По данным Adobe Analytics, в праздничный сезон 2025 года трафик на розничные сайты в США из инструментов генеративного ИИ вырос на 693,4% по сравнению с предыдущим годом. Технологические гиганты уже интегрируют функции покупок в свои продукты: OpenAI развивает исследовательские возможности в ChatGPT, Google использует ИИ для генерации рекомендаций, а Amazon расширяет своего ИИ-ассистента. Однако этот рост создает новую проблему для маркетологов: попытки измерять видимость бренда в ИИ-ответах по старым правилам SEO приводят к искаженным результатам.

Проблема вариативности ответов

В отличие от традиционного поиска, где позиция сайта в выдаче относительно стабильна, генеративные модели склонны к вариативности. Если задать одному и тому же ИИ-ассистенту один и тот же вопрос десять раз, можно получить десять разных комбинаций товаров. Бренд может занять первое место в одном ответе, четвертое в другом и вовсе исчезнуть в третьем. Маркетологи, которые интерпретируют каждый такой ответ как изменение рейтинга, видят ложную картину нестабильности, хотя на самом деле это лишь особенность работы нейросетей.

Такой подход опасен тем, что он напрямую влияет на распределение бюджетов. Компании могут тратить ресурсы на изменение контента или изучение конкурентов, реагируя на случайные колебания, которые не имеют под собой реальных рыночных причин.

От позиций к доле рекомендаций

Чтобы получить достоверные данные, необходимо сменить единицу измерения. Вместо фиксации конкретного места в одном ответе, эксперты предлагают использовать «долю рекомендаций» (recommendation share). Анализ 3300 трендов рекомендаций показал, что, хотя отдельные ответы часто меняются, общая распределительная структура рекомендаций остается гораздо более стабильной.

Эффективная стратегия измерения должна опираться на два фактора: объем выборки и время. Вместо того чтобы реагировать на исчезновение бренда из трех ответов, компаниям следует отслеживать, сохраняется ли снижение доли рекомендаций на протяжении нескольких недель в сотнях релевантных диалогов. Это позволяет отличить обычную вариативность модели от реального изменения рыночной позиции.

Разный подход к разным моделям

Маркетологам важно анализировать паттерны отдельно для каждой системы, а не объединять их в единый индекс видимости. ChatGPT, Google Gemini и другие модели используют разные источники данных: OpenAI опирается на данные продавцов и публичную информацию, а Google — на агрегированные данные Shopping. Изменение позиций в одной модели при стабильности в другой может указывать на специфические проблемы с данными, которые видит конкретный алгоритм.

Понимание того, в каких именно категориях (например, «кроссовки для марафона» против «кроссовок для трейлраннинга») бренд получает рекомендации, помогает выявить пробелы в описании товаров, отзывах или полноте информации у ритейлеров. Это дает возможность точечно работать с контентом, чтобы ИИ-системы могли точнее связывать продукт с потребностями потребителей.