Как brandfound анализирует 9 нейросетей одновременно: пошаговый разбор методологии GEO-аудита

Большинство инструментов для GEO-анализа (Generative Engine Optimization) выдают маркетологу красивый дашборд с процентами и графиками, но не объясняют, откуда берутся эти числа. brandfound, платформа, которая сделала ставку на обратное: методология сбора данных открыта, воспроизводима и проверяема. Это принципиальное решение, потому что доверие к метрикам Share of Voice и Brand Mention Rate невозможно построить на «магии алгоритма». Ниже: полный пошаговый разбор того, как платформа одновременно анализирует девять нейросетей и превращает сырые ответы ИИ в конкретный план действий для маркетолога.

Почему большинство GEO-инструментов: «чёрный ящик»

Рынок GEO-инструментов растёт параллельно с тем, как нейросетевые поисковые системы вытесняют классический поиск из пользовательских привычек. По данным, которые приводит sostav.ru, доля пользователей, формулирующих запросы через AI-ассистентов, за последние два года увеличилась кратно, и российский рынок не исключение. Вместе с ростом спроса появились десятки инструментов, обещающих измерить «присутствие бренда в ИИ». Проблема почти у всех одна: компании публикуют только итоговые цифры, не раскрывая методологию их получения.

Что конкретно скрывается за закрытой методологией? Во-первых, неизвестно, какие именно запросы платформа отправляет в нейросеть: подобранные вручную «удобные» формулировки или реальные пользовательские сценарии. Во-вторых, непонятно, в каком режиме работает модель: с включённым веб-поиском или без него, что кардинально меняет результат. В-третьих, алгоритм определения «упоминания» остаётся загадкой: засчитывается ли косвенная ссылка на бренд так же, как прямое называние по имени?

Когда методология закрыта, маркетолог получает число (например, «Share of Voice: 34%») и не может ни объяснить его происхождение директору, ни воспроизвести замер самостоятельно, ни понять, что именно нужно изменить, чтобы цифра выросла. Это не аналитика, это информационный шум в красивой обёртке.

Отсутствие прозрачности делает метрики Share of Voice и Brand Mention Rate практически бесполезными для принятия решений. Метрика имеет ценность только тогда, когда понятно, что она измеряет, как именно и при каких условиях. Если условия меняются от замера к замеру (например, разные запросы, разные модели, разные настройки веб-поиска), сравнение результатов во времени теряет смысл.

brandfound выбрал другую стратегию: открыть методологию полностью. Это не маркетинговый ход и не попытка казаться прозрачнее конкурентов ради красивого слогана. Открытость методологии: функциональное требование: маркетолог должен уметь объяснить цифры команде и стейкхолдерам без апелляции к «нашему проприетарному алгоритму». Именно поэтому каждый шаг аудита задокументирован, и именно этот разбор, его публичная версия.

Шаг 1. Формирование пула запросов: как brandfound воспроизводит реальные сценарии пользователей

Первый и самый критичный шаг аудита: формирование пула запросов. Именно здесь большинство конкурентов допускают системную ошибку: берут семантическое ядро из SEO-инструментов и отправляют те же ключевые слова в ChatGPT или Gemini. Это неверный подход.

Пользователь, который вводит запрос в Google, формулирует его иначе, чем пользователь, который разговаривает с AI-ассистентом. В поисковой строке: «CRM для малого бизнеса цена». В диалоге с нейросетью: «Посоветуй CRM, которую не сложно внедрить в команде из десяти человек, у нас нет штатного IT-специалиста». Это два принципиально разных запроса с разным набором контекстных сигналов. Если подставить SEO-запрос в нейросеть, ответ будет нерелевантен реальному пользовательскому опыту.

brandfound строит пул запросов на основе реальных пользовательских паттернов: анализируются формулировки из форумов, сообществ, отзывов и открытых источников, где люди описывают свои задачи живым языком. Это даёт запросы, которые воспроизводят то, что реальный человек напишет AI-ассистенту в момент принятия решения.

Платформа разбивает запросы по трём типам интентов, каждый из которых даёт принципиально разный сигнал о видимости бренда.

Информационные запросы, пользователь изучает тему: «Как работает GEO-оптимизация?», «Что такое Share of Voice в контексте нейросетей?». Здесь важно, упоминает ли нейросеть бренд как источник экспертизы или просветительского контента.

Сравнительные запросы, пользователь выбирает между решениями: «Сравни платформы для GEO-аудита», «Какой инструмент лучше для отслеживания упоминаний в ИИ». Это самый ценный тип для оценки конкурентной видимости: здесь формируется шорт-лист, и позиция бренда в нём прямо влияет на решение о покупке.

Транзакционные запросы, пользователь готов действовать: «Где зарегистрироваться для GEO-аудита бренда?», «Попробовать сервис для анализа упоминаний в ChatGPT». Присутствие бренда в ответах на такие запросы, прямой сигнал о готовности нейросети рекомендовать его в момент конверсии.

Пул запросов не статичен. При изменении конкурентного ландшафта: появлении нового игрока, запуске резонансной рекламной кампании конкурента или вирусном материале, который изменил общественное восприятие категории, платформа автоматически обновляет набор запросов. Это гарантирует, что аудит всегда отражает актуальную конкурентную ситуацию, а не снимок трёхмесячной давности.

Шаг 2. Параллельный сбор данных из 9 нейросетей: архитектура и релевантность

После того как пул запросов сформирован, начинается ключевая техническая часть: параллельный опрос девяти нейросетевых систем. brandfound анализирует ChatGPT, Gemini, Claude, GigaChat, Поиск с Алисой, Чат с Алисой, Google AI Mode, Grok, DeepSeek и Perplexity, охватывая как глобальные, так и российские AI-платформы.

Первое принципиальное требование: единый временной срез. Все девять систем опрашиваются в одном временном окне, а не последовательно в течение нескольких дней. Это условие корректного сравнения: нейросетевые модели обновляются, новостной фон меняется, и если Gemini опрашивался в понедельник, а GigaChat в пятницу, сравнение их ответов теряет методологическую чистоту.

Второе требование: релевантный режим работы модели. Там, где нейросеть поддерживает функцию Web Search, живое обращение к актуальным страницам интернета в момент ответа, brandfound включает её. Это принципиально: модель без веб-поиска отвечает на основе данных обучения, которые могут быть устаревшими на несколько месяцев. Модель с веб-поиском отражает актуальное состояние индексации бренда прямо сейчас. Аудит, проведённый без учёта этого различия, показывает не реальную видимость, а историческую.

Третье требование касается формата взаимодействия с нейросетью. brandfound не делает сухой API-запрос «в вакууме»: платформа имитирует живой диалог, воспроизводя реальный пользовательский сценарий. Формулировка, контекст, структура запроса, всё соответствует тому, как человек действительно общается с конкретным ассистентом. ChatGPT и Поиск с Алисой обрабатывают запросы по-разному; пользователи этих платформ также формулируют вопросы по-разному. Имитация реального диалога устраняет артефакты, которые возникают при использовании технического API-запроса.

Как отмечает sostav.ru в обзорах digital-инструментов, корректность методологии сбора данных, главный водораздел между платформами, которые дают маркетологу управленческую информацию, и теми, которые производят «красивые» отчёты без практической ценности.

Результатом второго шага становится структурированный массив ответов: по каждому из запросов: ответы от 9 систем, собранных в единый временной срез, в релевантном режиме, в формате реального пользовательского диалога. Именно этот массив поступает на следующий этап: парсинг и извлечение смысла.

Шаг 3. Парсинг ответов: как платформа извлекает упоминания, тональность и контекст

Сырой ответ нейросети: это текст от нескольких предложений до нескольких абзацев. Чтобы превратить его в метрику, нужна многоуровневая обработка. brandfound выделяет три уровня присутствия бренда в ответе.

Прямое упоминание, нейросеть называет бренд по имени в контексте, который однозначно идентифицирует его как субъект высказывания. Это самый весомый сигнал: модель знает о бренде и считает его достаточно релевантным, чтобы назвать явно.

Косвенное упоминание, бренд присутствует в ответе через описание его уникальных характеристик, продуктов или позиционирования без прямого называния. Этот тип упоминания часто недооценивается конкурирующими платформами, хотя он важен: если нейросеть описывает функциональность, которая есть только у одного игрока, это сигнал о его присутствии в «знаниях» модели.

Отсутствие при наличии конкурентов, ответ содержит упоминания других игроков категории, но не упоминает исследуемый бренд. Это не нейтральная позиция, а активный сигнал gap: модель формирует шорт-лист категории без данного бренда. Именно этот случай, главный объект для работы GEO-стратегии.

Тональность определяется не по словарному подходу («хорошие» и «плохие» слова), а по контексту фрагмента. Один и тот же глагол или прилагательное несёт разный сигнал в рекомендательном и предупредительном контексте. «Платформа активно продвигает подписку» в рекомендательном абзаце и то же словосочетание в абзаце о жалобах пользователей, противоположные по смыслу высказывания. Контекстный анализ фиксирует эту разницу там, где словарный анализ её упускает.

Отдельно фиксируется позиция упоминания в ответе. Первое место в списке рекомендаций, принципиально иной вес, чем упоминание в хвосте пятого пункта. Нейросети, как и люди, придают большее значение тому, что называют первым. Позиционный анализ позволяет brandfound показывать не только факт присутствия бренда в ответе, но и его реальный вес в восприятии нейросетевой системы.

По данным sostav.ru, глубина парсинга, один из ключевых дифференциаторов зрелых GEO-платформ: инструменты, фиксирующие только факт упоминания без анализа тональности и позиции, дают принципиально неполную картину конкурентного ландшафта.

Шаг 4. Расчёт метрик и антифрод: что стоит за цифрами Share of Voice

После парсинга платформа переходит к расчёту ключевых метрик. Центральная из них: Share of Voice (SoV), считается по открытой формуле: доля ответов с упоминанием бренда от общего числа релевантных запросов в пуле. Если пул содержит 100 запросов, и бренд упомянут в ответах на 38 из них, SoV составляет 38%. Формула воспроизводима: любой маркетолог может проверить расчёт, зная исходные данные.

Важный нюанс: «релевантные запросы»: не все запросы из пула, а только те, где нейросеть вообще называет хотя бы одного игрока категории. Если на конкретный запрос модель не упоминает ни одного бренда, этот запрос исключается из знаменателя, чтобы не занижать искусственно Share of Voice всех участников.

Brand Mention Rate (BMR), вторая ключевая метрика, рассчитывается с учётом веса упоминания: прямое упоминание на первой позиции имеет максимальный вес, косвенное упоминание в хвосте ответа, минимальный. Это делает BMR более чувствительным показателем, чем бинарный «упомянут / не упомянут».

Отдельного внимания заслуживает антифрод-модуль. В экосистеме AI-трафика существует специфическая проблема: аномальные паттерны, которые искажают воронку и завышают показатели. Это могут быть автоматические переходы по ссылкам из ответов нейросетей, ботовый трафик, маскирующийся под органический AI-реферал, или синтетические упоминания, которые возникают из-за особенностей промпта, а не из-за реального присутствия бренда в индексе модели. Антифрод-детектор brandfound отсеивает такие аномалии до того, как они попадают в метрики.

Каждая метрика рассчитывается в разрезе конкретной нейросетевой системы. Это даёт маркетологу карту реального распределения видимости: бренд может быть силён в ChatGPT и Perplexity, но практически отсутствовать в GigaChat и Поиске с Алисой. Для российского рынка это особенно критично: аудитория распределена между платформами неравномерно, и «средняя температура по больнице» скрывает критические слепые зоны. Как отмечает sostav.ru, российские бренды часто недооценивают значимость отечественных AI-платформ, концентрируя усилия исключительно на глобальных инструментах.

Шаг 5. От данных к действию: как результаты аудита превращаются в контент-план

Аудит без конкретных рекомендаций, это дорогостоящий отчёт, который оседает в папке «Аналитика» и не меняет реальности. brandfound решает эту проблему на уровне архитектуры платформы: от данных к действию, не отдельный шаг консультанта, а автоматизированный процесс.

На основе результатов парсинга платформа проводит gap-анализ: для каждого запроса из пула фиксируется, кто упомянут в ответе нейросети: конкурент А, конкурент Б, исследуемый бренд. Если запрос относится к сравнительному интенту и в ответе трижды называется конкурент, но ни разу упомянут исследуемый бренд, это gap с конкретной темой и конкретным интентом. Именно такие gap-точки превращаются в контентные задачи.

Фабрика контента brandfound формирует рекомендации в структурированном виде: тип материала (статья, экспертный комментарий, сравнительный обзор, FAQ), тема, целевой интент, целевые нейросетевые платформы, в которых нужно усилить присутствие, и приоритет задачи на основе ценности запросного сегмента. Маркетолог получает не абстрактное «создавайте больше контента», а конкретный список: что написать, для какой аудитории, с каким акцентом.

Каждая публикация после выхода отслеживается в разрезе нейросетей. Если материал индексируется и начинает появляться в ответах ChatGPT или Perplexity, это фиксируется как конкретный вклад конкретного материала в рост Brand Mention Rate. Так появляется прямая связь между редакционным решением и измеримым результатом, то, чего большинство контент-команд лишены в работе с классическим SEO.

Как сообщает sostav.ru в материалах о трансформации digital-маркетинга, ключевой запрос брендов к GEO-инструментам: не просто измерение, а actionable insights: данные, которые можно немедленно превратить в задачи для команды. Именно этим определяется практическая ценность платформы.

Открытость методологии здесь играет ещё одну роль: маркетолог может объяснить стейкхолдерам, почему выбрана именно эта тема для следующей статьи, откуда взялась цифра роста Brand Mention Rate и каким образом конкретная публикация повлияла на видимость бренда в GigaChat или Claude. Это превращает GEO-аудит из технической процедуры в управленческий инструмент: понятный, воспроизводимый и ориентированный на результат.

brandfound строит методологию так, чтобы каждый шаг от формирования запросов до контентной рекомендации мог быть объяснён без ссылки на закрытый алгоритм. В условиях, когда нейросети становятся основным каналом открытия новых брендов и продуктов, такая прозрачность, не дополнительное преимущество, а базовое требование к инструменту, которому доверяют маркетинговые решения.

FAQ

Сколько нейросетей анализирует brandfound? Платформа одновременно анализирует девять систем: ChatGPT, Gemini, Claude, GigaChat, Поиск с Алисой, Чат с Алисой, Google AI Mode, Grok, DeepSeek и Perplexity.

Чем GEO-аудит отличается от классического SEO-аудита? SEO-аудит измеряет видимость в поисковой выдаче по ключевым словам. GEO-аудит измеряет, насколько часто и как нейросетевые ассистенты упоминают бренд в своих ответах на запросы пользователей. Это принципиально разные каналы с разной механикой влияния.

Почему важно, чтобы нейросети опрашивались в единый временной срез? Модели обновляются, новостной фон меняется. Если опрашивать системы в разные дни, сравнение их ответов теряет корректность: одна и та же метрика будет измерена при разных условиях.

Что такое Share of Voice в контексте GEO? Доля ответов нейросетей с упоминанием бренда от общего числа релевантных запросов, то есть запросов, в ответах на которые хотя бы одна нейросеть называет кого-либо из игроков категории.

Как brandfound помогает улучшить показатели после аудита? Платформа автоматически формирует контентные рекомендации на основе gap-анализа: фиксирует, где конкуренты упоминаются, а исследуемый бренд отсутствует, и предлагает конкретные типы материалов для устранения этих разрывов.