Видимість марки в AI: як я її вимірюю і якими інструментами

Видимість марки в AI - це частка відповідей AI-асистентів на запитання ваших клієнтів, у яких марку названо або подано її сторінку як джерело. Рахую її на власному наборі запитань, окремо для кожного асистента й окремо для згадки та цитування. Ніхто, крім постачальників асистентів, не знає всіх запитань, які ставлять їм люди, тож «частку ринку AI» порахувати неможливо. Кожна цифра про видимість в AI має сенс лише разом з інформацією, на чому її пораховано: на скількох запитаннях, у якому асистенті й якого дня.

Тричі з серпня по жовтень моя власна перевірка показала, що цифра, яка виглядала добре, означає не те, що я думав:

1. «Присутність марки» у звіті з одного з моїх проєктів виявилася цитуванням сторінки, а не згадкою марки. У Perplexity звіт показував 2%, а марку було названо в 37% запитань; у самих запитаннях без її назви - у 21%.
2. Тест, який мав показати, що позиція за підзапитами (запитами, які асистент сам надсилає до пошуковика під час відповіді) передбачає цитування краще, ніж позиція за основним ключовим словом, давав результат, що відповідав тезі, доки рецензент не помітив, що я порівняв вимірювання різної точності.
3. Кількість цитувань в інструменті зросла за тиждень наполовину у двох марок, а їхня частка майже не змінилася, тож, найімовірніше, зростала база відповідей, зібраних інструментом (його індекс), а не видимість марок.

Видимість в AI вимірюю так, щоб знайти такі помилки до звіту для клієнта, а не після нього. Другий із цих випадків я описав у тексті про AI SEO і GEO, два інші - нижче.

Що таке видимість марки в AI?

Видимість марки в AI - це присутність марки у відповідях, які генерують AI Overview і режим ШІ в Google, ChatGPT, Gemini, Perplexity і Copilot, виражена як частка таких відповідей. Марка може бути у відповіді двома способами, і рахую їх окремо:

1. Згадка: назва марки є в тексті відповіді, який читає користувач.
2. Цитування: сторінку марки подано як джерело, зазвичай у примітці або в списку посилань поруч із відповіддю.

Одне не випливає з другого. Асистент може порекомендувати марку, назвавши її і не подати її сторінки, бо знає про неї з пам'яті або з чужих текстів. Може також подати сторінку марки як джерело загальної інформації і жодного разу не написати її назви. У тексті про AI SEO і GEO описую, звідки асистент бере знання про марку: з пошуку чи з пам'яті моделі.

У відповіді AI немає позиції, тож вимірюю частку, а не місце. Відповідь асистента щоразу виникає наново і не є списком із десяти результатів. Eli Schwartz сформулював це одним реченням:

Тому замість позиції рахую, у скількох відповідях на мій набір запитань з'являється марка. Цифра «марка на 3-му місці в ChatGPT» описує одну відповідь з одного дня, а наступна відповідь на те саме запитання може назвати інші марки в іншому порядку.

Як перевірити видимість марки в ChatGPT та інших AI-асистентах?

Перевіряю її в шести кроках, а рахую лише в п'ятому. Попередні кроки потрібні для того, щоб цифра наприкінці стосувалася правильної марки й правильних запитань.

Крок 1. Перевірте, чи асистент знає, про яку марку йдеться

Перш ніж щось рахувати, ставлю запитання лише з назвою марки й читаю відповідь. Якщо асистент плутає марку з іншою компанією, кожна наступна цифра може стосуватися не тієї фірми. В одному з польських інтернет-магазинів інструмент видимості в AI показав 55 балів зі 100 і 100% частки, а всі відповіді, з яких він це порахував, стосувалися іншої, відомої фірми з такою самою назвою. В іншому інструменті марка, назва якої є звичайним словом зі словника, отримала понад 400 тисяч сторінок зі згадкою, бо інструмент рахував кожне вживання цього слова. Марка для порівняння мала їх менше ніж 7 тисяч.

Коли таку саму назву носить фірма з тієї самої галузі, вимірювання втрачає сенс, а коли хтось з іншої сфери, вимірювання лише складніше. У першому випадку, перш ніж щось рахувати, впорядковую опис марки на її сайті та в профілях, щоб асистент міг її відрізнити. Моє ім'я й прізвище носять, зокрема, актор і пілот, тож вимірювання моєї марки має сенс, але при кожній згадці перевіряю, чи вона стосується мене.

Крок 2. Прочитайте результати Google за назвою марки

AI Overview і режим ШІ користуються індексом Google, тож спершу перевіряю, що Google показує за самою назвою марки. Для кожного результату з першої десятки записую, чи контролюю цю сторінку повністю, частково (наприклад, профіль у чужому сервісі), чи взагалі ні. За моїм іменем і прізвищем 3 жовтня 2026 у польському Google я не контролював повністю жодного з 10 результатів, а один контролював частково.

Потім шукаю на цих сторінках речення, які асистенти повторюють про марку. Якщо речення є в результатах, знаю, звідки асистент його бере, і можу попросити виправити ту сторінку. Якщо його там немає, імовірно, воно в пам'яті моделі, і виправлення сторінок його швидко не змінить.

Крок 3. Складіть набір запитань і не змінюйте його

Запитання беру з даних про попит і з Search Console, а не з мозкового штурму. З Search Console вибираю запити, за якими сайт уже показується, а решту доповнюю ключовими словами з інструментів дослідження ключових слів. Поділ запитань за позицією сторінки описав у тексті про SEO-стратегію. Якщо за період, з якого беру запити, сайт має в Search Console менше ніж приблизно 1 000 показів і 100 різних запитів, не виводжу з нього запитань, бо з такої малої вибірки не виберу запитань, які щось кажуть про ринок. Це орієнтовний поріг із мого процесу, а не результат тесту.

Більшість запитань складаю без назви марки, з причини, описаної в тексті про AI SEO і GEO. Запитання «чи X хороший» вимірює, що асистент знає про X, а не те, чи порекомендує він X комусь, хто про нього не чув. Запитання без назви марки складаю в трьох формах (приклади умовні):

• категорія з уточненням, наприклад «бухгалтерська фірма для ФОП у Кракові»;
• порівняння, у якому є лише назва конкурента, наприклад «альтернатива [конкурент]»;
• запитання про конкретну можливість, наприклад «який застосунок для нотаток працює без інтернету».

Запитання про репутацію рахую окремо і до видимості не зараховую. «Чи X - надійна компанія» та пари запитань «кого обрати» і «кого уникати» показують, що асистент думає про марку, а не те, чи він її рекомендує. У магазині, про який я писав у кроці 1, асистенти відповідали на запитання, чи це надійний магазин, цитуючи скарги клієнтів.

Запитання про польську марку ставлю польською та англійською. У моєму тесті частина підзапитів до польських запитань була англійською, про що пишу в тексті про AI SEO і GEO.

Набору не змінюю між вимірюваннями. Нові запитання додаю як окрему групу, бо кожна зміна списку псує порівняння з попереднім вимірюванням.

Крок 4. Визначте кількість повторень за результатами пілота й запишіть час і місце вимірювання

Кількість повторень не встановлюю наперед: на новому наборі запитань спершу роблю пілот, у якому кожне запитання ставлю 10 разів, усі одночасно. Так радить Dmitrij Żatuchin у протоколі Dice Roll Method для повторюваного опитування моделей про марки (arXiv, версія 2 від 14.10.2026). За даними пілота обчислюю, наскільки відрізняються відповіді на те саме запитання і наскільки відрізняються між собою запитання, а на цій основі - скільки повторень потрібно для результату, який мене цікавить. У цій версії роботи автор відкликав сталі пороги з першої версії (від 5 до 20 повторень залежно від типу дослідження), бо виявилося, що їх порахували на даних із синтетичного генератора, а не на даних із досліджень.

Пілот зазвичай дає два різні числа: мало повторень для сукупного результату асистента і набагато більше для порівняння одного запитання до зміни й після неї. Цифри з мого тесту й із роботи Dmitrij Żatuchin показую нижче, у частині про повторення. AI Overview у моїх даних був найстабільнішим: у 77 із 94 запитань дав три однакові відповіді, тож для нього зазвичай досить одного завантаження.

Для кожної відповіді записую чотири речі: асистента, поверхню, версію моделі та дату й час відповіді. Поверхня - це місце, де модель відповідає: застосунок чату, API, режим ШІ в Google або AI Overview. Відповіді з API не мусять збігатися з тим, що бачить користувач застосунку, тож результатів із двох поверхонь не додаю в одну цифру.

Час відповіді дає змогу відрізнити випадковість від зміни в часі. У тесті повторень Perplexity цитувало сторінку проєкту в 0, 2 і 9 запитаннях у наступних повтореннях за майже сталої кількості згадок (33, 36 і 35). Найімовірніше, під час вимірювання змінився доступ до сторінки, але в таблиці не було часу відповідей, тож перевірити це неможливо. Тому в наступних вимірюваннях надсилаю повторення одночасно й записую час кожної відповіді.

Крок 5. Порахуйте згадки й цитування окремо

Результат для асистента - це частка всіх відповідей, у яких з'явилася марка, окремо для згадки й для цитування. Джерела об'єдную з усіх повторень. Запитання, у яких марка з'явилася лише в частині відповідей, позначаю як нестабільні й не роблю з них висновків про окреме запитання.

Крок 6. Перевірте, що може скасувати діагноз

Перш ніж написати клієнтові, чого йому бракує, перевіряю ситуації, у яких діагноз був би помилковим:

• Асистент нікого не рекомендує в цій категорії, наприклад у запитаннях про здоров'я, фінанси чи право. Тоді немає прогалини, яку могла б заповнити марка.
• Асистент відповідає з пам'яті, без пошуку. Тоді робота на сайті ще довго нічого не змінить.
• Конкурент, якого я сам вписав до порівняння, не працює. В одному вимірюванні чотири домени, на яких я збудував тезу, що категорія порожня, не мали навіть запису DNS, тобто адреса домену не вела до жодного сервера. Нуль цитувань у конкурента, чий сайт не працює, не означає вільного місця в категорії.
• Видимість в AI зростає, а трафік із Google за той самий період падає. SearchPilot описує тест для сервісу Omio, у якому зміна на сторінках допомогла трафіку з мовних моделей, але, за їхньою оцінкою, знизила б трафік із Google приблизно на 6,5%, тож її не впровадили (SearchPilot). Тому поруч із відповідями AI завжди дивлюся на трафік із Google.

Після кожної зміни на сайті чи в описі марки повторюю кроки з 4 до 6 на тому самому наборі запитань. Лише тоді результат до зміни й після неї можна порівняти.

Які метрики видимості в AI вимірювати?

Для кожного асистента вимірюю два числа: частку відповідей зі згадкою марки і частку відповідей із цитуванням її сторінки. До цього - частку відносно конкурентів на тому самому наборі запитань і кількість нестабільних запитань. Трафік з асистентів в аналітиці розглядаю як окрему міру, бо він завжди занижений: частина переходів приходить без інформації про джерело.

Коли я порахував згадки окремо, виявилося, що звіт про «присутність марки» вимірював цитування. В одному з проєктів, які веду, вимірювання від 29 серпня 2026 охопило 94 запитання, п'ять поверхонь AI і три повторення, разом 1 410 відповідей. Скрипт, який його рахував, вважав марку присутньою лише тоді, коли серед джерел була її сторінка, а опис методу у звіті говорив про присутність марки у відповіді. У жовтні я порахував у тих самих відповідях саму назву марки:

У Perplexity й Gemini марку було названо більш ніж у третині запитань, а звіт показував 2% і 0%. Цифри згадок охоплюють 19 запитань із назвою марки, тож у самих 75 запитаннях без назви вони нижчі: від 21% до 28% залежно від асистента. Це все одно приблизно п'ята частина запитань в асистентах, у яких звіт показував майже нуль. Від цього аналізу рахую обидві міри окремо й так само вимагаю від кожного звіту, який отримую.

Згадка без цитування і цитування без згадки - для мене дві різні гіпотези й дві різні роботи, які описую в розділі про прогалину у видимості. Обидві гіпотези перевіряю зміною та наступним вимірюванням.

Частка рахується на відповідь, а не на цитування

Частку марки серед конкурентів рахую на відповідь, а не на цитування, бо відповіді мають дуже різну кількість джерел. У вимірюванні для однієї польської SEO-агенції 23 відповіді на запитання про рекомендацію агенції мали від 1 до 13 джерел. Частка, розрахована на цитування, надала б відповідям із 13 джерелами вагу в тринадцять разів більшу, ніж відповідям з одним. Коли рахую на відповідь, кожна відповідь важить стільки ж, бо користувач читає одну відповідь за раз.

Список джерел із ChatGPT треба очистити від результатів пошуку, які модель лише переглянула. Інструмент, яким збираю відповіді ChatGPT, повертає поруч із джерелами, процитованими у відповіді, також увесь список результатів пошуку, які модель бачила. В одній відповіді таких результатів було 52, а процитованих джерел 7. У тих самих 23 відповідях після відкидання цього списку кількість цитувань упала з 279 до 181, а список місць, де варто з'явитися, - з 10 до 6 позицій.

Скільки повторень досить?

У моєму тесті трьох повторень кожного запитання вистачило для результату асистента загалом, але не для оцінки окремого запитання. У тесті повторень приблизно половина запитань, у яких марка з'явилася бодай раз, мала нестабільний результат: у ChatGPT 18 із 36 для цитування сторінки (усі 94 запитання), а в режимі ШІ 16 з 29 для згадки в запитаннях без назви марки. Запитання, яке в одному прогоні «має марку», у наступному може її не мати.

• 13%Стільки запитань без назви марки було б у ChatGPT помилково оцінено (марку названо чи ні) за трьох повторень. Якщо поставити запитання один раз, 21%, за п'яти 9%, за семи 8%.Оцінка з моделі на даних із 1 410 відповідей, 14.10.2026
• 1,5 в. п.Такою є типова похибка (стандартне відхилення) частки відповідей зі згадкою марки в ChatGPT за трьох повторень, у запитаннях без назви марки. За п'яти 1,2 в. п.Оцінка з моделі на даних із 1 410 відповідей, 14.10.2026
• 0,33Медіана подібності списків процитованих доменів між двома повтореннями того самого запитання в ChatGPT і режимі ШІ: спільна частина, поділена на всі домени з обох списків (1 означає ідентичні списки). У Perplexity 0,92.Тест повторень, 14.10.2026
• 77 із 94У стількох запитаннях AI Overview дав три однакові відповіді.Тест повторень, 14.10.2026

Від трьох до п'яти повторень результат для асистента покращився в моєму тесті менш ніж на відсотковий пункт, тож для цього результату зазвичай лишаюся на трьох. Це оцінка зі статистичної моделі, підігнаної до одного проєкту, одного вікна вимірювання й двох асистентів (ChatGPT і режиму ШІ), а не вимірювання, і тому на новому наборі перевіряю її пілотом. Подібний результат має Żatuchin: на 250 різних запитаннях уже одне чи два повторення давали коефіцієнт надійності 0,80, а п'ять повторень 0,96 (1 означає, що середні з повторень без похибки відрізняють запитання одне від одного).

Для порівняння одного запитання до зміни на сайті й після неї потрібно 15-25 повторень, а не три. За симуляцією Dmitrij Żatuchin за п'яти повторень шанс виявити велику зміну на одному запитанні становить лише 15-19%, а 80% досягається лише за 15-25 повторень. Його дані стосуються рекомендування марок моделями, опитуваними через API, тому для відповідей із пошуком цю цифру теж перевіряю пілотом.

Списку джерел з одного повторення не використовую, бо в ChatGPT і режимі ШІ спільна частина двох повторень того самого запитання - це зазвичай лише одна третина всіх доменів, процитованих в обох. Список місць, де марка має з'явитися, будую з усіх повторень, з кількістю появ кожного домену.

Джерела можуть змінюватися також з тижня на тиждень. SISTRIX відстежував 82 619 запитань упродовж 17 тижнів у шести країнах (без Польщі), і в ChatGPT з тижня на тиждень змінювалося до 74% процитованих джерел; це найвище значення, а не середнє (SISTRIX, 01.05.2026). Тому зміну в джерелах визнаю лише тоді, коли вона повториться в наступному вимірюванні.

Як працюють інструменти вимірювання видимості в AI і як їх обрати?

Інструменти видимості в AI роблять те саме, що ручне вимірювання: ставлять асистентам набір запитань, записують відповіді й рахують, де з'являється марка. Вони відрізняються тим, чиї це запитання, скільки разів їх ставлять і що рахують. Дані беру з трьох типів джерел:

Абсолютні цифри ростуть разом з індексом інструмента

Кількість цитувань в інструменті може зрости наполовину за тиждень, хоча частка марки не змінюється. У звіті Ahrefs про кількість відповідей AI, що цитують домен, побудованому на базі запитань Ahrefs, я порівняв два зчитування для двох великих інтернет-магазинів у Німеччині, від 26 липня і 2 серпня 2026. Кількість їхніх цитувань у ChatGPT за цей час зросла в обох на 50%, а частка одного з них у загальній кількості цитувань обох магазинів майже не змінилася: 34,2% і 34,1%. У Perplexity цифри зросли на 68% і 185%. Найімовірніше, зростала база інструмента, а не видимість цих марок. Це дві марки, один інструмент і один тиждень.

Тому з інструментів беру частку, а не абсолютні цифри, і лише для асистентів, у яких частка в моєму порівнянні не змінилася більш ніж на пів відсоткового пункту. Так було в ChatGPT, AI Overview, режимі ШІ та Grok (асистенті компанії xAI), а в Perplexity, Gemini і Copilot частка змінилася приблизно на 3-11 відсоткових пунктів. Це одне порівняння за один тиждень, тож припускаю стабільність, доки наступне зчитування їй не суперечитиме.

Що перевіряю перед вибором інструмента

Перед вибором інструмента перевіряю сім речей:

1. Чи показує згадку й цитування окремо.
2. Чи можу додати власні запитання і тримати їх без змін протягом багатьох місяців.
3. Скільки разів ставить кожне запитання і чи показує, які запитання нестабільні.
4. Чи записує версію моделі, поверхню й дату кожної відповіді.
5. Чи підтримує мій ринок і мову.
6. Чи показує повні відповіді, щоб я міг перевірити, чи йдеться про правильну марку.
7. Чи подає частку на тому самому наборі запитань, а не лише абсолютні цифри.

Оцінок тональності з класифікатора, який я тестував, не наводжу. В одному випадку він позначив як негативну відповідь, що закінчувалася вердиктом «X - кращий вибір для більшості команд». Тональність оцінюю, читаючи сам фрагмент відповіді, або не пишу про неї нічого.

Один «показник видимості в AI» з інструмента не є для мене метою. Він об'єднує згадки, цитування й різних асистентів, тож з нього не прочитаєш, що змінилося. Цифру з інструмента завжди подаю разом із бізнес-показником: запитами від клієнтів, продажами або трафіком із Google.

Безплатні джерела: Bing і Google

Bing Webmaster Tools безплатно показує, скільки разів Copilot і відповіді AI в Bing цитували ваші сторінки. Звіт AI Performance оголошено 10 лютого 2026 як тестову версію. Він показує кількість цитувань, кількість процитованих сторінок за день, цитування окремих адрес і вибірку фраз, якими AI шукало контент, перш ніж його процитувати (Bing Webmaster Blog). Це дані лише з Bing і Copilot, тож вони не замінюють вимірювання в ChatGPT.

Search Console показує покази сторінок в AI Overview і режимі ШІ, але не каже, чи було названо марку. Google відкрив цей звіт частині сайтів у червні 2026, а від 31 серпня 2026 усім (Google Search Central, Довідка Search Console). Опис звіту говорить про покази за сторінками, країнами, датами й пристроями, а не описує згадок у тексті відповіді чи запитань, що їх спричинили. Це добра перевірка з боку Google, але не вимірювання згадок.

Власне вимірювання через API

Власне вимірювання через API коштує мало, але потребує часу на підготовку й контроль. Прогін 14 запитань на чотирьох поверхнях (ChatGPT із пошуком, режим ШІ Google, а також Gemini і Perplexity через API), разом 56 відповідей, коштував мені 0,82 USD за API, з чого 0,63 USD припало на Gemini (першу з цих цифр я навів у тексті про AI SEO і GEO). Це був перший із трьох прогонів вимірювання для SEO-агенції, а все вимірювання, разом 180 відповідей, коштувало близько 2,8 USD. За цими ставками набір зі 100 запитань на чотирьох поверхнях із трьома повтореннями, тобто 1 200 відповідей, коштував би близько 18-19 USD за вимірювання, здебільшого за Gemini. Пілот із десятьма повтореннями на тому самому наборі - це 4 000 відповідей і близько 60 USD, одноразово. Часу потребує складання запитань, перевірка, чи асистент не плутає марку з іншою, і читання відповідей. У тексті про інструменти AI в SEO описав тести, після яких цифри з таких вимірювань рахую скриптом, а не моделлю.

Що робити, коли вимірювання покаже прогалину у видимості?

Вимірювання показує, у якій ситуації марка, а від цього залежить, що я роблю:

• Марки немає ні в згадках, ні в джерелах, а асистент шукає в мережі: працюю над видимістю сайту в Google за цими запитаннями та їхніми варіантами. Починаю з перевірки, чи роботи асистентів узагалі отримують сторінку, так само як в SEO-аудиті.
• Марку згадують, але її сторінку не цитують: виправляю фрагменти сторінки так, щоб вони відповідали на запитання без решти тексту.
• Сторінку цитують, але марку не названо: працюю над тим, що про марку пишуть інші, бо, імовірно, саме з чужих текстів асистент знає, кого порекомендувати. У тексті про лінкбілдинг в епоху AI описав, як планую згадки на сайтах, які AI уже цитує.
• Асистент відповідає з пам'яті й подає застарілі або неправдиві факти: спершу один послідовний опис марки у власних каналах, потім публікації в місцях, які редагують інші. Ефекту за квартал не обіцяю.

Ефект кожної з цих робіт перевіряю наступним вимірюванням на тому самому наборі запитань, бо жодна з них не дає гарантії. У тексті про AI SEO і GEO описав, які з цих дій мають докази, а які є популярною порадою без вимірювання. Там також мої тести, які кількох таких порад не підтвердили.

Чого вимірювання видимості в AI не скаже?

Вимірювання не скаже, скільки людей побачили марку у відповідях AI. Частка стосується мого набору запитань, а не всіх розмов з асистентами, кількості яких я не знаю.

Не скаже воно й того, чому асистент обрав саме цю марку, а не іншу. Діагноз із вимірювання - це гіпотеза, яку перевіряю зміною й наступним вимірюванням на тому самому наборі.

Результат одного дня не є трендом. Постачальники змінюють моделі та спосіб пошуку, а зміни не завжди оголошують, тож порівнюю лише вимірювання з тією самою поверхнею й записаною версією моделі, а зміну визнаю тільки тоді, коли вона повториться в наступному вимірюванні.

Для Польщі бракує даних про те, якими асистентами люди користуються. Польського дослідження про те, як часто люди використовують окремих асистентів, я не знайшов, тож не знаю, яку вагу має результат у кожному з них. Тому показую результат для кожного асистента окремо й не зводжу їх до середнього.

Що вимірюю на власній марці?

На rogala.pro вимірюю те саме, що в клієнтів, але перше вимірювання (точку відліку) від 26 липня 2026 зробив слабшим методом. Воно мало одну відповідь на запитання й не охопило результатів із ChatGPT. Точку відліку і те, що я змінив відтоді, описав у тексті про AI SEO і GEO. 25 серпня налаштував в Ahrefs Brand Radar щоденну перевірку чотирьох запитань із точки відліку в ChatGPT для Польщі. Результатів цієї щоденної перевірки не описую, доки не зіставлю їх із вимірюванням від 1 листопада. Перше вимірювання методом із цього тексту запланував на 1 листопада 2026 як пілот: ті самі чотири запитання на чотирьох поверхнях, кожне 10 разів. Результат опишу в обох текстах, навіть якщо він буде нульовий.

Найчастіші запитання про видимість марки в AI

З чого почати?

Перше вимірювання можете зробити самі за годину, без платного інструмента. Поставте асистентові одне запитання лише з назвою марки й перевірте, чи він знає, про кого йдеться. Виберіть із Search Console десять запитів, за якими ваш сайт показується, поставте їх без назви марки тричі в ChatGPT і в режимі ШІ Google та запишіть окремо, де марку названо, а де її сторінка є джерелом. Це дасть картину всього набору; про окремі запитання більше скаже лише пілот із десятьма повтореннями. Якщо результат вас здивує, це хороша тема для консультації.