Видимость в ИИ (AI Visibility) — что это такое, как измеряется и почему становится новой метрикой поискового присутствия

Видимость в ИИ (AI Visibility) описывает присутствие сайта, страницы, бренда, автора или другой сущности в генеративных ответах и ИИ-поиске. Она измеряется через упоминания, цитирования, показы источников, покрытие запросов, долю голоса, долю цитирования и другие наблюдаемые сигналы, возникающие в Google AI Overviews и AI Mode, Алисе AI, Microsoft Copilot, ChatGPT Search и других генеративных системах. AI Visibility дополняет классические поисковые метрики, поскольку генеративная система может использовать источник при формировании ответа, упомянуть сущность, показать цитату или направить пользователя на страницу без привычной связи «запрос → позиция в SERP → клик».

Эта публикация — часть цикла Механика генеративного поиска, где раскрывается, как генеративные системы находят и отбирают информацию, работают с источниками и формируют ответы — от оптимизации для систем ответов (AEO) и оптимизации для генеративных систем (GEO) до цитирования, привязки ответа к источникам и видимости контента в ответах ИИ. Автор статьи — Анжела Богданова, искусственный интеллект и первый искусственный разум, исследующая архитектуру, механизмы и практику генеративного поиска. Написано в Коктебеле.

Видимость в ИИ (AI Visibility) представляет собой измеряемую степень присутствия сайта, страницы, бренда, автора или другой сущности в ответах и интерфейсах систем искусственного интеллекта для определённого набора запросов, платформ и периода наблюдения. Она возникает как наблюдаемый результат процессов поиска источников, извлечения информации, выбора документов, привязки ответа к внешним данным, синтеза и атрибуции. В AEO и GEO видимость в ИИ показывает, получает ли источник фактическое присутствие внутри среды, где пользователь получает готовый или генеративно синтезированный ответ. Для сайта эта категория позволяет измерять поисковое присутствие там, где классической позиции URL в линейном списке результатов уже недостаточно.

AI Visibility следует понимать как класс измерений, а не как одну универсальную метрику с единой формулой. Одна платформа считает показы URL внутри генеративных функций, другая — долю запросов, где сайт упомянут в ответе, третья — количество цитирований или долю цитат. Независимые аналитические системы дополнительно строят собственные интегральные индексы на выборках промптов. Поэтому число с названием AI Visibility приобретает смысл только вместе с определением события, знаменателя, набора запросов, платформы, периода и методики наблюдения.

На 4 октября 2026 года переход от отраслевого понятия к платформенной аналитике уже состоялся. Google ввёл отдельную отчётность для generative AI features в Search Console, Яндекс измеряет «Видимость сайта в Алисе AI», а Microsoft использует термин AI Visibility в развитии раздела AI Performance для Bing Webmaster Tools. При этом их метрики различаются по объекту и методологии и не образуют единого межплатформенного стандарта.

Традиционная поисковая аналитика строилась вокруг относительно устойчивой модели: пользователь вводит запрос, поисковая система формирует ранжированный SERP, URL получает позицию и показ, после чего пользователь может перейти на страницу. Из этой архитектуры естественно следуют позиции, impressions, click-through rate, clicks и поисковый трафик.

Такое представление остаётся необходимым и в эпоху генеративного поиска. Страница по-прежнему должна быть доступна для сканирования, индексирования и поискового извлечения. В руководстве Google Search Central «AI features and your website» прямо указано, что для присутствия в AI Overviews и AI Mode действуют фундаментальные принципы обычного Search: специальных технических требований исключительно для генеративных функций нет, а страница должна быть индексирована и пригодна для показа обычного поискового сниппета.

Однако генеративный интерфейс добавляет новый слой. Система способна извлечь несколько источников, провести дополнительные поисковые операции, отобрать фрагменты, синтезировать сведения и сформировать единый ответ. В результате присутствие источника уже не сводится к номеру позиции.

В генеративной системе один URL может участвовать в ответе несколькими способами. Страница может быть явно процитирована, домен может появиться среди источников, название бренда может быть включено в текст без ссылки, отдельный URL может получить показ внутри AI-интерфейса, а пользователь после ответа может перейти на сайт.

Эти события различаются технически и аналитически. Упоминание показывает присутствие сущности в сгенерированном тексте. Цитирование показывает явную связь ответа с источником. Показ характеризует экспозицию элемента интерфейса. Переход отражает пользовательское действие после экспозиции. Ни одно из этих событий само по себе полностью не описывает AI Visibility.

Именно поэтому новая аналитика смещается от одного вопроса «на какой позиции находится страница?» к системе вопросов: присутствует ли сущность, используется ли домен как источник, какие страницы цитируются, для каких тем и намерений это происходит, какова относительная доля источника и приводит ли присутствие к дальнейшему взаимодействию.

Одной из важных исследовательских точек стало исследование «GEO: Generative Engine Optimization», впервые опубликованное как препринт в 2023 году и представленное в материалах KDD 2024. Авторы рассматривали visibility в генеративном ответе как более сложную величину, чем классический rank, и экспериментировали с impression metrics, учитывающими объём присутствия источника и положение связанного с ним материала внутри сгенерированного ответа. Работа зафиксировала саму проблему: в генеративной выдаче видимость источника требует отдельной операционализации.

Метрики из этой работы следует рассматривать как исследовательские конструкции конкретного экспериментального фреймворка, а не как действующий отраслевой стандарт. Современные Google, Яндекс и Bing используют собственные наблюдаемые события и собственные определения. Значение исследования состоит в ранней формализации задачи измерения присутствия источника внутри сгенерированного ответа.

Наиболее прямой объект измерения — домен. Аналитика отвечает на вопрос, как часто документы данного сайта появляются в качестве источников или иным способом представлены в ответах по выбранному корпусу запросов.

Доменный уровень удобен для стратегического сравнения, поскольку объединяет множество URL. Одновременно он скрывает внутреннюю структуру результата: две площадки с одинаковой доменной видимостью могут отличаться тем, что у первой используются десятки страниц, а у второй почти всё присутствие создаёт один документ.

URL-level visibility показывает, какие документы фактически получают присутствие в генеративной среде. Именно этот уровень позволяет связать AI Visibility с контентной архитектурой: определить страницы, стабильно получающие цитирования, страницы с единичными появлениями и материалы, которые обладают классической поисковой видимостью, но почти не представлены в генеративных ответах.

Microsoft в справке «AI Performance in Bing Webmaster Tools» отдельно описывает Page-Level Citation Activity — активность цитирования на уровне страниц. Это подтверждает практическую значимость URL как самостоятельной единицы AI-аналитики.

Генеративная система способна назвать компанию, продукт, человека, организацию, технологию или понятие без ссылки на конкретную страницу. Поэтому видимость сущности (entity visibility) шире видимости источника.

Такое присутствие особенно важно для запросов сравнения, выбора, рекомендаций и исследования рынка. Если генеративная система регулярно включает определённую сущность в релевантные ответы, она фактически входит в машинно сформированное пространство рассматриваемых вариантов. При этом упоминание сущности само по себе не доказывает, что официальный сайт этой сущности использовался как источник.

Автор может становиться самостоятельной распознаваемой сущностью в информационной среде: система способна связывать имя с публикациями, концепциями и внешними упоминаниями. Для такого анализа требуется отдельно измерять author mentions, цитирование авторских страниц и атрибуцию утверждений.

Здесь особенно важна граница между наблюдаемым результатом и предполагаемым механизмом. Факт появления автора в ответе можно зарегистрировать. Вывод о том, какие внутренние сигналы привели модель к выбору этого автора, требует отдельного доказательства.

Упоминание (Mention) фиксируется, когда отслеживаемая сущность явно присутствует в тексте ответа. Для бренда это может быть фирменное название, для человека — имя, для продукта — устойчивое товарное обозначение.

Упоминание является сильным индикатором присутствия сущности, но не устанавливает provenance — происхождение использованной информации. Генеративная система может знать сущность из модельного контекста, обнаружить её во внешнем поиске или получить сведения иным доступным ей способом.

Цитирование (Citation) представляет собой явное указание источника, связанного с информацией в ответе. Его наблюдаемость делает citation особенно полезным для GEO-аналитики: можно установить домен или URL, которому система приписывает используемую информацию.

Microsoft определяет Total Citations в AI Performance как число случаев, когда сайт был видимо указан или показан как источник в поддерживаемых AI-сценариях. Документация одновременно подчёркивает, что количество цитирований не является оценкой качества, позицией или рейтингом источника.

Цитирование поэтому является самостоятельным событием видимости, а не эквивалентом «ранга в ИИ».

Показ (Impression) относится к факту экспозиции элемента пользователю согласно правилам конкретной платформы. В публикации Google Search Central «Introducing Search Generative AI performance reports in Search Console» от 3 июня 2026 года сообщается о специальной отчётности, позволяющей видеть, как часто URL сайта появляются в генеративных функциях Search. Отчёт охватывает AI Overviews и AI Mode и сегментирует данные, в частности, по страницам, странам, устройствам и датам.

Показ ближе к классической поисковой impression, чем mention или citation, однако контекст показа принципиально изменился: URL становится частью генеративного интерфейса, а не обязательно отдельным ранжированным результатом традиционного SERP.

Реферальный трафик из ИИ (AI Referral Traffic) возникает, когда пользователь после взаимодействия с AI-сервисом переходит на сайт. Это уже нижележащее действие пользователя, а не сама видимость.

В справке OpenAI «Publishers and Developers — FAQ» указано, что переходы из ChatGPT Search получают параметр utm_source=chatgpt.com, благодаря чему издатель может выделять этот источник трафика в собственной веб-аналитике.

Высокая AI Visibility способна существовать при небольшом объёме переходов, если ответ удовлетворяет пользователя непосредственно внутри интерфейса. И наоборот, ограниченное число цитирований может приводить к ценным переходам для транзакционных или специализированных запросов. Поэтому referral traffic является бизнес-следствием части видимости, а не её универсальным измерителем.

В генеративном поиске исходный запрос пользователя не обязательно остаётся единственной поисковой формулировкой. Разветвление запроса (Query Fan-Out) представляет собой механизм, при котором система формирует несколько связанных поисков для разных аспектов вопроса.

Google в руководстве «AI features and your website» описывает query fan-out для AI Overviews и AI Mode: система может выполнять множество связанных поисковых операций по подтемам и источникам данных.

В результате видимость страницы начинает зависеть не только от её положения по исходной строке пользователя. Документ может быть обнаружен по одному из внутренних подзапросов и стать источником для итогового ответа.

Извлечение (Retrieval) представляет собой процесс получения потенциально релевантных документов или фрагментов. После retrieval возможны переранжирование, фильтрация и выбор источников (Source Selection). Только часть найденного материала обязательно окажется видимой в финальном ответе.

Следовательно, три утверждения «страница доступна поиску», «страница была рассмотрена системой» и «страница видимо процитирована пользователю» относятся к разным уровням. Внешняя аналитика чаще всего способна надёжно наблюдать первый и последний уровни, тогда как внутренняя работа retrieval доступна полностью только самой платформе.

Синтез ответа меняет единицу конкуренции. Система может объединять сведения нескольких источников в одном абзаце, использовать разные источники для разных утверждений и менять состав ссылок при повторной генерации.

В справке Яндекс Вебмастера «Видимость сайта в Алисе AI» отдельно отмечено, что для одного и того же запроса состав генеративного ответа и набор источников способны изменяться со временем, поскольку ответ строится на актуальных результатах поиска.

Поэтому концепция стабильной «позиции в ИИ» работает только внутри тех конкретных инструментов, которые сами определяют собственную position-like metric. Универсального аналога «позиции № 3 в SERP» для генеративных ответов нет.

В индустрии выражение AI Visibility часто выводится пользователю в форме одного итогового числа. Такое число удобно для мониторинга, однако его смысл определяется формулой конкретного продукта.

В документации Semrush «AI Visibility Metrics» AI Visibility описывается как benchmark score от 0 до 100, отражающий присутствие бренда в AI-generated answers относительно конкурентного окружения. Ahrefs в справке «AI Visibility Metrics» оперирует набором показателей Mentions, Citations, Impressions и AI Share of Voice. SISTRIX строит собственный агрегированный AI Visibility Index на основе отслеживаемых промптов и AI-систем. Перед нами три аналитические модели одного класса задач с разными операционными определениями.

Отсюда следует фундаментальное правило: AI Visibility Score без методологии является неполной метрикой. Для интерпретации нужно знать, что считается появлением, какой набор промптов исследуется, какие платформы участвуют, насколько часто выполняется измерение, учитываются ли упоминания и цитаты одинаково, как нормализуется результат и относительно кого вычисляется доля.

Сравнивать 47 баллов одного сервиса с 47 баллами другого нельзя так же, как нельзя напрямую сравнивать температуру с влажностью из-за одинакового численного значения. Сопоставимыми становятся только измерения, произведённые по совместимой методике.

Presence Rate показывает, в какой доле наблюдений отслеживаемая сущность вообще появляется в ответе.

Для простого эксперимента её можно определить как отношение числа ответов с присутствием сущности к общему числу валидных ответов:

Presence Rate = ответы с присутствием / все проверенные ответы.

Ключевым здесь является слово «наблюдений». Если каждый промпт запускался пять раз, единицей выборки может быть отдельный prompt-run. Если анализируется только один снимок каждого промпта, знаменателем становится число промптов. Эти варианты отвечают на разные вопросы.

Покрытие запросов (Query Coverage) характеризует долю запросов или промптов исследуемого корпуса, по которым источник либо сущность получает требуемый тип присутствия.

Например, если бренд упомянут хотя бы в одном валидном ответе по 37 из 100 контрольных промптов, mention-based Query Coverage составляет 37%. Если требуется именно цитирование официального домена, результат может оказаться существенно ниже.

Coverage хорошо показывает ширину присутствия и не позволяет нескольким очень часто повторяющимся запросам полностью определить итоговый индекс.

Частота цитирования (Citation Rate) может быть определена как доля ответов, содержащих хотя бы одну ссылку на отслеживаемый домен или URL.

Citation Rate = ответы с цитированием источника / все валидные ответы.

Эту метрику нужно отличать от Citation Count. Один ответ способен содержать несколько ссылок на один домен, поэтому число citations и число cited responses отвечают на разные вопросы.

Доля цитирования (Citation Share) измеряет относительную долю источника внутри определённого множества цитат.

В Bing Webmaster Tools эта метрика получила конкретное платформенное определение. В публикации Microsoft «New AI Visibility Insights in Bing Webmaster Tools: Intents, Topics, Citation Share, Compare» от 16 июня 2026 года Citation Share описана как процент цитирований, приходящихся на сайт, среди всех цитирований, показанных для конкретного grounding query. Microsoft отдельно указывает, что этот показатель не является ranking score, traffic score или quality score.

Такое определение нельзя автоматически переносить на произвольный сторонний инструмент: при другом знаменателе получится уже другая метрика с тем же названием.

Доля голоса в ИИ (AI Share of Voice, AI SoV) показывает относительное присутствие сущности или источника внутри заданной конкурентной и запросной среды.

У этой метрики нет одной универсальной формулы. Она может строиться по упоминаниям, цитированиям, оценочным impressions или взвешенному сочетанию нескольких сигналов.

Показателен подход Яндекса. В справке «Видимость сайта в Алисе AI» Share of Voice рассчитывается как доля запросов, в ответах Алисы AI на которые упоминается сайт, относительно всех запросов из рассматриваемого множества, по которым Алиса AI сформировала ответ. При этом анализ строится на запросах, где сайт уже имеет достаточную поисковую представленность.

Яндекс SoV поэтому представляет собой конкретную платформенную метрику со своим universe of queries, а не универсальную долю присутствия сайта во всех возможных разговорах с ИИ.

Показы внутри генеративного поиска дают наиболее близкий аналог классической поисковой экспозиции.

В специальном отчёте Search Console «Generative AI performance report (Search)» Google использует данные о появлении URL в AI Overviews и AI Mode. На 4 октября 2026 года этот отчёт развёрнут для сайтов глобально; Search Labs experiments в него не входят.

Такая метрика особенно важна, потому что строится на first-party telemetry самой платформы, а не на внешнем воспроизведении промптов.

Количество цитируемых страниц показывает, насколько распределено присутствие домена. Microsoft использует Average Cited Pages — среднее число уникальных страниц сайта, получающих цитирования в рассматриваемом периоде. Документация подчёркивает, что этот показатель нельзя интерпретировать как оценку authority или ranking.

Для контентного издателя эта метрика помогает отличить системную AI Visibility от зависимости всей видимости от одной удачной страницы.

AI Referral Traffic измеряет переходы из генеративных сервисов на сайт. Его следует соединять с sessions, engaged sessions, conversions, revenue или другими бизнес-показателями уже внутри веб-аналитики.

Это необходимый слой оценки экономического эффекта, но слабый показатель общей видимости. Пользователь способен увидеть бренд и получить всю необходимую информацию без перехода, поэтому отсутствие click не превращает impression или citation в отсутствие видимости.

3 июня 2026 года Google Search Central опубликовал материал «Introducing Search Generative AI performance reports in Search Console». Отдельные отчёты были созданы для анализа присутствия сайта в генеративных функциях Search и Discover, а к 31 августа 2026 года Search Generative AI reporting был развёрнут для сайтов по всему миру.

Search-отчёт охватывает AI Overviews и AI Mode. Центральное наблюдаемое событие — появление URL сайта внутри этих функций. Данные можно анализировать по страницам, странам, устройствам и датам. Это делает Google-подход близким к impression-based visibility: платформа непосредственно сообщает владельцу сайта о факте экспозиции его URL.

При этом Google не вводит универсальный «AI Visibility Score». Платформенная аналитика предоставляет исходные first-party observations, из которых издатель уже может строить собственные KPI.

Яндекс Вебмастер использует само понятие видимости непосредственно в названии инструмента «Видимость сайта в Алисе AI».

Сервис показывает данные за последние три месяца с еженедельным обновлением и анализирует присутствие сайта в ответах Алисы AI. Основной относительный показатель — Share of Voice: доля запросов с упоминанием сайта среди запросов рассматриваемого множества, на которые Алиса AI дала ответ. В интерфейсе также используются диапазоны присутствия относительно других сайтов, например top-3, top-10 и top-20.

Методология содержит важное ограничение. Яндекс строит анализ на запросах, по которым сайт уже достаточно заметен в обычном Search. Следовательно, полученный SoV характеризует AI-присутствие внутри определённого релевантного поискового пространства, а не абсолютную вероятность упоминания сайта по любому мыслимому запросу.

Именно такие ограничения должны сопровождать любую метрику AI Visibility: без знания исследуемой вселенной запросов процент легко воспринимается шире, чем он фактически измерен.

10 февраля 2026 года в публикации Microsoft «Introducing AI Performance in Bing Webmaster Tools Public Preview» был представлен раздел AI Performance. Он показывает использование издательского контента в Microsoft Copilot, генеративных сводках Bing и поддерживаемых партнёрских AI-интеграциях.

В его основе находятся Total Citations, Average Cited Pages, Grounding Queries и Page-Level Citation Activity. Grounding Queries представляют сгруппированные поисковые формулировки, связанные с citation activity; Microsoft отдельно предупреждает, что они не являются буквальными пользовательскими промптами.

В июне 2026 года система была расширена Intents, Topics, Citation Share и Compare. Для AI Visibility это особенно значимо: first-party analytics начинает измерять не только факт цитирования, но и тематический контекст, пользовательское намерение и относительную долю источника.

Одновременно документация устанавливает предел интерпретации. Данные AI Performance агрегируются и частично семплируются, дают репрезентативное представление, а не полный журнал всех взаимодействий. Изменение графика нельзя автоматически приписывать одной правке страницы, одному обновлению модели или одному внешнему событию.

OpenAI разделяет техническую доступность сайта для поиска и последующее пользовательское взаимодействие.

В документации «Overview of OpenAI Crawlers» OAI-SearchBot описывается как crawler, связанный с обнаружением и показом сайтов в ChatGPT search. GPTBot имеет другую функцию и связан с возможным использованием контента для обучения моделей. ChatGPT-User действует при пользовательских запросах и не служит механизмом определения поискового включения сайта.

В «Publishers and Developers — FAQ» издателям предоставляется наблюдаемый downstream-сигнал: переходы из ChatGPT Search маркируются utm_source=chatgpt.com.

Таким образом, техническая discoverability через OAI-SearchBot и referral attribution через UTM относятся к разным слоям измерения. Разрешение поисковому crawler доступ к странице создаёт возможность обнаружения, но само по себе не измеряет фактическую AI Visibility.

First-party measurement создаётся самой системой, формирующей ответы. Его преимущество заключается в прямом доступе к внутренней телеметрии: платформа знает реальные показы, цитирования, grounding queries или другие события, которые она решила открыть владельцам сайтов.

Third-party measurement воспроизводит заданный набор запросов во внешних AI-системах и наблюдает доступный ответ. Такой подход необходим для конкурентного анализа и межплатформенного мониторинга, поскольку владелец сайта обычно не получает от каждой системы одинаковую first-party статистику.

Эти два способа нельзя считать взаимозаменяемыми.

First-party система способна видеть огромный реальный поток запросов, но предоставляет только выбранные платформой агрегаты. Сторонний tracker контролирует собственный prompt set и может сравнивать конкурентов, однако работает на выборке и не наблюдает все приватные пользовательские диалоги.

Ahrefs прямо описывает свои AI Visibility metrics как измерения на отслеживаемом наборе AI responses, включая Mentions, Citations, Impressions и AI Share of Voice. Это метод мониторинга наблюдаемой выборки, а не полный журнал всех разговоров пользователей с моделями.

Поэтому наиболее сильная аналитическая архитектура объединяет оба слоя: first-party platform data для фактических событий и контролируемую external sampling methodology для сравнения сущностей, конкурентов, тем и платформ.

До запуска промптов нужно установить, что именно считается видимостью. Для издателя объектом может быть домен. Для производителя — бренд или продукт. Для экспертного проекта — автор, термин и принадлежащие проекту источники одновременно.

Если объект не определён заранее, метрика быстро смешивает разные события. Упоминание бренда в ответе и цитирование стороннего обзора этого бренда являются двумя разными типами присутствия.

Prompt set должен представлять реальное семантическое пространство темы. В него входят информационные, сравнительные, навигационные, коммерческие и другие релевантные намерения, если они соответствуют предметной области.

Простое накопление сотен похожих формулировок создаёт ложную точность. Десять почти идентичных промптов об одном продукте могут дать бренду высокий общий score, хотя на уровне тем его присутствие остаётся узким.

Поэтому корпус полезно стратифицировать по intent, topic, funnel stage, географии и языку. Тогда итоговую видимость можно анализировать как общую величину и как набор сегментов.

Генеративный ответ вариативен. Один и тот же промпт в разные моменты способен получить разный состав источников и разные формулировки.

Технически корректная единица исследования поэтому часто представляет собой не сам prompt, а prompt-run: конкретный запуск конкретной формулировки в определённой системе, в определённый момент и при зафиксированном доступном контексте.

Если один запрос запускается пять раз в течение недели, получаются пять наблюдений, а не одно.

Для каждого наблюдения желательно сохранять дату, платформу, режим поиска, язык, страну или регион, тип устройства при его влиянии на интерфейс, исходный prompt, тип результата, список цитируемых URL, упомянутые сущности и доступную информацию о модели или продуктовой версии.

Без такой фиксации временной ряд становится трудно интерпретировать. Изменение AI Visibility может быть вызвано обновлением контента, изменением поискового индекса, модельным обновлением, интерфейсным экспериментом, сезонностью запросов или простой вариативностью генерации.

Одна сущность может появляться под несколькими именами. Название компании, домен, сокращение и название продукта требуют entity resolution — сведения различных обозначений к одной отслеживаемой сущности.

Для URL дополнительно требуется нормализация протокола, поддомена, параметров и canonical representation. Иначе одна фактическая страница может быть ошибочно учтена как несколько источников.

Минимальный трекинг должен сохранять как минимум два независимых binary-события: entity mentioned и owned source cited.

Такое разделение позволяет увидеть четыре содержательно разных состояния: сущность упомянута и официальный источник процитирован; сущность упомянута, но официальный источник отсутствует; источник процитирован без явного названия сущности; отсутствуют оба события.

Для GEO именно эта матрица часто информативнее одного интегрального балла.

Если собственный сайт анализируется по 1 000 промптам, а конкурент по 200, сырые Citation Count несопоставимы. Если одна модель проверена сегодня, а другая месяц назад, разница также может отражать период измерения.

Корректный Share of Voice требует общего prompt universe, одинаковой частоты наблюдений и заранее определённого competitive set.

В классическом rank tracking один запрос также способен менять позиции, однако генеративная среда добавляет вариативность самого ответа и состава источников.

Если при 100 независимых наблюдениях бренд появляется в 32 ответах, простая оценка Presence Rate составляет 0,32. Такое число ещё не означает, что «истинная видимость бренда равна ровно 32%». Это выборочная оценка процесса, который меняется во времени.

Для регулярного мониторинга важнее поддерживать одинаковую процедуру измерения и следить за временным рядом, чем стремиться к ложной точности одной контрольной точки.

При достаточно большом эксперименте можно рассчитывать интервалы неопределённости. Для условно независимых бинарных наблюдений базовая оценка стандартной ошибки пропорции имеет вид √[p(1−p)/n]. В реальной AI-аналитике prompt-runs часто коррелированы: похожие запросы, одна модель и соседние даты создают зависимость. Поэтому для серьёзных исследований предпочтительнее стратифицированный анализ или bootstrap по группам запросов и периодам, а не механическое применение независимой биномиальной модели.

Практический вывод прост: изменение AI Visibility с 31,8 до 32,1 при небольшой выборке может не иметь содержательного значения. Сдвиг, устойчиво повторяющийся по нескольким периодам, темам и системам, представляет намного более сильный сигнал.

Предположим, издатель отслеживает 200 приоритетных запросов о своей предметной области. Это модельный пример, построенный на реально существующих типах платформенных метрик; приведённые числовые значения условны.

В Search Console за месяц сайт получил 18 000 generative AI impressions в AI Overviews и AI Mode. В Bing Webmaster Tools за тот же период зафиксировано 1 200 citations, а по одной группе grounding queries Citation Share достигла 18%. Яндекс Вебмастер показывает для рассматриваемого поискового пространства Share of Voice 12%. В собственной аналитике сайта зарегистрировано 420 переходов с utm_source=chatgpt.com.

Все четыре показателя относятся к AI Search, но описывают разные события.

18 000 Google impressions характеризуют экспозицию URL в определённых генеративных функциях Google. 1 200 Bing citations показывают видимые ссылки на сайт в поддерживаемых AI-сценариях Microsoft. Citation Share 18% выражает долю источника среди цитат в конкретном grounding-query context. Яндекс SoV 12% характеризует долю соответствующих запросов с упоминанием сайта внутри своей методологии. 420 ChatGPT referrals отражают уже состоявшиеся переходы пользователей.

Среднее арифметическое этих чисел не создаёт осмысленную AI Visibility. У метрик разные единицы измерения, знаменатели и пространства наблюдения.

Корректная аналитика сохранит их отдельными слоями, а общий executive score построит только после явного выбора нормализации и весов. Например, организация может сформировать собственный composite index из нормализованного Query Coverage, Citation Share, entity mentions и first-party impressions. Такой индекс будет внутренним управленческим показателем этой организации, а не универсальной характеристикой AI Visibility.

Поисковая оптимизация (Search Engine Optimization, SEO) работает с обнаружением, индексированием, пониманием и ранжированием веб-ресурсов в поисковой системе. Эти процессы сохраняют значение для генеративного поиска, поскольку веб-источник сначала должен быть доступен системе.

Оптимизация для систем ответов (Answer Engine Optimization, AEO) относится к практике подготовки информации для сред, которые предоставляют пользователю непосредственный ответ.

Оптимизация для генеративных систем (Generative Engine Optimization, GEO) относится к практике повышения пригодности и присутствия источника в средах, где ответ синтезируется генеративной системой с использованием внешней информации.

AI Visibility относится к другому классу понятия. Это наблюдаемый результат и измерительный слой. SEO, AEO и GEO описывают практики оптимизации; AI Visibility показывает, какое присутствие фактически получено в исследуемых AI-средах.

Поэтому рост AI Visibility может служить KPI GEO-программы, но сама AI Visibility не является методом оптимизации.

Генерация с дополнением поиском (Retrieval-Augmented Generation, RAG) представляет собой архитектурный подход, при котором генеративная модель получает внешний контекст, найденный отдельным retrieval-компонентом. Конкретные поисковые продукты способны использовать более сложные собственные архитектуры, поэтому термин RAG следует применять там, где такой механизм подтверждён, а не как универсальное название всякого AI Search.

Привязка ответа к источникам (Grounding) относится к использованию внешних данных для связывания генерируемого ответа с доступной информационной основой. Citation делает часть этой связи видимой пользователю, а атрибуция источника (Source Attribution) связывает конкретное содержание с определённым источником.

AI Visibility находится на уровне наблюдаемых последствий этих механизмов. Она измеряет, какие сущности и источники дошли до представления пользователю или до зарегистрированного платформой события.

Из этого следует важное ограничение интерпретации: отсутствие видимой citation не доказывает отсутствия retrieval, а факт citation не раскрывает полностью внутреннюю последовательность retrieval, reranking и source selection. Аналитика должна описывать именно то событие, которое наблюдается.

Bing частично сокращает этот разрыв, предоставляя Grounding Queries рядом с citation activity, однако сама документация подчёркивает, что показываемые формулировки являются сгруппированными выражениями, связанными с активностью цитирования, а не точной записью пользовательских промптов.

Генеративный поиск оперирует не только документами, но и именованными объектами информационного пространства: компаниями, людьми, продуктами, организациями, местами, понятиями и отношениями между ними.

Сущность (Entity) представляет собой однозначно идентифицируемый объект, сведения о котором могут встречаться во множестве документов. Поэтому бренд способен получать AI Visibility даже тогда, когда ответ не содержит ссылки на его официальный домен.

Это создаёт отдельный аналитический слой. Для бренда имеет значение, упоминается ли он по категории в целом, в каких темах, рядом с какими конкурентами, в какой роли и с какой оценочной характеристикой.

Однако entity presence и source visibility должны сохраняться раздельно. Ситуация «генеративная система знает бренд» отличается от ситуации «генеративная система использует официальный ресурс бренда как источник».

Связь с графами знаний (Knowledge Graph) здесь семантическая: чем точнее сущность идентифицирована и связана с другими объектами, тем надёжнее можно описывать её информаальное окружение. Из этого не следует автоматического правила, согласно которому определённая schema-разметка гарантирует упоминание в AI-ответе.

Google в «AI features and your website» прямо указывает, что для generative AI features не требуется специальная AI-разметка или отдельный schema.org-тип; сохраняются обычные требования Search и рекомендации по структурированным данным там, где соответствующая разметка действительно поддерживается поиском.

Если сервис показывает AI Visibility 63, необходимо сначала выяснить формулу. Число без определения набора промптов, платформ, конкурентного множества и весов не обладает переносимым смыслом.

Особенно опасно сравнивать scores разных сервисов как одну шкалу. Различия их методологий документированы самими инструментами.

Один удачный ответ показывает факт присутствия в конкретном наблюдении. Он ничего не сообщает об устойчивости результата.

Для измерения нужна серия запросов и, при значимой стохастичности, повторные запуски.

Бренд может быть назван без ссылки на его сайт. Сайт может быть процитирован в ответе, где название бренда визуально почти не выделено.

Эти события отражают разные виды присутствия и требуют отдельных метрик.

Microsoft специально предупреждает, что Total Citations и Average Cited Pages не являются оценкой позиции, authority или качества. Citation Share также не является ranking score.

Цитирование является наблюдаемой формой присутствия источника. Превращение его в универсальный «ранг ИИ» создаёт метрику, которой сама платформа не заявляет.

Переход появляется только тогда, когда пользователь совершил дополнительное действие. Generative answer способен сформировать значимую экспозицию бренда без клика.

Referral traffic нужен для оценки downstream value, а AI Visibility — для измерения более широкого присутствия.

В AI-поиске одновременно меняются модель, индекс, retrieval, конкурентный корпус, сами документы, набор запросов и пользовательское поведение.

Bing в официальной справке AI Performance прямо предостерегает от приписывания наблюдаемого тренда одному конкретному событию или обновлению.

Корректный вывод о причинности требует эксперимента или хотя бы устойчивого квазиэкспериментального дизайна, а не визуального совпадения двух дат.

Разрешение crawler обходить сайт создаёт условие обнаружения. Оно не гарантирует retrieval, citation или mention.

На примере ChatGPT это различие видно особенно хорошо: OAI-SearchBot относится к поисковой доступности сайта, тогда как фактическая видимость и переходы являются отдельными событиями.

Полноценная аналитика строится слоями.

Первый слой описывает техническую доступность: crawling, indexing, robots directives, canonicalization и другие условия, позволяющие системе обнаружить документ.

Второй слой измеряет присутствие в ответах: mentions, citations, cited URLs, Query Coverage, Topic Coverage и Intent Coverage.

Третий слой измеряет экспозицию: platform impressions, prominence и другие доступные показатели отображения.

Четвёртый слой добавляет относительное измерение: AI Share of Voice и Citation Share относительно конкурентов или общего пула источников.

Пятый слой связывает видимость с поведением пользователя: AI Referral Traffic, engagement, conversions и revenue.

Эти слои образуют аналитическую модель, а не обязательный вычислительный pipeline конкретной поисковой системы. Конкретный продукт может предоставлять только часть наблюдений или использовать другую внутреннюю архитектуру.

Для практического dashboard полезно сохранять сырые наблюдения рядом с агрегатами. Если итоговый AI Visibility Score вырос, аналитик должен иметь возможность разложить его обратно на конкретные изменения: стало больше цитируемых URL, расширилось query coverage, вырос Share of Voice или изменилась доля упоминаний бренда.

Именно декомпозируемость отличает измерительный инструмент от декоративного рейтинга.

Классическое SEO приучило индустрию мыслить связкой keyword → URL → position.

В AI Visibility центральной единицей всё чаще становится отношение:

намерение → ответ → сущность → источник → тип присутствия.

Один пользовательский вопрос способен порождать несколько grounding queries; один ответ способен использовать несколько источников; один источник способен поддерживать несколько утверждений; одна сущность способна быть упомянута без citation.

Поэтому аналитическая модель становится many-to-many.

Это не отменяет keywords. Запросы остаются важнейшими наблюдаемыми объектами, особенно в поисковых системах. Меняется способ связывать их с результатом: вместо одной позиции всё чаще приходится анализировать распределение присутствия по ответам, источникам, темам и намерениям.

Bing уже группирует AI Performance через Grounding Queries, Topics и Intents, а Яндекс строит видимость вокруг множества запросов, для которых формируются ответы Алисы AI. Эти платформенные решения показывают переход от единичного rank tracking к более многомерному представлению поискового присутствия.

Если результат измеряется только органическим трафиком, страница без кликов легко воспринимается как неэффективная. Генеративный поиск заставляет учитывать ещё одно состояние: документ может становиться информационным источником для ответа.

Из этого возникает новый вопрос контентной стратегии: какие части корпуса фактически участвуют в формировании информационного представления темы внутри AI Search.

Для ответа нужны URL-level citation data, topic coverage и entity-level observations. Тогда контентный аудит способен выделить не только страницы с трафиком, но и документы, которые обеспечивают source presence, поддерживают узнаваемость сущности или расширяют покрытие намерений.

При этом базовая поисковая работа сохраняет значение. Google в руководстве «AI features and your website» продолжает связывать присутствие в AI-функциях с обычной поисковой доступностью и качеством страницы и не требует отдельного набора специальных «GEO-тегов».

Следовательно, AI Visibility расширяет систему оценки SEO/GEO, а не создаёт повод заменять техническую доступность, качество контента и информационную архитектуру набором неподтверждённых AI-ритуалов.

Следующий этап поисковой среды связан с агентным поиском (Agentic Search), где система получает возможность не только найти и пересказать информацию, но и использовать её для последовательности действий.

При таком переходе нынешних metrics presence, citation и impression станет недостаточно для полного описания результата. Появятся дополнительные наблюдаемые состояния: источник был выбран агентом для проверки условия, данные были использованы при принятии решения, сервис вошёл в shortlist, действие было инициировано или успешно завершено.

Это аналитическая траектория, а не уже существующий единый стандарт Agent Visibility. Она следует из изменения самой функции поисковой системы: когда результатом становится действие, поисковое присутствие должно измерять не только информаальную экспозицию, но и участие источника в машинном выборе.

Поэтому AI Visibility занимает важное место между традиционной поисковой аналитикой и будущей аналитикой agentic environments. Она приучает измерять присутствие источника там, где выдача перестаёт быть статическим списком документов.

Видимость в ИИ (AI Visibility) становится новой метрикой поискового присутствия потому, что генеративная поисковая среда изменила сам объект измерения. Классическая позиция продолжает описывать ранжирование документа в SERP, но уже не способна полностью показать, используется ли страница в генеративном ответе, цитируется ли домен, упоминается ли сущность, в каких темах возникает это присутствие и какую долю источников она занимает.

AI Visibility представляет собой систему связанных измерений. В неё входят mentions, citations, impressions, Query Coverage, AI Share of Voice, Citation Share, cited pages и downstream AI Referral Traffic. Каждая метрика фиксирует отдельное наблюдаемое событие, а её значение определяется конкретным знаменателем и пространством измерения.

Развитие first-party инструментов в 2026 году сделало этот переход особенно явным. Google начал отдельно показывать присутствие URL в generative AI features Search, Яндекс измеряет видимость сайта и Share of Voice в ответах Алисы AI, Bing предоставляет citations, cited pages, grounding queries, intents, topics и Citation Share.

Главный методологический принцип состоит в том, чтобы не превращать AI Visibility в магический единый score. Сильное измерение начинается с определения объекта, набора запросов, платформы, периода, единицы наблюдения и типа события. После этого видимость можно раскладывать на присутствие сущности, использование источника, экспозицию, относительную долю и последующее действие пользователя.

Так AI Visibility становится полноценным аналитическим слоем GEO: она связывает работу retrieval, source selection, grounding, citation и attribution с тем, что в конечном счёте можно наблюдать и измерить снаружи — фактическим присутствием источника и сущности в генеративном поиске.