По каким метрикам оценивать генеративную оптимизацию (GEO)

Генеративную оптимизацию сложно оценивать по привычной схеме «позиция → переход → заявка». Пользователь может задать вопрос ИИ, получить рекомендацию компании или товара, ничего не открыть и продолжить диалог. Через несколько дней он самостоятельно введет название компании в поиске, перейдет на сайт и оставит заявку. В стандартной аналитике конверсия будет отнесена к поиску или прямому трафику, хотя одним из первых контактов с брендом был AI-ответ.
Поэтому GEO нельзя оценивать только количеством переходов из нейросетей. Необходима система показателей, которая учитывает три уровня: видимость в AI-ответах → взаимодействие и изменение спроса → бизнес-результат. Именно такой подход позволяет понять, стало ли присутствие компании в генеративном поиске действительно сильнее и влияет ли оно на продажи.

Почему обычных SEO-метрик недостаточно

В SEO результат удобно отслеживать через позиции, показы, CTR, органический трафик и конверсии. Пользователь вводит запрос, видит результаты поиска, переходит на сайт и совершает действие.
В генеративном поиске путь выглядит иначе: вопрос → AI-ответ → уточнение → сравнение → рекомендация → возможный переход или отложенный поиск компании.
Часть взаимодействия происходит за пределами сайта. Пользователь может получить все необходимые сведения непосредственно в диалоге и не совершить переход. При этом бренд уже участвовал в принятии решения.
Поэтому отсутствие клика еще не означает отсутствие эффекта.

GEO ближе к многоканальной модели

Генеративный поиск находится между SEO, рекомендациями и работой с узнаваемостью. Он способен привести прямой трафик, но одновременно влияет на будущие действия пользователя.
Представим покупателя металлопроката. Он спрашивает ИИ: «Где можно заказать профильную трубу с резкой и доставкой?». Нейросеть предлагает несколько вариантов. Пользователь изучает ответ, но никуда не переходит.
Позже он вводит название одного из поставщиков непосредственно в поисковой системе и оставляет заявку.
В веб-аналитике AI может вообще не появиться в цепочке, хотя фактически участвовал в выборе.
Именно поэтому GEO необходимо анализировать сразу на нескольких уровнях.

Три основные группы GEO-метрик

Практически показатели удобно разделить на три группы.

Такая модель помогает не делать выводы по одному показателю. Например, рост упоминаний выглядит положительно, но если компания появляется преимущественно в негативном контексте, сама цифра ничего не говорит об эффективности.

Упоминаемость бренда в AI

AI Brand Mentions показывает, как часто название компании, бренда или продукта появляется в ответах нейросетей по выбранному набору промптов.
Это одна из базовых GEO-метрик.
Допустим, собрано 100 релевантных вопросов покупателей. Компания появилась в ответах по 27 из них. Через несколько месяцев после оптимизации — по 41.
Такую динамику уже можно анализировать.
Но важно использовать одинаковую методику: сопоставимый набор запросов, одинаковые типы интентов и одни и те же AI-системы. Иначе результаты разных периодов сложно сравнивать.

Почему упоминание и ссылка — не одно и то же

Нейросеть может назвать компанию или товар, но не поставить ссылку на сайт. Поэтому необходимо разделять упоминаемость и цитирование.
Первое показывает, знает ли система бренд и включает ли его в ответы. Второе — использует ли сайт непосредственно как источник.
Оба сценария полезны, но выполняют разные функции. Упоминание работает прежде всего на узнаваемость и попадание в поле выбора, а ссылка дополнительно создает возможность прямого перехода.
Именно поэтому в исходном материале эти показатели рассматриваются отдельно. Вставленный текст

Коэффициент цитирования

AI Citation Rate показывает, как часто сайт появляется среди источников или сопровождает ответ ссылкой.
Упрощенно показатель можно рассчитать так:
AI Citation Rate = количество ответов со ссылкой на сайт / количество проверенных релевантных AI-ответов × 100%
Например, если по 50 целевым промптам сайт использован в качестве источника в 10 ответах, коэффициент цитирования составит 20%.
При регулярном мониторинге важнее не абсолютное значение, а динамика: растет ли частота использования сайта как источника после обновления контента.

Индекс AI-видимости

AI Visibility Index — более комплексный показатель. Он учитывает не просто наличие бренда, но и заметность внутри ответа.
Компания может находиться в начале рекомендации, в сравнительной таблице, среди основных вариантов или упоминаться одной фразой в конце длинного текста. Формально во всех случаях бренд присутствует, но реальная заметность различается.
Поэтому индекс можно строить с учетом частоты упоминаний, позиции внутри ответа, типа промпта и роли бренда в рекомендации.
Единой универсальной формулы здесь нет. Важно, чтобы компания использовала одну методику последовательно и могла сравнивать собственную динамику.

Share of AI Voice

Share of AI Voice показывает долю присутствия бренда относительно конкурентов.
Представим, что по выбранной группе коммерческих запросов нейросети суммарно упомянули компании отрасли 200 раз. На конкретный бренд пришлось 30 упоминаний.
Его доля AI-голоса в таком наборе составит 15%.
Эта метрика особенно полезна для конкурентного анализа. Можно увидеть не просто собственный рост, а изменение положения относительно других участников рынка.
Для металлопроката это может быть сравнение поставщиков по промптам «где купить арматуру с доставкой», «поставщики профильной трубы», «где заказать металлопрокат с резкой».
Для недвижимости — сравнение застройщиков или жилых комплексов по запросам покупателей.

Покрытие тематических кластеров

Присутствовать по одному типу запросов недостаточно. Бренд может регулярно появляться при вопросах о цене, но отсутствовать при запросах о выборе, характеристиках, доставке или сравнении.
Для этого используется Topic Coverage — покрытие тематических кластеров.
Например, для магазина металлопроката можно выделить кластеры:

• выбор продукции;
• характеристики;
• применение;
• цены;
• доставка;
• резка;
• сравнение видов металлопроката;
• выбор поставщика.
  После этого проверяется присутствие компании внутри каждого направления.
  Так становится видно, какие части пользовательского пути уже охвачены, а где существуют информационные пробелы.

Видимость нужно оценивать по интентам

Список промптов лучше группировать не только по темам, но и по намерению пользователя.
Информационный запрос: «Чем профильная труба отличается от круглой?»
Сравнительный: «Что лучше использовать для каркаса — профильную трубу или уголок?»
Коммерческий: «Где купить профильную трубу с доставкой?»
Рекомендательный: «Посоветуй поставщика металлопроката».
Если бренд присутствует только в информационных ответах, но исчезает на этапе выбора продавца, общая цифра видимости может создавать слишком оптимистичную картину.

Тональность упоминаний

Количество упоминаний необходимо анализировать вместе с их контекстом.
Условно тональность можно разделить на положительную, нейтральную и отрицательную. Но еще полезнее смотреть непосредственно на содержание.
Например:
«Компания предлагает широкий ассортимент металлопроката» — нейтрально-положительный контекст.
«Этот поставщик может подойти, если важна резка в размер» — конкретная рекомендация.
«В отзывах встречаются жалобы на сроки доставки» — потенциальный репутационный риск.
Во всех трех случаях бренд упомянут, но значение упоминания для бизнеса совершенно разное.
Исходный материал также предлагает использовать анализ тональности для выявления источников, из которых AI получает негативные сигналы. Вставленный текст

Корректность информации — отдельная метрика качества

Количество присутствий еще не показывает, правильно ли нейросеть описывает компанию.
Стоит отдельно фиксировать ошибки: устаревшие цены, неправильные характеристики, несуществующие услуги, неверные адреса, старые условия доставки.
Можно использовать показатель доли корректных ответов:
Correct AI Answers Rate = корректные ответы / все ответы с упоминанием бренда × 100%
Для e-commerce это особенно важно. Лучше получить меньше точных упоминаний, чем большое количество рекомендаций с неправильной информацией о товарах.

Реферальный трафик из AI

Самая понятная метрика — пользователи, которые непосредственно перешли из генеративного сервиса на сайт.
Такой трафик необходимо выделять в отдельный сегмент и сравнивать с другими каналами.
Полезно анализировать количество визитов, глубину просмотра, вовлеченность, конверсию, количество заявок и поведение на посадочных страницах.
При этом AI Referrer Traffic нельзя использовать как единственный показатель GEO. Значительная часть взаимодействий с брендом может происходить без перехода. В исходном материале прямо отмечается необходимость отделять AI-рефералы от обычного реферального, органического и прямого трафика. Вставленный текст

Какие страницы получают AI-трафик

Полезно смотреть не только количество переходов, но и URL, на которые приходят пользователи.
Например, AI может чаще приводить посетителей не на главную страницу, а на подробные статьи, карточки товаров, сравнительные материалы или FAQ.
Это помогает понять, какой контент генеративные системы считают полезным и какие страницы работают как новые точки входа.
Если одна статья регулярно получает переходы из AI, ее можно дополнительно проанализировать: какие вопросы она закрывает, какие смысловые блоки используются и можно ли применить аналогичный подход к другим страницам.

Брендовый спрос как косвенный показатель

Человек может увидеть название компании в AI-ответе, запомнить его, а позже самостоятельно найти в поиске.
Поэтому динамику брендовых запросов стоит отслеживать вместе с GEO.
Если после роста AI-видимости увеличивается количество запросов с названием компании, это может быть косвенным признаком влияния генеративного поиска.
Но важно не приписывать весь рост GEO. На брендовый спрос одновременно влияют реклама, PR, сезонность, офлайн-активность и другие каналы.
Поэтому здесь корректнее говорить о связи показателей, а не автоматически объявлять один причиной другого.

Прямой и брендовый трафик

По той же причине полезно наблюдать за прямыми заходами и органическими переходами по брендовым запросам.
Если пользователь сначала познакомился с компанией через ИИ, а затем самостоятельно ввел адрес сайта или название бренда, аналитика покажет другой источник.
Поэтому изменение прямого и брендового трафика может использоваться как дополнительный сигнал, но только в совокупности с другими данными.

Лиды из нейросетей

Следующий уровень — реальные обращения.
Для пользователей, которые пришли непосредственно по AI-ссылке, атрибуция относительно проста: можно выделить источник и проверить целевые действия.
В CRM полезно сохранять источник обращения, если технически это возможно.
Затем можно анализировать не просто количество визитов, а сколько пользователей из AI оставили заявку, позвонили, запросили расчет или совершили покупку.
Для металлопроката целями могут быть «Запросить счет», «Получить расчет», «Узнать стоимость доставки» или звонок.
Для недвижимости — заявка на консультацию, запрос планировки или запись на просмотр.

Качество лидов важнее их количества

Допустим, из AI пришло всего 20 обращений, а из обычного поиска — 200. На первый взгляд канал кажется незначительным.
Но затем выясняется, что пользователи из AI чаще знают, какой товар им нужен, уже сравнили варианты и задают конкретные вопросы.
Поэтому необходимо смотреть не только количество лидов, но и их качество.
Можно отслеживать долю квалифицированных обращений, переход от заявки к коммерческому предложению, сделки и средний чек.
Только после этого становится понятно, насколько ценен AI-трафик для конкретного бизнеса.

Конверсия AI-трафика

Для прямых переходов можно использовать обычную формулу:
CR AI = количество целевых действий из AI / количество AI-визитов × 100%
Но сравнивать этот показатель с SEO или рекламой нужно осторожно. У каналов разная роль в воронке.
Пользователь из поисковой рекламы может находиться в начале выбора, а человек из AI уже провел предварительное исследование и перешел на сайт только для уточнения условий.
Поэтому различия в конверсии не обязательно говорят о том, что один канал «лучше» другого.

Ассоциированные конверсии — самая сложная часть

Самый трудный сценарий выглядит так: AI → без перехода → поиск бренда через несколько дней → сайт → заявка.
Обычная аналитика не всегда позволяет увидеть первое касание.
Такие конверсии можно рассматривать как ассоциированные: AI участвовал в принятии решения, но не стал последним каналом перед заявкой.
В исходном материале именно такие отложенные конверсии названы одной из основных проблем атрибуции GEO. Вставленный текст
Полностью решить эту задачу пока сложно. Поэтому в GEO особенно опасно требовать идеальной атрибуции каждой продажи.

Продажи и выручка

Если данные позволяют связать AI-трафик с CRM, следующим этапом становятся сделки и выручка.
Полезно отслеживать:

• количество продаж;
• выручку;
• средний чек;
• долю квалифицированных лидов;
• длительность цикла сделки;
• повторные покупки;
• ценность клиента.
  Для B2B это особенно важно. Один качественный лид на крупную поставку металлопроката может иметь значительно большую ценность, чем десятки информационных переходов.

ROI GEO

Окупаемость генеративной оптимизации — одна из самых сложных метрик.
Базовая формула остается привычной:
ROI = (доход, связанный с GEO − расходы на GEO) / расходы на GEO × 100%
Главная проблема находится не в формуле, а в словах «связанный с GEO».
Прямые продажи после переходов из AI посчитать относительно просто. Гораздо сложнее учесть пользователей, которые познакомились с брендом в нейросети, а конвертировались через другой канал.
Поэтому расчет ROI лучше внедрять после настройки базового мониторинга и накопления данных. Аналогичная последовательность предлагается и в исходном материале. Вставленный текст

Не нужно сразу пытаться доказать каждую продажу

На начальном этапе GEO полезнее ответить на более простые вопросы.
Стала ли компания чаще появляться в AI? Стало ли больше цитирований? Расширилось ли тематическое покрытие? Улучшился ли контекст упоминаний? Появились ли прямые переходы? Есть ли заявки?
Если по всей цепочке наблюдается положительная динамика, можно переходить к более сложной атрибуции.
Попытка сразу рассчитать точную окупаемость при отсутствии даже базового мониторинга обычно создает ложную точность.

Условный пример для металлопроката

Представим поставщика металлопроката, который начал оптимизировать страницы под генеративный поиск.
Ситуация: компания хочет понять, работают ли изменения, но прямых переходов из AI немного.
Что можно сделать: сформировать набор коммерческих, сравнительных и информационных промптов — например, про выбор профильной трубы, поставщиков арматуры, резку металла и доставку. Зафиксировать первоначальную частоту упоминаний и цитирований.
После обновления контента проверять тот же набор запросов через определенные интервалы.
Дополнительно отслеживать AI-трафик, брендовые запросы, заявки и страницы входа.
Что считать положительным сигналом: рост присутствия по целевым промптам, появление сайта среди источников, расширение тематического покрытия и появление качественных обращений.
Это условный сценарий, а не описание результатов конкретного проекта.

Условный пример для интернет-магазина

Интернет-магазин хочет понять, влияет ли GEO на продажи отдельных товарных категорий.
Ситуация: товары начали чаще появляться в AI-рекомендациях, но заметного роста прямого реферального трафика нет.
Что можно проверить: изменились ли брендовые запросы, выросла ли посещаемость конкретных карточек из других каналов, какие товары AI рекомендует чаще и насколько корректно передает их характеристики.
Если одновременно растут AI-упоминания, брендовый интерес и конверсия отдельных страниц, это повод изучать связь глубже.
Но утверждать, что весь прирост обеспечен GEO, без полноценной атрибуции нельзя.

Условный пример для недвижимости

Представим сайт жилого комплекса.
Потенциальные покупатели спрашивают AI: «Какие новостройки есть рядом с метро?», «Где купить двухкомнатную квартиру с отделкой?» или «Какие ЖК сдаются в следующем году?».
Для оценки GEO можно отслеживать, появляется ли объект в таких ответах, насколько часто AI ссылается на официальный сайт, корректно ли передает цены и сроки сдачи, а также меняется ли брендовый спрос.
Если пользователи переходят из AI, отдельно оцениваются заявки на консультацию и просмотр.
Так GEO-анализ связывается с реальным путем покупателя, а не только с количеством упоминаний.

Как сформировать семантику для GEO

В SEO мы привыкли собирать поисковые запросы. Для GEO этого недостаточно — необходимы промпты, то есть реальные разговорные формулировки вопросов.
Например, вместо одного запроса «профильная труба купить» могут появиться:
«Где заказать профильную трубу с доставкой?»
«Какие поставщики продают профильную трубу с резкой?»
«Какую трубу выбрать для каркаса навеса?»
«Сравни варианты профильной трубы для наружной конструкции».
Промпты необходимо распределить по темам и интентам. В исходном материале построение GEO-аналитики также начинается с такого семантического ядра. Вставленный текст

Почему набор промптов должен быть стабильным

AI-ответы могут меняться даже при одинаковой формулировке. Поэтому случайная проверка нескольких вопросов сегодня и совершенно других через месяц практически ничего не показывает.
Для мониторинга нужен контрольный набор.
Часть промптов можно периодически обновлять вслед за спросом, но основное ядро лучше сохранять. Тогда появляется возможность сравнивать периоды и видеть направление изменений.
Особенно полезно иметь отдельные группы информационных, сравнительных, коммерческих и брендовых вопросов.

Нужно ли проверять ответы вручную

Полностью автоматического мониторинга недостаточно. Генеративные ответы нестабильны, а разные инструменты могут фиксировать их по-разному.
Поэтому автоматические сервисы удобно использовать для масштабного наблюдения, а важные промпты периодически проверять вручную.
Исходный материал также отмечает ситуации, когда автоматический мониторинг не обнаруживал присутствие бренда, которое выявлялось при ручной проверке. Вставленный текст
Ручная проверка дополнительно позволяет оценить то, что сложно выразить одной цифрой: насколько заметно упоминание, корректно ли описание и в каком контексте находится бренд.

Как часто проводить мониторинг

Частота зависит от масштаба проекта и скорости изменений. Для большинства задач нет необходимости ежедневно вручную проверять сотни промптов.
Базовые показатели можно собирать автоматически чаще, а подробный сравнительный анализ проводить через фиксированные интервалы.
Главное — соблюдать одинаковую методику. Если один период анализировался по 100 промптам в трех системах, а другой по 20 промптам в одной, сравнение будет некорректным.

Как построить GEO-дашборд

Удобный отчет лучше разделить на несколько блоков.
Видимость: AI Brand Mentions, Citation Rate, Visibility Index, Share of AI Voice, Topic Coverage.
Контекст: тональность, корректность информации, тип упоминания.
Трафик: переходы из AI, страницы входа, поведение.
Спрос: брендовые запросы и прямой трафик.
Бизнес: лиды, квалифицированные обращения, продажи и выручка.
Такой отчет показывает всю цепочку, а не один красивый показатель.

Что сравнивать с конкурентами

Для конкурентного анализа полезны Share of AI Voice, количество тематических кластеров, частота цитирования и тип рекомендаций.
Например, конкурент может упоминаться реже, но почти всегда находиться среди первых рекомендуемых вариантов. Другой бренд появляется часто, но только как дополнительный пример.
Поэтому конкурентный анализ должен учитывать не только количество, но и качество присутствия.

Что считать хорошим результатом GEO

Универсального значения «AI Visibility должна быть не ниже 70%» или «Citation Rate должен составлять 50%» не существует.
Ниши, бренды, количество конкурентов, типы запросов и сами генеративные системы различаются.
Поэтому лучший ориентир — собственная исходная точка и конкурентное окружение.
Если компания присутствовала по 10% целевых сценариев, а спустя несколько месяцев стабильно появляется по 25%, это конкретная динамика. Насколько она ценна для бизнеса, покажут следующие уровни — трафик, спрос и продажи.

Частые ошибки при оценке GEO

Первая ошибка — использовать только SEO-метрики. Позиции и органический трафик важны, но не показывают всю AI-видимость.
Вторая — считать только переходы из нейросетей. Пользователь может взаимодействовать с брендом без клика.
Третья — учитывать количество упоминаний без контекста.
Четвертая — смешивать разные AI-системы в один показатель и не видеть различий между ними.
Пятая — постоянно менять набор промптов и затем сравнивать несопоставимые периоды.
Шестая — считать рост брендового спроса исключительно результатом GEO.
Седьмая — не связывать данные с CRM.
Восьмая — пытаться рассчитать ROI до настройки базовой аналитики.
Девятая — считать любое упоминание успехом, даже если AI передает неправильную или негативную информацию.
Именно отсутствие связи между видимостью и бизнес-результатом исходный материал называет одной из ключевых ошибок GEO-аналитики. Вставленный текст

Как построить систему GEO-аналитики

Работу удобно разделить на четыре этапа.
Этап 1. Зафиксировать исходную точку. Собрать промпты, проверить AI-системы, определить упоминаемость, цитирование, долю голоса и тематическое покрытие.
Этап 2. Настроить аналитику. Выделить AI-трафик, определить страницы входа, настроить цели и по возможности передавать источник в CRM.
Этап 3. Проводить регулярный мониторинг. Проверять динамику одинакового набора промптов, контекст упоминаний и источники.
Этап 4. Связать с бизнесом. Сопоставлять видимость с лидами, продажами, брендовым спросом и другими коммерческими показателями.
Исходный материал предлагает похожую последовательность — от аудита AI-присутствия и фиксации базовых показателей к атрибуции, дашбордам и регулярному анализу. Вставленный текст

Минимальный набор метрик для старта

Необязательно сразу создавать сложную систему из десятков показателей. Для первого этапа достаточно отслеживать:
AI Brand Mentions — как часто упоминается бренд;
AI Citation Rate — как часто сайт используется как источник;
Share of AI Voice — насколько заметен бренд относительно конкурентов;
Topic Coverage — по каким темам компания присутствует;
Sentiment — в каком контексте ее описывают;
AI Referrer Traffic — сколько пользователей непосредственно приходит из AI;
AI Leads — сколько обращений можно связать с этим трафиком.
Когда накопятся данные, можно добавлять более сложную атрибуцию и ROI.

Главное — смотреть на цепочку, а не на одну цифру

GEO не стоит оценивать вопросом «сколько переходов дала нейросеть?». Более полезная последовательность выглядит так:
Нас видят? → Нас цитируют? → Нас рекомендуют по нужным темам? → Информация о нас корректна? → Пользователи начинают искать бренд? → Они переходят на сайт? → Оставляют заявки? → Становятся клиентами?
Каждый уровень отвечает на свой вопрос. Если проблема возникает на первом этапе, бессмысленно ждать роста продаж. Если видимость уже высокая, а обращений нет, нужно анализировать контекст рекомендаций, посадочные страницы и сам продукт.

Вывод

Эффективность генеративной оптимизации нельзя измерить одной метрикой. GEO работает внутри сложного покупательского пути, где знакомство с брендом, переход на сайт и покупка могут происходить в разных каналах и в разное время.
Поэтому правильная модель строится на трех уровнях: AI-видимость → взаимодействие пользователя → бизнес-результат.
На уровне видимости стоит отслеживать упоминания, цитирование, Share of AI Voice и тематическое покрытие. На уровне взаимодействия — контекст, тональность, прямой AI-трафик и изменение брендового спроса. На уровне бизнеса — лиды, квалифицированные обращения, сделки, выручку и, когда накоплено достаточно данных, ROI.
При этом задача аналитики заключается не в том, чтобы искусственно приписать GEO каждую продажу. Важно увидеть устойчивую цепочку: компания чаще появляется в релевантных AI-ответах → присутствие становится качественнее → пользователи взаимодействуют с брендом → влияние начинает проявляться в спросе и коммерческих показателях.
Именно такая система позволяет оценивать GEO как полноценное направление продвижения, а не просто считать количество упоминаний в нейросетях.