Как агентству настроить мониторинг упоминаний бренда клиента сразу в 5 LLM: пошаговый разбор

AI-поиск становится отдельным каналом, который агентствам уже нельзя игнорировать. Если агентство до сих пор отслеживает упоминания клиента только в классической выдаче и отдельных AI-модулях SEO-платформ, оно видит меньше картины.

Позиция, которую стоит оспорить: единый дашборд по нескольким LLM сразу не нужен большинству агентств, потому что аудитории ChatGPT, Gemini, Claude и Perplexity якобы почти не пересекаются. Это неверный подход. Один и тот же коммерческий запрос может давать совершенно разные ответы в разных моделях, а бренд может быть заметен в одной системе и практически отсутствовать в другой. Разрозненный мониторинг даёт ложное ощущение контроля.

Что нужно решить до первого запроса

Прежде чем открывать любой инструмент, зафиксируйте три вещи для каждого клиента: список целевых запросов (не брендовых, а категорийных, по которым клиент хочет появляться в ответах LLM), список конкурентов, которых нужно отслеживать рядом, и список LLM, которые нужно мониторить.

Для большинства глобальных B2B-клиентов разумный набор в 2026 году: ChatGPT, Gemini, Claude, Perplexity и DeepSeek. При этом лучше не привязывать методологию к конкретным версиям моделей: провайдеры регулярно меняют модели, а для агентства важнее отслеживать сам AI search surface и динамику видимости.

Без этого списка любой инструмент будет генерировать шум вместо сигнала.

Шаг 1. Выбрать платформу с нативной поддержкой нескольких LLM

Главная ошибка агентств: запускать отдельные скрипты под каждую модель и потом вручную сводить данные в Google Sheets. Это не масштабируется уже при третьем клиенте.

MentionsAPI предоставляет единый REST-эндпоинт /v1/check, который принимает запрос и возвращает результаты по нескольким AI-платформам в одном ответе. В режиме quick можно одновременно опрашивать ChatGPT, Claude, Gemini и Perplexity, а all_live дополнительно работает с Google AI Overviews, Google AI Mode и Bing Copilot. Параметры включают query, brand и providers. (⁠MentionsAPI)

Это удобно для агентств, которые хотят автоматизировать собственную отчётность через API.

RankCaster AI решает ту же задачу на уровне платформы, а не API-интеграции: агентство создаёт проект для клиента, добавляет список запросов и конкурентов и получает регулярные измерения AI visibility по нескольким LLM. Ключевое отличие такого подхода от простого счётчика упоминаний в том, что агентству нужно не только зафиксировать факт появления бренда, но и понять, в каком контексте он появляется, рядом с какими конкурентами и какие источники влияют на ответ.

Именно это меняет то, что агентство может рекомендовать клиенту.

Шаг 2. Настроить структуру проекта под агентский workflow

Для каждого клиента создайте отдельное рабочее пространство (workspace или project, в зависимости от инструмента). Внутри него разбейте запросы на три группы.

Первая группа: категорийные запросы («лучший CRM для малого бизнеса», «сервис email-рассылок для e-commerce»). Именно здесь бренд должен появляться, если GEO-стратегия работает.

Вторая группа: брендовые запросы (название компании, имена ключевых продуктов). Здесь важно отслеживать не только факт упоминания, но и контекст: что именно модель говорит о бренде, с какими оговорками и какие источники использует.

Третья группа: запросы конкурентов. Это покажет, где конкурент упоминается, а клиент нет, и даст конкретную точку для дальнейшей контентной работы.

Для первого набора не нужно сразу собирать сотни запросов. В практическом гайде MentionsAPI рекомендует начинать примерно с 20–50 запросов и разбивать их на категорийные, сравнительные и use-case запросы. (⁠MentionsAPI)

Дальше уже можно расширять набор и разделять запросы по частоте измерений: core-набор проверять чаще, расширенный — реже. Частота зависит от стоимости измерений и того, насколько быстро вам нужно видеть изменения.

Шаг 3. Выстроить отчётность, которую клиент поймёт

LLM-мониторинг проигрывает классическому SEO-отчёту в одном: клиент привык видеть позиции 1–100, а не «бренд упомянут в 3 из 5 моделей на запрос X». Задача агентства: перевести данные в метрики, которые клиент уже понимает.

Две метрики, которые удобно использовать на практике. Первая: AI Share of Voice — доля видимости бренда внутри выбранного набора запросов и AI-платформ. Вторая: Competitive Gap — разница между показателем клиента и ближайшего конкурента по тем же запросам.

Обе метрики можно считать из сырых данных любого инструмента. Важно только заранее определить методику расчёта и не смешивать в одну цифру разные типы AI-поверхностей.

Но клиенту недостаточно показать одну цифру. Ему нужно понимать, где именно он проигрывает: в каких запросах, у каких моделей и каким конкурентам.

Шаг 4. Связать мониторинг с контентным планом

Мониторинг без действия бесполезен.

Когда платформа показывает, что на запрос «лучший инструмент для автоматизации HR» клиент не упоминается ни в одной LLM, а конкурент появляется в четырёх из пяти, это конкретный сигнал для контент-команды.

Но это не означает автоматически, что нужно написать ещё одну статью.

Сначала нужно посмотреть, почему конкурент появляется. Какие страницы и источники цитируют модели? Есть ли у конкурента профильные материалы, исследования, обзоры, отраслевые публикации, Reddit, Wikipedia или другие источники, которые используются в ответах? Есть ли у клиента аналогичные сигналы?

И только после этого формируется техническое задание: новая страница, переработка существующего контента, внешний источник, PR, структурированные данные или другой сигнал, который может повлиять на AI visibility.

Это принципиальное отличие GEO от простого мониторинга. Недостаточно знать, что бренд не появляется. Нужно понять, почему его нет и что можно изменить.

Шаг 5. Масштабировать на несколько клиентов без ручного труда

Агентства, работающие с 10+ клиентами одновременно, сталкиваются с одной проблемой: настройка нового клиента занимает столько же времени, сколько первый.

Решение: шаблоны проектов.

Создайте базовый шаблон с 30–50 категорийными запросами для каждой вертикали (SaaS, e-commerce, финтех). При онбординге нового клиента копируете шаблон, заменяете бренд и конкурентов, проверяете запросы и запускаете первый baseline.

Первый результат нужен не ради красивого отчёта. Он нужен как точка отсчёта.

Дальше процесс должен выглядеть так:

мониторинг → поиск AI visibility gaps → контент и другие сигналы → повторный мониторинг.

Если агентство не выстроит этот процесс сейчас, через год ему придётся делать то же самое, но под давлением клиентов, которые уже будут ожидать AI visibility в отчётах.

И здесь возникает главное различие между GEO-инструментом и ещё одним SEO-dashboard.

Если агентство просто показывает клиенту, сколько раз его бренд упомянули ChatGPT, Gemini или Perplexity, оно продаёт мониторинг.

Если оно может показать, где бренд отсутствует, какие конкуренты его опережают, какие источники влияют на ответы и что конкретно нужно сделать, оно уже продаёт AI Visibility Marketing.

Посмотрите, как ⁠rankcaster.ai реализует мониторинг и работу с AI visibility, контентом и источниками.