с понятными метриками.
Наконец, принципиально важно: этим процессом можно управлять. Рекомендации нейросетей формируются не случайно — на них влияют контент, источники, полнота и согласованность информации о бренде. А значит, это не внешняя сила, а еще один канал, который можно системно развивать.
В результате разговор с CEO смещается. Не в сторону «какая у нас доля рекомендаций», а в сторону более прагматичного вопроса: работаем ли мы с каналом, который уже влияет на спрос, конверсию и перераспределяет клиентов — или оставляем его конкурентам.
Главное изменение для маркетинга
Маркетинг всегда был про управление вниманием. Теперь к этому добавляется управление интерпретацией. Бренд должен не только присутствовать в информационном поле, но и быть встроенным в вероятностную модель ИИ как «правильный ответ» на конкретный запрос. И если раньше задача звучала как «оказаться в поисковой выдаче», то теперь — оказаться внутри логики ответа.
В этой системе выигрывают те, кто умеет не просто привлекать внимание, но и становиться частью того знания, на основе которого нейросеть принимает решение.