В SEO метрики относительно устоялись: позиции, показы, клики, CTR, охват. Их спорно трактуют, но хотя бы определения зафиксированы, и GA/СЧ считают одно и то же одинаково. В GEO (оптимизация видимости не в выдаче Google, а в ответах генеративных движков) такого нет. Термин «visibility» у одного инструмента — доля ответов с упоминанием бренда, у другого — то же самое, взвешенное по позиции, у третьего — совсем другое. Это не злой умысел, а следствие того, что дисциплине всего пара лет. Критический обзор методов GEO за 2023–2026 (arXiv:2607.14035) прямо констатирует: терминология, метрики и стандарты доказательности остаются разнородными (heterogeneous). То есть единого «GA для AI» пока не существует.
Здесь разберём связку базовых величин так, чтобы вы могли (а) понимать, что вам показывает любой дашборд, и (б) построить свою метрику под свою задачу, а не купить чужое определение на веру. Это связующее звено серии: словарь введён в GEO vs SEO, как считать автоматически — в трекере на PHP, а как применять всё вместе — в GEO-аудите.
Общая оговорка для всей статьи: все примеры цифр — иллюстрации формул на условных данных, а не замеры. Реальные значения зависят от вашей ниши, набора промптов и движков. Формулы и имена величин при этом достаточно общи, чтобы вы сверяли по ним любой чужой отчёт.
Часть I. Почему в GEO нет «GA»: метрика = определение + методика
В классическом мониторинге (это же разобрано в метриках и мониторинге) метрика — это числовое измерение: что именно измеряем (SLI) и как считаем. В SEO «CTR» относительно однозначен: клики к показам, показывает тот, кто считает показы. В GEO оба звена — и «что», и «как» — пока договорные. Разберём, что из этого следует методологически, прежде чем перечислять величины.
Три вещи, которые надо держать в голове всю статью:
- Любая «AI-видимость» — это три решения под капотом, которые инструмент принял за вас: что считать событием (упоминание в тексте? ссылка? и то и то?), на каком наборе запросов (промпы) и по какому миксу движков (ChatGPT? Perplexity? AI Overviews? локальные?). Пока вы не увидели эти три решения, вы читаете маркетинговое имя, а не метрику.
- Метрика в GEO первична по отношению к действию, а не наоборот. В GA можно годами смотреть на красивую кривую и ничего не делать. В GEO это особенно опасно, потому что поле молодое и красивые числа пока ничего не гарантируют. Рабочий тест для любой метрики: «если она изменится на N пунктов — что я конкретно сделаю?». Нет ответа — не метрика, а декорация. (Тот же принцип «мерить то, что ведёт к решению» — из статьи про мониторинг.)
- Стандарты доказательности в GEO слабее, чем в SEO. Тот же критический обзор фиксирует не только терминологический разнобой, но и то, что многие «GEO-эффекты» не имеют единого способа их подтвердить. Отсюда правило, которое ниже пройдёт красной нитью: каждую чужую цифру сопровождает вопрос «на какой выборке, каким методом», а ваша собственная метрика обязана нести этот паспорт с собой.
Часть II. Пять независимых величин (и одно семейство, которое путают)
Соберём минимум, из которого состоит почти любой AI-дашборд. Ключевое слово — независимы: рост одной не гарантирует роста другой, и одна-единственная «visibility» всегда врёт.
2.1 Mention — упомянули ли
Самая грубая: ответ-уровневое бинарное наблюдение — появляется ли сущность (название бренда или домен) хотя бы раз в сформированном ответе. Формула доли видимости через упоминания (её разворачивает трекер из 4-й статьи):
# visibility_by_mention = доля ответов из прогона, где бренд упомянут хотя бы раз.
# ВНИМАНИЕ: это точечная оценка; на малом n она ни о чём без интервала (Уилсон) — см. Часть V.
def mention_visibility(mentions_flags: list[int]) -> float:
n = len(mentions_flags)
return sum(mentions_flags) / n if n else float("nan")Тут уже прячется первая методическая развилка, о которой редко пишут: считать ли упоминание «раз в ответе» (бинарь) или «N раз внутри ответа» (частотность)? Два разных инструмента, говоря «mention count», могут считать одно и то же по-разному. Фиксируйте выбор в паспорте метрики.
2.2 Citation — сослались ли, и куда
Сильнее упоминания: вас процитировали как источник. И здесь, чтобы не соврать, одно «вас процитировали» надо разделить на четыре разных события — так же, как это делает, например, open-source-счётчик geo-scope:
| Событие цитирования | Что это | Чем отличается по смыслу |
|---|---|---|
entity_mentioned | про сущность написали в тексте | без всякой ссылки; «информация», а не «источник» |
target_domain_cited | ссылка на корневой домен (любая страница) | вас признали источником, но не конкретную статью |
target_url_cited | ссылка на конкретную вашу страницу (deep-link) | вас нашли по нужному вопросу — это лучшая цель |
third_party_source_cited | ссылка на сторонний ресурс о вас (обзор, каталог, форум) | модель узнала о вас не от вас |
Разница между ними не академическая, а по действию:
- высокий
entity_mentionedпри нуле ссылок → вас знают, но не доверяют как первоисточнику → работать над авторитетностью страниц и структурой (см. техническую часть). target_domain_citedесть, аtarget_url_citedнет → вас цитируют «в целом», не находя нужную страницу → усиливать deep-link-страницы под конкретные вопросы.third_party_source_citedвыше собственных → вас объясняют чужими пересказами → это прямое продолжение вывода первой статьи о том, что часть видимости живёт вне сайта: работать с обзорами, каталогами, актуальностью упоминаний о себе.
Числа
target_url_citedиthird_party_source_citedпочти всегда меньше, чем хочется, и это нормально. Модель ссылается на то, что ей кажется надёжным источником по вопросу, а не на то, что вы оптимизировали. Метрика должна показывать это честно, а не сглаживать.
2.3 Prominence — на каком месте
«Упомянули» и «упомянули вторым из трёх» — разные вещи. Prominence/position измеряет место сущности в ответе (первым назвали — читается как рекомендация; в хвосте между делом — как оговорка). Это то же понятие «заметности», из-за которого Share of Model в первой статье взвешивается, а не считается грубым счётчиком имён. Отдельная оговорка про надёжность позиции — в Части III.
2.4 Sentiment — с какой интонацией
Позитивно / нейтривно / негативно про бренд в ответе. Самая мягкая из пяти величин: её чаще всего вычисляет другая модель-классификатор, то есть это оценка, а не наблюдение. В трекере (4-я статья) это разобрано с точки зрения кода — там sentiment хранится помеченным как модельная оценка, с указанием модели-классификатора и версии промпта-классификации. Здесь зафиксируем методическое правило: никогда не смешивайте sentiment (оценка) с mention/citation (наблюдения) в один «достоверный» ряд — у них разная природа надёжности.
2.5 Доля против конкурентов (SoV / SoM)
Относительная величина: из всех ответов по категории, где упомянут хоть один бренд из вашего списка конкурентов, — какая доля упомянула вас (и/или поставила вас первым). «Share of Voice» в классическом маркетинге; в AI-контексте это же, взвешенное по заметности и тональности, называют Share of Model. Всегда относительно заданного списка конкурентов и категории промптов — без этого числа бессмысленны.
2.6 И одна «бизнес»-величина, которую часто забывают: AI CTR
Видимость в ответе — промежуточная цель. Конечная — что пользователь, увидев ответ, кликнул к вам (в ChatGPT/Perplexity есть переходы по цитатам). Некоторые фреймворки (напр. связка из четырёх: mentions → citations → share of voice → AI CTR) добавляют её как «деловой эффект». Проблема с AI CTR: она хуже всего измерима на вашем конце (вы видите приход с utm от AI-платформы, но не число ответов, в которых были видны). Поэтому относитесь к ней как к метрике-цели, а не к той, что считает трекер: её назначение — связать GEO-усилие с бизнес-числом, а не оптимизироваться напрямую.
Часть III. Позиция в ответе: влияет, но как её мерить — без завышения ожиданий
Что важность позиции не вымысел, есть крупные замеры. Разбор ~200 000 ответов по 8 движкам (Peec AI) описывает «эффект листикла»: бренд, который исторически оказывался шестым в ответах, поднимался примерно на пятое место просто потому, что его ставили первым в цитируемом стороннем рейтинге, который модель и цитировала. То есть ваша позиция в AI-ответе частично управляется не вашим сайтом, а тем, на какое место вас помещают в обзорах и списках, которые модель считает авторитетными, — прямое продолжение Части IV первой статьи и событий third_party_source_cited выше.
Отсюда — и полезный вывод, и честная оговорка, почему «измерить позицию и похвастаться точностью» в GEO опаснее, чем кажется. По разбору методов (mentionx) точно мерить порядок сущностей в ответе можно, но интерпретировать его как «позицию» в старом SEO-смысле — нельзя без overclaiming. Почему:
- Модель не показывает вам «десяток мест выдачи» — она показывает связный текст, в котором порядок слов и место вашего имени — это один из сигналов, а не ранжированный список. «Первый в абзаце» ≠ «на первой позиции в выдаче».
- Один и тот же запрос в двух прогонах даёт разный порядок (LLM не детерминированна; см. 4-ю статью про повторность). Значит позиция — это тоже частота/распределение по множеству прогонов, а не число из одного ответа.
- Взвешивание по позиции (первым = больший вес) — ваше допущение, а не константа поля. Разные инструменты закладывают разные веса; не переносите чужую взвешенную «visibility» как свою.
Практический способ измерить prominence без завышения: считайте распределение ранга бренда по множеству однотипных прогонов, а не средний ранг. «В 62% ответов с упоминанием вы оказались среди первых двух названных» — честно. «Вы на позиции 1,7» — псевдоточность. Если хотите одну цифру на дашборде — берите «доля ответов, где вы упомянуты первым/одним из», она не притворяется ранжированием, которым не является.
Часть IV. Почему цифры вендоров не сходятся (и как сверить два отчёта)
Это, пожалуй, самый прикладной раздел. Вы открываете отчёт одного инструмента — «AI-видимость 41%», другого — «28%». Кто врёт? Почти всегда никто: они считают разные вещи. Вот шесть конкретных причин расхождения. При сравнении любых двух метрик (или своего прошлого и чужого отчёта) пройдитесь по ним:
- Разное определение «упоминания». Бинарь по ответу vs подсчёт всех вхождений; «упомянули название» vs «упомянули название ИЛИ домен» (последний случай намеренно шире и даёт больше). Это уже даёт разные знаменатели в одном и том же «visibility %».
- Разный набор промптов (probe set). Инструменты мониторят разные вопросы: кто-то берёт 100 «навигационных» («лучший сервис X»), кто-то 100 «информационных» («как сделать Y»). На разных запросах разная конкуренция за ответ — метрика про разное. Правило из практики мониторинга (формулировка Qwairy): записывайте любое изменение набора промптов, чтобы сравнения не смешивались — тот же анти-дрейф, что в 4-й статье про версионирование промптов.
- Разный микс движков. «ChatGPT + Perplexity + AI Overviews» и «только ChatGPT» дают несравнимые «видимости». Один вендор показывает по трём моделям, другой по десяти — это разные вселенные ответов. Требуйте список движков, на которых считано.
- Дрейф между запусками. Выход провайдера и модели меняются от запуска к запуску (это прямо в документации инструментов: «output can vary between runs»). Два замера одним и тем же инструментом с недельным интервалом уже несравнимы без большого числа повторов. Поэтому единичный «снимок вендора» — это точка из Part II, требующая интервала.
- Разная выборка и её размер. «41%» на 30 ответах и «28%» на 5000 ответах сравнивать нельзя как «падение». Знаменатель и его доверительный интервал — часть числа. Формула Уилсона из 4-й статьи превращает «41%» в «41% [30…53]», после чего с «28% [25…31]» уже видно, есть ли вообще отличие.
- Разный способ считать проценты. Доля ответов с упоминанием, доля всех сущностей (SoV в строгом смысле) или нормализованная доля, взвешенная по позиции (SoM) — три разных «%.». Не путайте долю ответов с долей упоминаний.
Протокол сверки двух отчётов (когда вам говорят «у нас рост, у конкурента в их дашборде падение»): сравните не итоговые проценты, а шесть параметров выше — набор промптов, список движков, определение упоминания, размер выборки/повторы, дату замера, способ нормировки. Если совпало хотя бы определение упоминания и микс движков — разницу можно объяснять реальным изменением видимости. Если нет — вы сравниваете два разных вопроса. Это и есть «GEO без GA»: не дашборд определяет реальность, а вы определяете, что мерит дашборд.
Часть V. Собрать свою метрику: формула под решение
Своя метрика нужна не чтобы «не платить вендору», а чтобы число отвечало на ваш вопрос и вело к вашему действию. Три шага и один фильтр честности.
Шаг 1 — начните с действия, не с графика. Спросите: «какое решение я принимаю по этой метрике?». Тогда определяется величина. Примеры пар: «редактировать ли заголовки под цитируемость» → нужна target_url_cited по конкретным страницам, не «общая visibility»; «идти ли на сторонние рейтинги» → нужен third_party_source_cited и prominence в ответах по категории. Если под метрикой нет решения — выбросьте её из панели, как vanity-метрику выбрасывают в классическом мониторинге.
Шаг 2 — зафиксируйте паспорт метрики. Рядом с числом всегда лежат: набор промптов и его версия, список движков, определение события (упоминание — бинарь/частотность; ссылка — домен/deep-link), метод нормировки (доля ответов / доля упоминаний / взвешенная), размер выборки и интервал. Это тот самый «протокол» из Части IV, применённый к себе. Без паспорта число непереносимо во времени и несопоставимо ни с чем.
Шаг 3 — считайте распределение, а не точку. Из Части II–IV следует, что минимально честный дашборд GEO-метрики показывает: точку (точка оценки), 95%-ый интервал (Уилсон, чтобы не обманываться на коротком прогоне) и разрыв серии при смене промптов/движка (чтобы не принять дрейф прибора за рост бренда). Код для этого ядра уже есть в трекере; здесь важно, что эти три слоя — не украшение, а ответ на три способа соврать, разобранных выше.
Фильтр честности (four cumulative tests). Критический обзор GEO предлагает набор тестов, разделяющих «белую» оптимизацию видимости и манипуляцию (у них общий математический оптимизационный objective, поэтому различие — этическое, а не техническое). Проверяйте свою метрику и свои «приёмы роста» по этим четырём, снизу вверх:
- Сохранение смысла: после изменений факты и оговорки остались истинными? (Если «вас стали цитировать», но цитируют вырванным из контекста и искажённым — метрика выросла, качество упало.)
- Подлинность данных: числа, отзывы, ссылки — проверяемы? (Метрика-ловушка — накрутить упоминания, добавив в текст вымышленные цифры, которые модель охотно цитирует: она любит конкретику.)
- Разделение контента и инструкции: страница информирует пользователя, а не проинструктирована читателем-агентом? (Прямая связка с врезкой про prompt-injection в
llms.txtиз технической статьи.) - Раскрытие и честность к конкурентам: коммерческий умысел обозначен, конкуренты представлены без выдуманного очернения? (SoV, достигнутая очернением, — vanity-метрика с риском.)
Метрика, по которой вы оптимизируетесь, должна проходить все четыре теста — иначе вы измеряете не «полезную видимость», а «насколько хорошо вы научились обманывать чужие счётчики».
Минимальный рабочий набор на первый дашборд (не берите всё — возьмите это и растите): доля ответов с target_url_cited (ваш лучший глубокий-ссылочный сигнал, ведёт к правке страниц), доля ответов с third_party_source_cited (ведёт к работе с обзорами/каталогами) и доля ответов, где вы упомянут первым (честная prominence без псевдоранжирования). Все три — точка + интервал + версия промптов. Остальное — по мере роста.
Инструменты под задачу
Прежде чем строить дашборд, пройдите «ручную стадию»: спросите модель о своей нише и посмотрите, кого она называет, в каком порядке и на что ссылается — это и калибровка ожиданий, и источник формулировок для промптов-зондов, и первое знакомство с тем, как метрика вообще устроена. Готовая страница ассистента: https://codestack.space/ai-pomoshhnik-dlja-koda/
Чек-лист граблей
- Взяли «AI-видимость» из дашборда как единое число. Это три чужих решения под капотом (событие, промпты, движки); раскладывайте на определение и методику.
- Смотрите одну метрику. Mention/ citation / prominence / sentiment / SoV независимы; одна вместо пяти всегда врёт.
- Смешали упоминание и ссылку в один «вас показали». Процитировали без deep-link — вас узнали, но не как источник; это разные события и разные действия.
- Не разделили ссылку на домен, на страницу и на сторонний источник.
domainvsurlvsthird-partyлечатся по-разному; слив в одну колонку — потеря управления. - Трактовали позицию как SEO-ранг. Модель даёт связный текст, а не список; «первый в абзаце» ≠ «позиция 1»; мерьте распределение первых-упоминаний, а не псевдоранг.
- Сравнили два вендора по итоговым процентам. Сверяйте шесть параметров (определение, промпты, движки, выборка, нормировка, дата), а не одно число.
- Не записали смену набора промптов/движка. Тренд «вырос» оказался дрейфом прибора; версионируйте и ставьте разрыв на графике (как в трекере).
- Показали точку без интервала. На 30 ответах 41% и на 5000 ответах 28% — может быть один и тот же уровень; Уилсон это вскрывает.
- Смешали sentiment с наблюдениями в один «достоверный» ряд. Sentiment — оценка модели-классификатора; указывайте её источник и версию.
- Погнались за метрикой без теста честности. Накрутка упоминаний вымышленными цифрами или очернением конкурентов проходит objective-функцию и проваливает все четыре кумулятивных теста.
- Держали vanity-метрику на панели. Нет решения по изменению числа — выбрасывайте, в GEO это вдвойне опасно (метрики не стандартизированы).
👤 Зарегистрируйтесь, чтобы добавить материал в закладки.