AI-видимость — это доля AI-ответов по выбранным запросам, где бренд упомянут в основном тексте ответа.
На первый взгляд всё просто, но именно здесь появляется главная проблема: процент полностью зависит от того, какие запросы вы положили в выборку. Именно поэтому два отчета по одному бренду могут показать совершенно разные результаты.
Можно взять редкие запросы, где бренд появляется часто, и получить высокую AI-видимость. Можно взять коммерческие сценарии, где пользователь реально выбирает продукт, и увидеть, что бренд почти не появляется.
Оба результата будут корректными, но только один будет полезен для бизнеса.
Поэтому наш главный вопрос звучит не так:
«Какой у нас процент AI-видимости?».
Он звучит иначе:
«Мы точно есть в момент выбора?»
В рамках этого материала попробуем разобраться, как сформировать наиболее релевантные запросы для мониторинга AI-видимости.
Поиск и AI-ассистенты требуют разных запросов
Классический поисковый запрос и запрос к AI-ассистенту похожи только частично.
В поиске пользователь ищет через ключевые слова:
- «лучшая CRM»;
- «дебетовая карта с кешбэком»;
- «тональный крем для светлой кожи».
В AI-ассистенте та же потребность чаще превращается в задачу или вопрос:
«Помоги выбрать CRM для B2B-команды продаж из 5 человек. Важно, чтобы было быстрое внедрение, интеграция с телефонией и понятная аналитика по менеджерам.»
Или:
«Какая дебетовая карта с бесплатным обслуживанием и кэшбэком на супермаркеты сейчас выгоднее?»
Исследование Яндекса по чату с Алисой AI хорошо показывает саму форму поведения: 54,4% — вопросы, 27,3% — просьбы выполнить задачу, 18,3% — высказывания. При этом около 3% всех запросов связаны с товарами и услугами. Исследование основано на обезличенных запросах пользователей к Алисе AI с сентября 2025 по январь 2026 года.
Google отдельно отмечает, что средний AI Mode-запрос в США примерно в три раза длиннее традиционного поискового запроса.
Это уже не просто ключевая фраза. Внутри запроса могут появляться роль, контекст, критерии, ограничения, которые изменяют итоговый ответ. Причем их может даже не быть в самом запросе пользователя: они могут появиться из памяти AI-ассистента, для улучшения ответа.
Хорошая новость: для отслеживания AI-ответов в поиске Google (AI Overviews) и Яндекс (Алиса в поиске) запросы и объем спроса мы можем собрать, как и раньше с помощью Wordstat, Google Ads API, Search Console, SEO Tools.
При выборе важно учитывать, что длинные и вопросные формулировки чаще вызывают быстрый AI-ответ в поиске. В исследовании Google AI Overviews на 55 393 актуальных запросов за период с 13 марта по 21 апреля 2026 года быстрый AI-ответ появился в 13,7% запросов. Для вопросных формулировок показатель был 64,7%, а для невопросительных всего 9,5%. Для запросов из 6+ слов AI-ответ появлялся в 58,1% случаев в целом и в 38,7% случаев даже среди невопросительных запросов.
Плохая новость: ChatGPT, Claude, Gemini и другие AI-ассистенты не предоставляют данных по конкретным формулировкам запросов и объему спроса.
Начинать стоит с коммерческих запросов, а не с информационных
Не все запросы одинаково полезны для мониторинга AI-видимости.
Для удобства разложим их по воронке.
| Тип запроса. | Что делает пользователь. | Что смотреть |
|---|---|---|
| Информационный | Разбирается в теме | Источники, покрытие темы вашим контентом |
| Коммерческий | Ищет и выбирает варианты | AI-видимость, конкуренты, SOV |
| Сравнительный | Сравнивает ваш бренд с конкурентом | Тональность |
| Транзакционный | Хочет купить, заказать, записаться | AI-видимость, путь к действию |
Для начального мониторинга я бы не начинал с информационных запросов.
Да, именно там может формироваться спрос. Но в таких ответах AI-ассистент часто объясняет общие принципы, не использует поиск в сети и не называет бренды. Если бренды почти не появляются в ответах, метрика видимости будет малоинформативной.
Коммерческие запросы поиска и выбора
Пользователь просит ИИ помочь выбрать решение. Это основной слой для расчета AI-видимости.
Примеры форматов:
- «помоги выбрать…»;
- «посоветуй…»;
- «какие сервисы подойдут…»;
- «что лучше для…»;
- «подбери решение с учетом…».
В таких запросах органично могут появляться разные бренды. Поэтому именно они хорошо подходят для измерения видимости, SOV и конкурентного присутствия.
Запросы сравнения и оценки бренда
Пользователь просит ИИ сравнить ваш продукт с конкурентами или оценить вас по критериям. Здесь бренд уже есть в самом запросе, его появление в ответе почти гарантировано. Поэтому считать обычную AI-видимость по таким запросам бессмысленно, но отслеживать их всё равно нужно.
Примеры форматов:
- «Сравни [бренд A] и [бренд B] по…»;
- «Какие плюсы и минусы у [бренд] по отзывам».
Только смотрим не на факт упоминания, а на другое:
- тональность;
- точность фактов;
- аргументы за и против;
- какие слабые стороны повторяются;
- какие источники формируют ответ.
Транзакционные запросы
Пока доля транзакционных запросов в AI-ассистентах очень низкая. Но по мере развития AI-агентов она будет расти.
Сценарии будут смещаться от «расскажи» и «помоги выбрать» к «найди», «запиши», «оформи», «закажи», «забронируй», «сравни условия и соверши действие».
Для e-commerce, локальных услуг, банков, страхования, медицины и путешествий это может стать отдельным слоем будущего мониторинга.
Один и тот же запрос может давать разные ответы для разных пользователей
В классическом поиске персонализация тоже существует. Но в AI-ассистентах она может быть глубже, потому что пользователь напрямую рассказывает о себе, своих целях, ограничениях и предпочтениях.
Например, для beauty-бренда запрос может звучать так: «Я рыжая, кожа светлая с веснушками. Какие средства для макияжа мне подойдут, чтобы выглядеть ярче, но естественно?»
Это не просто запрос про косметику. В нем есть признаки, которые могут влиять на рекомендацию: цвет волос, тон кожи, желаемый эффект, естественность и, возможно, чувствительность кожи.
Если у пользователя включена память, часть таких признаков может участвовать и в следующих ответах. OpenAI в справке по памяти ChatGPT пишет, что сохраненные сведения могут использоваться для более персонализированных ответов и даже помогать формировать поисковые запросы, когда ChatGPT ищет информацию в интернете.
А исследование о памяти ChatGPT на 2 050 memory-записях от 80 пользователей показало, что в 28% записей встречались персональные данные по GDPR, а в 52% содержались психологические сведения о пользователе.
Это не значит, что каждый ответ всегда будет персонализирован именно так. И тем более это не значит, что все AI-ассистенты используют память одинаково.
Для мониторинга бренда вывод понятный: один и тот же запрос «лучший продукт в категории» может давать разные ответы для разных пользователей. Но и это не всегда будет связано с персонализацией, ответы в целом нестабильны.
Отдельно стоит отметить, что в AI-ассистентах при поиске ответа на сложные вопросы пользователи любят задавать роль «Действуй как...». Она не является волшебной палочкой, которая делает модель умнее. Но роль может менять стиль, глубину, структуру и иногда точность ответа.
Поэтому при сборе запросов нужно учитывать не только интент, но и признаки аудитории:
- кто выбирает;
- какую задачу решает;
- какие ограничения есть;
- какие критерии важны;
- какие ценности могут повлиять на выбор;
- какие персональные признаки пользователь может явно или неявно добавить в диалог.
Как собрать пул запросов для мониторинга
Пул запросов лучше собирать, отталкиваясь от продукта, его атрибутов и сценариев выбора.
Именно так мы подходим к этому в NeuroUP: сначала AI-агент изучает сайт и собирает знание о бренде: продукт, ценность, характеристики, ограничения и признаки, по которым его можно сравнивать с конкурентами. Эту же логику можно применить и вручную.
Далее определяем, в каких сценариях пользователь может обратиться к ИИ при выборе продукта, например:
- поиск / выбор лучшего товара по категории;
- подбор по характеристикам и условиям;
- сравнение с другими брендами.
После этого сценарии нужно подтвердить реальными сигналами спроса.
Для этого подходят Wordstat, Google Ads API, Search Console, внутренний поиск сайта, вопросы из продаж и поддержки, отзывы, форумы, Q&A-площадки, обзоры конкурентов и пользовательские обсуждения в соцсетях. Но эти источники не одинаково полезны для всех категорий.
Затем под каждый сценарий формируем несколько живых формулировок по типам запросов. Лучше начинать с коммерческих. Не десятки одинаковых перефразов, а запросы, которые проверяют разные намерения и контексты.
Например:
- запросы на выбор категории: «помоги выбрать…», «какие сервисы подойдут…», «что лучше для…»;
- запросы на сравнение: «сравни X и Y…», «что выбрать между…»;
- запросы с ролью: «действуй как независимый эксперт…», «как директор по маркетингу…»;
- запросы с ограничениями: «для команды из 5 человек», «без сложного внедрения», «с чувствительной кожей», «с бесплатным обслуживанием».
Вот здесь появляется слой персонализации с добавлением признаков аудитории в запрос, которые могут менять AI-ответ: роль, размер компании, бюджет, регион, отрасль, ограничения, ценности, личные характеристики, сценарий использования.
Главный совет: используйте ваши знания об атрибутах продукта и аудитории как основу для запросов. Сначала выпишите, по каким признакам ваш продукт вообще выбирают: цена, скорость внедрения, формат доставки, состав, интеграции, надежность, отрасль, роль пользователя, ограничения, ценности, тип задачи. Затем соедините эти признаки с реальными сегментами аудитории. Так запрос превращается из общего «Какая страховка для путешествия лучше?» в сценарий выбора: «Помоги выбрать недорогую туристическую страховку для поездки в Грузию на 2 недели». Именно такие формулировки лучше показывают, есть ли бренд в момент реального выбора.
В NeuroUP для формирования запросов по сценариям с учетом релевантных атрибутов персонализации используется нейросеть. Но финальное решение по выбору запросов для мониторинга остается за экспертом и командой клиента.
Хороший пул запросов — это список, который отражает реальные сценарии выбора вашего продукта. Именно от него зависит, будет ли AI-видимость полезной бизнес-метрикой или просто красивым процентом в отчете.