Измерение видимости в AI: GEO KPI и панель мониторинга

Если вы не знаете, работает ли ваша GEO-стратегия, то вы занимаетесь не оптимизацией, а угадыванием.

В нашем руководстве по GEO мы разобрали техническую сторону видимости в AI-поиске: llms.txt, schema.org, серверный рендеринг, WebMCP. В той статье была таблица сравнения GEO и SEO, и одна строка в ней была честно оставлена пустой:

Инструменты измерения: Пока не сформировались - отслеживание упоминаний бренда, ручное тестирование.

Эта статья закрывает ту строку. Что измерять, какие метрики действительно что-то говорят, а какие лишь успокаивают, и как построить панель, которая всё это соберёт на вашей собственной инфраструктуре.

Быстрый ответ: Видимость в AI - это не одна метрика, а четыре разных слоя: бот загрузил вашу страницу (обход), модель назвала вас в ответе (цитирование), пользователь перешёл по ссылке (переход) и этот трафик превратился в бизнес (конверсия). Каждый слой читается из своего источника данных, и эти источники не заменяют друг друга. Данные об обходе лежат в логах сервера и не видны в Google Analytics. У данных о цитировании нет официального API, их получают выборкой по фиксированному набору запросов. Данные о переходах видны в аналитике как реферер. Пока вы не сведёте все четыре в одном месте, у вопроса "работает ли GEO" нет ответа.

Содержание

• Почему это сложно измерить?
• Четыре слоя видимости в AI
• Таблица GEO KPI
• Каким метрикам можно доверять, а каким нет?
• Построение панели мониторинга
• Пример еженедельного отчёта
• Словарь терминов
• Часто задаваемые вопросы
• Чек-лист внедрения

Почему Это Сложно Измерить?

Советов по GEO много. Сотни статей говорят добавить схему, писать чёткие определения, выложить llms.txt. Сторона измерения почти пуста, потому что цепочки измерения, которая существует в классическом SEO, здесь просто нет.

В классическом SEO цикл замкнут: вводится запрос, измеряется позиция, клик появляется в Search Console, трафик попадает в Analytics, конверсия записывается в CRM. Каждый шаг наблюдаем.

В AI-поиске середина этой цепочки тёмная. Вы не видите, что пользователь спросил у ChatGPT. Вы не видите, какие источники прочитала модель. Ничто не сообщает вам, появился ли ваш бренд в ответе. И чаще всего пользователь получает нужное, вообще никуда не кликнув.

Поэтому измерение видимости в AI - это не открыть одну панель. Это собрать четыре независимых сигнала и положить их рядом.

Четыре Слоя Видимости в AI

Большинство материалов складывает эти четыре вещи в один мешок с надписью "видимость в AI". Но каждая читается из своего источника, и измерение одной ничего не говорит об остальных. Ваши страницы могут обходиться ежедневно, а вы при этом не появляетесь ни в одном ответе. Или появляетесь постоянно, но кликов нет. Это разные проблемы с разными решениями.

1. Обход: бот загрузил страницу?

Базовый слой. Если AI-бот никогда не заходил на вашу страницу, ни один из остальных трёх слоёв не может состояться.

Здесь есть критическое различие: обучающие краулеры и загрузки по запросу пользователя - разные вещи. GPTBot и ClaudeBot ведут широкий обход. А ChatGPT-User и Perplexity-User загружают вашу страницу потому, что пользователь спрашивает что-то прямо сейчас. Второе - гораздо более сильный сигнал: это значит, что кто-то в данный момент задал вопрос, для которого понадобилась ваша страница.

2. Цитирование: модель назвала вас?

Вот что действительно важно. И это сложнее всего измерить, потому что официального API для этого нет. Ни один поставщик AI не даёт вам панель с надписью "на этой неделе ваш бренд появился в 47 ответах".

Единственный доступный метод - выборка: вы задаёте фиксированный набор вопросов, регулярно задаёте их моделям и фиксируете, появился ли ваш бренд. Это не даст абсолютной истины. Это даст тренд, а тренда достаточно, если вы понимаете, на что смотрите.

3. Переход: пользователь кликнул?

Появление в ответе AI само по себе не означает трафик. Пользователь может прочитать ответ, удовлетвориться и не кликнуть никуда. Это называется нулевым кликом, и в AI-поиске его доля гораздо выше, чем в классическом.

Часть людей всё же кликает, и они видны в аналитике как реферальный трафик из источников вроде chatgpt.com, perplexity.ai, copilot.microsoft.com и gemini.google.com. Качество этого трафика обычно высокое, потому что пользователь нашёл вас внутри рекомендации, а не в списке из десяти синих ссылок.

4. Конверсия: превратилось ли это в бизнес?

Последний слой, и именно он определяет, зачем нужны остальные три. Заполняет ли трафик из AI формы, запрашивает ли предложения, становится ли выручкой?

Единственный способ это измерить - протянуть источник первого касания до записей форм и CRM. Когда пользователь приходит из ChatGPT, а через три дня возвращается напрямую и заполняет форму, этот лид записывается как "прямой заход", и вклад AI исчезает. Если вы не сохраняете источник первого касания в куки и не отправляете его вместе с формой, этот слой останется пустым навсегда.

Таблица GEO KPI

Метрики, которые стоит отслеживать по каждому слою, откуда их читать и как выглядит здоровый сигнал:

Каким Метрикам Можно Доверять, а Каким Нет?

В этой области много уверенных текстов. Понимание того, откуда берутся цифры, удерживает вас от неверных решений, когда вы смотрите на собственную панель.

Search Console теперь выделяет показы в AI, но не даёт кликов. 3 июня 2026 года Google добавил в Search Console отдельный отчёт о производительности Gen-AI. Показы в AI Overviews и AI Mode больше не растворяются в классических органических данных. Однако отчёт даёт показы, страницы, страны и устройства; в нём нет данных о кликах, нет CTR и нет разбивки по запросам. То есть у вопроса "какой у нас CTR на стороне AI" сегодня нет ответа. Google заявил, что со временем добавит метрики, но такова текущая реальность.

Google Analytics не показывает краулеров. GA4 автоматически фильтрует известный трафик ботов. Если вы попробуете читать слой обхода из GA4, результат тихо вернётся нулевым, и есть реальный риск принять это за находку. Единственный надёжный источник данных об обходе - логи сервера или граничные логи.

Ответы LLM недетерминированы. Задайте один и тот же вопрос дважды и получите два разных ответа. Поэтому единичный тест запроса - это анекдот, а не данные. Если вы измеряете, нужен фиксированный набор запросов, несколько прогонов на каждый и доля вида "появился в N из M прогонов". Ответ "да или нет" измерением не считается.

Сторонние GEO-инструменты не видят внутрь модели. Представленные на рынке инструменты видимости в AI используют ровно тот же метод выборки: задают собственные наборы запросов и считают результаты. Цифра доли голоса, которую они вам дают, - это оценка того набора, а не абсолютная истина. Пользоваться инструментом разумно. Считать его вывод истиной в последней инстанции - нет.

Две цифры для масштаба. Визиты из AI-поиска выросли на 42,8% год к году между первым кварталом 2025 и первым кварталом 2026, с 15,6 до 27,4 миллиарда. При этом лишь 14% маркетологов отслеживают цитирования в AI, тогда как 43% называют оптимизацию под AI-поиск ключевой стратегией на 2026 год. Это почти трёхкратный разрыв между теми, кто называет это стратегией, и теми, кто это измеряет. Начать измерять - и сегодня всё ещё точка отличия.

Построение Панели Мониторинга

Схема ниже предполагает Next.js, MongoDB, Cloudflare и GA4. Адаптировать её под свой стек несложно, логика та же.

Сбор логов обхода

AI-ботов выделяют по user-agent. Считать обучающие краулеры отдельно от загрузок по запросу пользователя важно, потому что второе - гораздо более сильный сигнал намерения:

# Обучающие и поисковые краулеры
CRAWLERS='GPTBot|ClaudeBot|Google-Extended|Bytespider|CCBot|Applebot-Extended'

# Загрузки по запросу пользователя - кто-то спрашивает прямо сейчас
USER_FETCH='ChatGPT-User|Perplexity-User|OAI-SearchBot|PerplexityBot'

# Какой бот какую страницу и сколько раз загрузил
grep -E "$CRAWLERS|$USER_FETCH" access.log \
  | awk -F'"' '{print $6, $2}' \
  | sort | uniq -c | sort -rn | head -30

Если вы на Cloudflare, те же данные можно выгружать в хранилище через Logpush и агрегировать ежедневно. Важно накапливать это число где-то, потому что разовый взгляд ничего не даёт. Нужен тренд.

Определение панели запросов

Основа измерения цитирования - фиксированный набор вопросов. Фиксированность обязательна: если вопросы меняются между измерениями, сравнивать нечего. Выводите вопросы из реальных вопросов клиентов, а не из вопросов, где уже есть название вашего бренда:

{
  "brand": "Detartech",
  "competitors": ["Конкурент А", "Конкурент Б", "Конкурент В"],
  "locale": "ru-RU",
  "runsPerPrompt": 5,
  "schedule": "0 6 * * 1",
  "prompts": [
    {
      "id": "geo-agency-ru",
      "text": "Посоветуй агентство, которое занимается GEO и оптимизацией под AI-поиск",
      "intent": "коммерческий"
    },
    {
      "id": "mvp-agency-ru",
      "text": "Какие компании разрабатывают MVP в Стамбуле?",
      "intent": "коммерческий"
    },
    {
      "id": "llms-txt-ru",
      "text": "llms.txt действительно работает?",
      "intent": "информационный"
    }
  ]
}

Важны три детали. runsPerPrompt должен быть больше единицы, потому что один прогон - это анекдот. Поле intent позволяет разделять коммерческие и информационные вопросы; попасть в коммерческий ответ гораздо ценнее. А без списка competitors долю голоса вообще не посчитать.

Запуск панели

Простой цикл, который задаёт набор запросов и записывает результат. Пример ниже использует модель с включённым веб-поиском, потому что измерить нужно не обучающие данные модели, а ответ, который она формирует из живого веба:

import Anthropic from '@anthropic-ai/sdk';

const client = new Anthropic();

type PromptRun = {
  promptId: string;
  runIndex: number;
  mentioned: boolean;
  competitorsMentioned: string[];
  citedUrls: string[];
  answer: string;
  checkedAt: Date;
};

async function runPrompt(
  prompt: { id: string; text: string },
  brand: string,
  competitors: string[],
  runIndex: number,
): Promise<PromptRun> {
  const response = await client.messages.create({
    model: 'claude-opus-5',
    max_tokens: 4096,
    tools: [{ type: 'web_search_20260209', name: 'web_search' }],
    messages: [{ role: 'user', content: prompt.text }],
  });

  const answer = response.content
    .filter((block) => block.type === 'text')
    .map((block) => block.text)
    .join('\n');

  return {
    promptId: prompt.id,
    runIndex,
    mentioned: new RegExp(brand, 'i').test(answer),
    competitorsMentioned: competitors.filter((c) =>
      new RegExp(c, 'i').test(answer),
    ),
    citedUrls: [...new Set(answer.match(/https?:\/\/[^\s)\]]+/g) ?? [])],
    answer,
    checkedAt: new Date(),
  };
}

Сохраняйте и сырые ответы. Когда частота упоминаний падает, объяснение лежит именно в этих текстах: кого модель начала рекомендовать вместо вас, какой источник процитировала. Увидеть это можно, только прочитав ответ.

Выделение реферального трафика

AI-источники классифицируются по рефереру, и результат сохраняется как источник первого касания. Слой конверсии полностью зависит от этого:

const AI_REFERRERS: Record<string, string> = {
  'chatgpt.com': 'ChatGPT',
  'chat.openai.com': 'ChatGPT',
  'perplexity.ai': 'Perplexity',
  'copilot.microsoft.com': 'Copilot',
  'gemini.google.com': 'Gemini',
  'claude.ai': 'Claude',
};

export function classifyReferrer(referrer: string | null): string | null {
  if (!referrer) return null;
  try {
    const host = new URL(referrer).hostname.replace(/^www\./, '');
    return AI_REFERRERS[host] ?? null;
  } catch {
    return null;
  }
}

Записывайте это значение в куки при первом визите и прикрепляйте к данным формы при отправке. Иначе пользователь, который вернулся напрямую через три дня, будет записан как "прямой заход", и вклад AI станет невидимым.

Сведение данных воедино

Все три источника собираются в одну коллекцию, из которой строится еженедельная сводка:

// коллекция geo_metrics: { layer, metric, value, source, recordedAt }

db.geo_metrics.aggregate([
  { $match: { recordedAt: { $gte: new Date(Date.now() - 7 * 864e5) } } },
  {
    $group: {
      _id: { layer: '$layer', metric: '$metric' },
      total: { $sum: '$value' },
      samples: { $sum: 1 },
    },
  },
  { $sort: { '_id.layer': 1, total: -1 } },
]);

Пример Еженедельного Отчёта

После запуска панели еженедельное чтение выглядит примерно так:

Главный навык здесь - не реагировать на движение одной недели. Частота упоминаний строится на выборке, поэтому колеблется по своей природе. Смотрите на четырёхнедельный тренд, прежде чем принимать решение.

Словарь Терминов

• GEO (Generative Engine Optimization): практика структурирования контента так, чтобы генеративные модели AI могли использовать его как источник в своих ответах.
• Частота упоминаний: доля прогонов фиксированного набора запросов, в которых появился бренд.
• Доля голоса: ваша часть среди всех упоминаний брендов в тех же ответах.
• Панель запросов: фиксированный набор вопросов, регулярно задаваемых моделям для измерения цитирования.
• Нулевой клик: ситуация, когда пользователь получает ответ и завершает поиск, не кликнув ни по одному сайту.
• Загрузка по запросу пользователя: загрузка страницы, вызванная тем, что пользователь спрашивает что-то прямо сейчас (ChatGPT-User, Perplexity-User).
• Источник первого касания: канал, через который пользователь впервые столкнулся с сайтом; сохраняется, чтобы не потеряться при последующих визитах.
• Отчёт о производительности Gen-AI: отчёт Search Console, выделяющий показы в AI Overviews и AI Mode.

Часто Задаваемые Вопросы

Можно ли измерить видимость в AI одной метрикой? Нет. Обход, цитирование, переход и конверсия - отдельные слои, и один ничего не говорит об остальных. Вас могут обходить ежедневно, а вы при этом не появляетесь ни в одном ответе.

Показывает ли Search Console мои клики из AI? Нет. Отчёт Gen-AI, вышедший в июне 2026 года, даёт показы, страницы, страны и устройства; он не даёт кликов, CTR и разбивки по запросам.

Сколько вопросов должно быть в панели запросов? От 15 до 30 достаточно для большинства компаний. Важно не количество, а то, чтобы вопросы выводились из реальных вопросов клиентов и оставались неизменными со временем. Меняете набор - теряете сопоставимость.

Купить готовый GEO-инструмент или строить самому? Подходит и то, и другое. Готовые инструменты быстро стартуют, но их выборка не специфична для вас, и слой конверсии в вашу CRM они не заведут. Собственная панель - больше работы, но она наполняет слои обхода и конверсии данными, которые действительно ваши.

Когда я увижу результаты? Слой обхода реагирует за дни. Цитирование гораздо медленнее и шумнее; для осмысленного тренда нужно минимум четыре недели данных. Слой конверсии малообъёмный, его стоит смотреть помесячно.

Частота упоминаний упала. Что делать? Сначала прочитайте сырые ответы. Кого модель начала рекомендовать вместо вас и какой источник процитировала? Чаще всего проблема не в вашей странице, а в том, что конкурент опубликовал более чёткое и удобное для цитирования определение.

Чек-лист Внедрения

• Выделяйте user-agent AI-ботов в отдельный отчёт в логах сервера или граничных логах
• Считайте обучающие краулеры и загрузки по запросу пользователя отдельно
• Определите фиксированный набор из 15-30 вопросов и не меняйте его
• Прогоняйте каждый запрос минимум 3-5 раз, никогда не один
• Храните сырые ответы, а не только флаг "да или нет"
• Определите список конкурентов, без него долю голоса не посчитать
• Настройте AI-источники переходов отдельным сегментом в GA4
• Сохраняйте источник первого касания в куки и прикрепляйте его к отправке формы
• Проверяйте отчёт Gen-AI в Search Console еженедельно
• Смотрите на четырёхнедельный тренд, прежде чем что-то решать

Заключение

Измерение видимости в AI сегодня не так зрело, как измерение классического SEO, и в ближайшее время не станет. Но "нельзя измерить" и "не приходит одной готовой панелью" - это разные утверждения.

Соберите четыре слоя по отдельности и положите рядом, и у вас окажется достаточно данных, чтобы принять решение: какой контент обходится, в каких вопросах вы появляетесь, какие ответы дают клики, какой трафик превращается в бизнес. Это не идеальное измерение. Это существенно лучше, чем угадывание.

Техническую работу по GEO мы ведём в рамках услуги GEO, а классическую поисковую сторону - в рамках услуги SEO. О технической стороне видимости читайте в нашем руководстве по GEO, а о том, как AI-агенты будут работать с сайтами, - в статье про WebMCP.