Бренд может лидировать по средней AI-видимости — и все равно исчезать именно в тех запросах, где клиент только выбирает решение. На двух реальных проектах показываем, как нейросети находят конкурентов раньше вас и какие пробелы в контенте, источниках и позиционировании за этим стоят.
Меня зовут Юлия Блынская, я руководитель интернет-агентства TexTerra. Мы работаем на рынке уже 18 лет. Нас в первую очередь знают как агентство, которое занимается контент-маркетингом в широком смысле этого слова: SEO, SMM, PR и другими направлениями, связанными с контентом.
Сегодня мы поговорим о нейровыдаче, AI-выдаче и продвижении в нейросетях. Сейчас это направление уже выделяется в отдельную услугу — GEO- и AEO-продвижение. Мы тоже начали развивать ее, объединив накопленный опыт в контент-маркетинге, SEO и других направлениях.
Мы заметили, что все больше клиентов приходит из нейросетей
Больше года назад мы начали замечать, что к нам приходит все больше лидов из нейросетей. Их количество постепенно увеличивается, причем клиенты называют разные сервисы. Это показывают и наши опросы при приеме заявок.
Поэтому сразу хочу задать вам вопрос: наблюдаете ли вы то же самое? Есть ли у вас уже лиды из нейросетей?
Когда мы увидели этот поток, стало понятно, что нужно разбираться, как устроена выдача в нейросетях, за счет чего бренд появляется в ответах и что можно сделать, чтобы он упоминался чаще. Одновременно начали появляться соответствующие запросы от наших клиентов.
Так мы пришли к теме сегодняшнего вебинара: почему вы проигрываете конкурентам в AI-выдаче.
Я расскажу о методологии конкурентного анализа в AI-среде, которую мы разработали и уже используем для мониторинга видимости собственного бренда и брендов клиентов. Она позволяет не просто провести анализ, но и найти слабые места и пробелы, которые мешают компании чаще появляться в ответах нейросетей. На основе этой картины можно составить конкретный список работ, которые помогут увеличить видимость.
Кроме того, сегодня я разберу два реальных проекта. В анонсах вебинара мы просили присылать сайты для публичного разбора, получили заявки и выбрали два проекта, которые покажем в эфире.
Пользовательский путь сократился до одного ответа
Сценарий поведения пользователей сильно изменился. Раньше человек шел в поиск, открывал несколько вкладок, изучал сайты и постепенно сравнивал варианты. Сейчас он может задать вопрос нейросети и сразу получить готовый ответ.
По сути, вся эта цепочка сократилась до одного ответа в нейровыдаче. Например, пользователь спрашивает у Алисы, какой триммер выбрать для дачи. Он уже понимает, какой товар ему нужен, но еще не знает, какой бренд выбрать. Нейросеть предлагает ему несколько вариантов — фактически формирует небольшой топ брендов, о которых пользователь до этого мог ничего не знать.
У нас как у исследователей сразу возникает вопрос: почему в этот ответ попали именно эти компании? Какие факторы повлияли на выдачу?
Наблюдая за работой нейросетей, мы выделили один из главных принципов, который раз за разом подтверждается: нейросеть формирует ответ на основе сигналов, полученных из разных источников.
Источником сигнала становится не только сайт бренда
Источником для нейросети может быть официальный сайт компании, но далеко не только он. Более того, в ответах она часто ссылается не на сайт бренда, а на внешние ресурсы. Нейросеть учитывает весь доступный контент во внутреннем и внешнем контуре бренда:
-
сайт компании;
-
отраслевые площадки;
-
рейтинги;
-
агрегаторы;
-
партнерские сайты;
-
отзывы;
-
обзоры;
-
публикации в медиа.
По совокупности этих сигналов она принимает решение о том, кого включить в ответ.
Важно понимать, что нейросеть не может сама оценить качество бизнеса, продукции или сервиса. Она не пользуется товаром, не общается с менеджерами и не проверяет, насколько хорошо компания выполняет обязательства. Она опирается на конкретный контент и источники, которые выглядят достаточно понятными, структурированными и убедительными.
Имеет значение не просто количество упоминаний. Важны одновременно количество, качество и убедительность контента.
Ответ на один и тот же запрос может меняться
Есть еще несколько особенностей нейровыдачи, которые необходимо учитывать.
Во-первых, один и тот же запрос, заданный в разное время, может привести к разным ответам.
Во-вторых, разные нейросети отвечают по-разному. Результаты в ChatGPT, Алисе, Perplexity и других системах не будут полностью совпадать.
Поэтому для повышения видимости важно накапливать понятные и убедительные сигналы в разных источниках. А для оценки положения бренда недостаточно один раз вручную задать вопрос одной нейросети.
Методология, о которой мы сегодня говорим, помогает увидеть ответы, в которых бренд упоминается или не упоминается, понять, какие конкуренты появляются вместо него, и определить источники, на которые опирается нейросеть.
Просадка в AI-выдаче — это почти всегда результат суммы факторов.
Нейросеть можно направить уточняющим вопросом
Приведу еще один пример. Мы попросили ChatGPT посоветовать магазин техники в Сибири. В ответе появились крупные федеральные компании: DNS, «М.Видео», «Ситилинк».
После этого мы задали уточняющий вопрос: почему нейросеть не посоветовала также e2e4 и «Позитронику» — достаточно заметные в регионе сети?
ChatGPT признал, что такие магазины существуют и что их тоже стоит рассматривать по отдельным категориям товаров.
В первоначальном запросе география уже была указана: нас интересовала именно Сибирь. Тем не менее региональные компании не вошли в первый ответ. После уточнения нейросеть изменила позицию и добавила их в рассмотрение.
Этот пример показывает, что выдача неоднозначна и может меняться в зависимости от того, в какую сторону пользователь направит диалог. Если завтра задать тот же вопрос, ответ тоже может оказаться другим.
Кроме того, выдача постепенно персонализируется и учитывает предыдущий контекст общения с пользователем. Это еще одна причина, по которой нельзя оценивать видимость бренда по единичному запросу.
Для измерения видимости нужна система промптов
Перед нами стояла задача понять:
-
по каким запросам бренд появляется в ответах;
-
по каким запросам его нет;
-
в какой тональности он упоминается;
-
в каких пользовательских сценариях он заметен;
-
с какими конкурентами его сравнивают;
-
что нужно сделать, чтобы появиться там, где бренда пока нет.
Мы пришли к выводу, что для этого нужна система промптов — широкий набор запросов, привязанных к разным интентам. Интент отвечает на вопрос, чего хочет пользователь и какую задачу он решает: один человек уже знает бренд, другой только понял, что у него есть проблема, третий выбирает товарную категорию, четвертый сравнивает нескольких производителей... Все эти люди задают разные вопросы и находятся на разных этапах принятия решения.
Поэтому нам нужно собрать промпт-сет, охватывающий разные пользовательские сценарии.
Мы анализируем не только упоминание бренда
Готовый промпт-сет связывается с важными для анализа параметрами. Например:
-
упомянут бренд или нет;
-
в какой тональности он упоминается;
-
какие конкуренты появились в ответе;
-
какие источники использовала нейросеть;
-
к какому этапу воронки относится запрос;
-
какие характеристики приписываются бренду.
Всего таких показателей может быть несколько десятков.
Методология помогает понять, в каких сценариях компания появляется, как именно ее описывают, какие конкуренты оказываются рядом и насколько устойчиво бренд представлен в разных нейросетях.
Анализ начинается с брифа и заканчивается списком задач
Вся последовательность работы выглядит следующим образом.
Сначала мы собираем бриф. Фиксируем основную информацию о компании, нише, конкурентах, географии, каталоге товаров или услуг, целевой аудитории и других важных особенностях проекта.
Затем составляем промпт-сет. Это один из ключевых этапов, потому что именно набор запросов задает направление всей дальнейшей работе и сильно влияет на итоговый результат.
После этого проводим замеры по выбранным промптам и связанным с ними параметрам.
Следующий этап — анализ и интерпретация результатов. Здесь мы видим пробелы и несостыковки в позиционировании.
Например, компания хочет восприниматься как сильный поставщик определенного вида техники, но нейросети связывают ее прежде всего с другой товарной категорией. Или по некоторым сценариям бренд вообще не появляется.
По результатам анализа мы составляем карту слабых мест, а затем формируем пул задач для маркетинговой, PR-, контентной и SEO-команд.
Рассмотрим, как это работает, на двух проектах.
Бренд Huter хорошо виден на поздних этапах выбора, но теряется на ранних
Первый проект — Huter, известный бренд садовой техники. Сайт проекта — huter.su.
В брифе были указаны следующие конкуренты:
-
«ВсеИнструменты.ру»;
-
«Кувалда»;
-
«Технопарк».
Среди ключевых критериев выбора клиент назвал цену, качество и долговечность.
Промпты делятся на восемь типов
Первый и один из самых важных шагов — сбор широкого промпт-сета. В нашей системе запросы делятся на восемь типов.
Первый тип — брендовые запросы. В них пользователь уже знает бренд и называет его.
Второй — категорийные. Пользователь спрашивает о конкретной категории товара, но не обязательно упоминает бренд. Например: «Какой триммер выбрать для дачи?»
Третий тип — продуктовые запросы, в которых называется конкретная модель.
Четвертый — информационные: как выбрать, настроить, использовать или починить товар.
Пятый тип — конкурентные запросы. Например, пользователь ищет альтернативу определенному бренду.
Шестой — коммерческие: цена, покупка, наличие и другие вопросы, связанные со сделкой.
Седьмой тип — проблемно-решенческие запросы. Пользователь еще может не знать ни бренда, ни подходящего товара. Он просто описывает проблему: например, участок сильно зарос или на даче постоянно отключается электричество.
Восьмой тип — сопоставительные запросы, в которых сравниваются два или несколько брендов. Например, Huter и Champion.
Для Huter мы собрали базовый промпт-сет из 80 запросов, распределенных по этим восьми типам. Это была демонстрационная версия. В реальном проекте набор может быть шире — например, если у компании большой каталог или сложная линейка услуг.
При этом нет задачи увеличивать количество промптов ради самого количества. Важно, чтобы набор охватывал ключевые пользовательские сценарии.
Ручные прогоны помогают очистить первоначальный набор
Следующим шагом мы провели ручные прогоны через ChatGPT.
Они нужны, чтобы очистить широкий базовый промпт-сет от лишних запросов. Уже после первого или второго прогона становится видно, что некоторые промпты приводят к практически одинаковым ответам, а другие дают слишком мало полезной информации. Такие запросы можно удалить.
Одновременно ручная проверка позволяет заметить первые закономерности.
По Huter мы увидели устойчивую видимость в трех кластерах:
-
брендовые запросы;
-
категорийные запросы;
-
информационные запросы.
После ручных прогонов мы сократили первоначальный набор из 80 запросов до 20 контрольных промптов.
Здесь важно понимать отличие от классического SEO. Промпт — это не точный поисковый ключ. Один промпт может покрывать сразу несколько вариантов пользовательского запроса.
Поэтому сужение большого набора до контрольного промпт-сета вполне закономерно. Главное — оставить по несколько запросов каждого типа, чтобы продолжать охватывать все значимые сценарии.
Видимость нужно проверять сразу в нескольких нейросетях
Контрольный набор из 20 запросов мы загрузили в сервис мониторинга Keys.so.
Ручные прогоны через ChatGPT показали определенную картину, но выше мы уже говорили о том, что выдача в разных системах отличается. Поэтому для системной работы нужно отслеживать видимость хотя бы в нескольких нейросетях.
В этом разборе мы использовали пять систем:
-
ChatGPT;
-
DeepSeek;
-
Perplexity;
-
Яндекс Алису;
-
Google AI Mode.
Средняя видимость Huter в пяти нейросетях составила 61 из 100.
Когда мы видим подобную цифру, сразу возникает вопрос: это много или мало? Хороший ли это результат? В ходе исследований мы поняли, что сама по себе средняя цифра в отрыве от конкретных ответов почти ничего не говорит, поэтому цифру стоит детализировать.
Средняя видимость скрывает сильные различия между запросами
На следующем этапе мы проанализировали ответы по отдельным типам запросов.
У Huter обнаружилась устойчивая видимость по брендовым, коммерческим и конкурентным промптам. Это сильная зона компании.
При этом по информационным и проблемно-решенческим запросам результат оказался радикально другим: видимость была очень низкой.
Информационные и проблемно-решенческие запросы относятся к ранним этапам воронки.
Пользователь спрашивает, как решить проблему, как разобраться в устройстве техники или что делать в определенной ситуации. Он еще не обязательно знает бренд и может даже не понимать, какой именно товар ему нужен.
Экспертных материалов, рассчитанных на этот этап, многим брендам в принципе не хватает.
В случае Huter мы увидели, что компания хорошо представлена в ответах, когда человек уже знает бренд, сравнивает его с другими производителями, изучает недостатки или цены. Но в отдельных категориях, связанных с ранним выбором, видимость очень низкая.
Реальные конкуренты в AI-выдаче могут отличаться от указанных в брифе
Следующий этап — анализ конкурентов.
В брифе Huter назвал «Кувалду», «Технопарк» и «ВсеИнструменты.ру». Но анализ ответов по широкому промпт-сету позволяет выявить два разных типа конкурентов.
Первый тип — компании и площадки, появляющиеся в запросах пользователей, которые уже близки к покупке и понимают, что хотят выбрать.
Здесь действительно оказались знакомые бренду конкуренты: официальный сайт, ретейлеры, «ВсеИнструменты.ру», маркетплейсы, включая Ozon и Яндекс Маркет, а также разные сервисные компании.
Второй тип — бренды, которые нейросеть предлагает пользователю, пока он еще не знает, какую марку выбрать и только осознает проблему.
В этих ответах появились Champion, Patriot и Denzel.
Компании не всегда воспринимают такие бренды как прямых конкурентов и не всегда учитывают их в своей аналитике. Но нейросеть уже ставит их рядом.
Дальше важно глубже изучить конкретные ответы:
-
почему нейросеть показывает эти бренды вместе с Huter;
-
в какой тональности она о них говорит;
-
кого считает лидером по отдельным параметрам;
-
какие преимущества приписывает каждому производителю.
Одного перечня конкурентов недостаточно. Нужно смотреть, как именно нейросеть их позиционирует.
Несколько доменов с названием бренда создают путаницу
Следующий шаг — анализ источников.
В случае Huter лидировал сайт huter.su: на него приходилось 42% упоминаний среди источников. На втором месте оказался huter.ru, на третьем — «ВсеИнструменты.ру».
При этом мы заметили несколько разных сайтов, в доменах которых присутствует название бренда.
Такие ресурсы могут забирать часть видимости и размывать брендовый сигнал. Для машины становится менее понятно, какой сайт считать главным и официальным.
У пользователя тоже может возникнуть путаница. Если в ответе на вопрос о выборе триммера он видит несколько похожих доменов, ему сложно определить, какой из них действительно принадлежит производителю.
Это один из важных моментов, которые подсветил анализ источников.
Ссылки усиливают товары, но почти не поддерживают экспертные материалы
Еще один этап — анализ внешних ссылок.
Внешние ссылки важны и для классического SEO, потому что передают страницам определенный вес. В AI-продвижении тоже существует связь между внешними подтверждениями и авторитетностью контента.
У huter.su мы обнаружили 89 ссылающихся доменов и более тысячи внешних ссылок.
Если бы речь шла о полноценном SEO-анализе, нужно было бы отдельно оценивать качество этих доменов. В данном случае нас прежде всего интересовало, на какие страницы ведут ссылки и с какими анкорами они размещены.
Сильнее всего оказались подкреплены:
-
главная страница;
-
страницы категорий;
-
карточки товаров.
Слабее всего:
-
гайды;
-
инструкции;
-
информация о гарантии;
-
страницы о сервисе;
-
материалы о запчастях.
Это подтверждает выводы, полученные при анализе нейровыдачи. У Huter мало экспертных материалов, которые помогали бы пользователю разобраться в проблеме. В результате сайт недостаточно убедительно выглядит для нейросетей как экспертный источник и не появляется по отдельным типам запросов.
Huter нужно усиливать экспертный и внешний контур
После анализа большого массива данных — ответов, конкурентов, источников, тональности, упоминаемости, цитируемости и общей видимости в разных нейросетях — мы составили карту слабых мест.
Это был демонстрационный, не самый глубокий аудит. Промпт-сет можно было бы расширить, но уже на этом уровне проявились явные пробелы:
-
слабая видимость по информационным запросам;
-
слабая видимость в проблемных сценариях;
-
недостаток страниц о сервисе, гарантии и запчастях;
-
нехватка экспертного контента.
Из этого вырисовываются четыре основных приоритета.
Первый — создавать экспертные материалы: статьи, гайды и другие страницы, закрывающие вопросы пользователей на ранних этапах воронки.
Второй — проработать проблемно-решенческие сценарии, по которым сейчас на сайте практически нет отдельных материалов.
Третий — усилить внешний контур и размещаться на отраслевых площадках.
Четвертый — работать со сравнительными материалами и рейтингами.
Под рейтингами здесь имеются в виду не только формальные списки с местами. Полезны материалы, в которых несколько брендов сравниваются по конкретным параметрам.
Мы обсуждали внутри агентства, насколько корректно бренду делать подобные материалы. Но такие сравнения в любом случае существуют, и особенно хорошо, если они появляются на авторитетных отраслевых ресурсах и помогают пользователю понять, какой вариант подходит для его задачи.
«ПромАгро» известен как производитель, но не всегда выглядит надежным в ответах AI
Второй проект относится к другой сфере. «ПромАгро» — производитель сельскохозяйственной техники, сайт prom-agro.com.
Если Huter предлагает массовую продукцию для сада и участка, то «ПромАгро» работает в B2B-сегменте. Здесь длиннее цикл сделки и значительно выше стоимость покупки. Техника требует серьезных инвестиций, поэтому клиент долго взвешивает риски и решает, стоит ли вкладывать деньги.
Представители проекта очень предметно заполнили бриф, хотя сам он был небольшим. Из ответов стало понятно, на что смотрит покупатель:
-
качество и надежность;
-
качество выполняемых операций;
-
ремонтопригодность;
-
доступность запчастей;
-
стоимость обслуживания;
-
окупаемость.
Клиент может сравнивать российскую технику с китайской, задаваться вопросом, сможет ли найти запчасти и насколько быстро окупятся вложения.
Из 48 промптов мы оставили 20 контрольных
Для «ПромАгро» мы собрали базовый промпт-сет из 48 запросов.
Затем провели три ручных прогона через ChatGPT и сократили набор до 20 контрольных промптов. После этого загрузили их в Keys.so и проверили в пяти нейросетях.
Средняя видимость «ПромАгро» составила 54 из 100, но мы уже знаем, что без анализа отдельных ответов эта цифра мало о чем говорит.
Сильные и слабые зоны «ПромАгро» похожи на картину Huter
У «ПромАгро» оказалась сильная видимость по брендовым запросам. Это объяснимо: компания давно работает на рынке, и нейросети знают ее как производителя сельхозтехники.
Также сильными были сопоставительные и продуктовые запросы. Сопоставительные запросы особенно важны для этого проекта. Потенциальные покупатели сравнивают китайскую и российскую технику, разные бренды и стоимость оборудования. Одно из частых возражений, указанных в брифе: отечественная техника должна стоить дешевле.
Но для нас важнее было найти слабые зоны, в которых есть потенциал роста.
Ими снова оказались:
-
информационные запросы;
-
проблемно-решенческие запросы;
-
категорийные запросы.
Для дорогостоящей техники это критично. Покупатель сравнивает варианты и оценивает риски еще до контакта с компанией. Поэтому «ПромАгро» важно закрывать вопросы, которые помогают клиенту понять, как именно покупка снизит риски и оправдает инвестиции. Это нужно делать и на собственном сайте, и на отраслевых площадках.
По части промптов результаты сильно различаются от нейросети к нейросети
Мы сравнили ручные прогоны через ChatGPT с кросс-системным замером по пяти нейросетям.
Контрольный промпт-сет состоял из 20 запросов. По 15 из них «ПромАгро» имел достаточно устойчивую видимость во всех пяти системах. По оставшимся пяти результаты сильно различались: где-то бренд появлялся, а где-то сигнал был очень слабым. Это еще раз показывает, что у каждой нейросети своя база источников и свои алгоритмы формирования ответа.
Матрица ответов позволяет увидеть такие пробелы и понять, по каким промптам видимость бренда пока недостаточно устойчива.
Лидерство над конкурентами еще не означает, что все хорошо
В отдельном отчете мы сравнили среднюю видимость «ПромАгро» с конкурентами, указанными в брифе.
«ПромАгро» оказался безусловным лидером:
-
«ПромАгро» — 54%;
-
«Велес» — около 21%;
-
FitAgro — около 9%.
Клиент также назвал компанию ЛБР-Агро, но сервис по какой-то причине не нашел по ней данных, поэтому мы не включили ее в сравнение.
Когда маркетолог или руководитель видит, что бренд лидирует, возникает соблазн успокоиться. Но необходимо смотреть глубже и изучать конкретные ответы по всем типам запросов.
Мы задали ChatGPT сопоставительный вопрос: попросили сравнить «ПромАгро», «Велес» и FitAgro по надежности, ремонтопригодности и окупаемости. Это именно те параметры, которые клиент назвал приоритетными при выборе техники. В ответе ChatGPT указал, что ему не хватает данных о «ПромАгро» и он не может уверенно назвать компанию надежным поставщиком и производителем.
С похожей ситуацией столкнулся и один из конкурентов.
Такой ответ может увидеть потенциальный клиент. Поэтому важно не просто присутствовать в выдаче, но и подтверждать свою экспертизу конкретным и убедительным контентом.
«ПромАгро» нужно подробнее отрабатывать риски покупки
По итогам аудита можно сделать следующий вывод: «ПромАгро» известен на рынке как производитель сельхозтехники, но у бренда слабая видимость по ранним и проблемно-решенческим запросам.
Для B2B-сегмента с длинным циклом сделки это критически важный кластер. Клиент может принять решение, еще не позвонив в компанию. Он читает материалы на сайте производителя, изучает сторонние источники, сравнивает оборудование и самостоятельно оценивает риски.
Поэтому необходимо создавать контент, связанный с рисками покупки:
-
надежность техники;
-
ремонтопригодность;
-
наличие и стоимость запчастей;
-
обслуживание;
-
окупаемость;
-
сравнение с альтернативами.
Отдельно стоит глубже изучить конкурентов. Например, посмотреть, почему ChatGPT подробно и убедительно описывает «Велес», какие аргументы использует и на какие источники опирается.
Дальше необходимо дополнять контент как на собственном сайте, так и на сторонних площадках.
В центре AI-продвижения все равно находится контент
В обоих проектах мы снова приходим к контенту. Но здесь нужно понимать его в широком смысле: это не только статьи в блоге, а все материалы, с помощью которых бренд подтверждает свою компетентность и преимущества.
При этом важно учитывать и техническую сторону. Нейросети лучше считывают структурированные ответы, схемы, графики, таблицы и материалы с понятной разметкой. Для машинной извлекаемости текста важна и микроразметка. Если она отсутствует или настроена неправильно, нейросеть может некорректно прочитать материал и не извлечь из него тот фрагмент, который мог бы попасть в ответ на целевой промпт.
Чтобы выигрывать в AI-выдаче, нужно сначала понять, где именно вы проигрываете
Подведем итог и соберем основные действия, которые помогают понять, куда направлять силы, время, бюджет и команду.
Первое — собрать промпт-сет. Для многих компаний это новая задача, но ей нужно уделить достаточно внимания. Набор промптов задает вектор всей дальнейшей работе.
Второе — проверить видимость бренда по этому промпт-сету в нескольких нейросетях. Можно использовать любые доступные инструменты, но не стоит ограничиваться одной системой.
Третье — проанализировать видимость конкурентов и сравнить себя с ними как в ответах, где бренд уже присутствует, так и там, где его нет.
Четвертое — изучить источники, которые цитируют нейросети. Это необязательно будет официальный сайт. Часто в ответах появляются сторонние площадки, о существовании которых компания могла даже не знать. Нужно понять, что это за ресурсы и можно ли с ними сотрудничать.
Пятое — внимательно прочитать сами ответы. Их может быть очень много, но без этого невозможно понять, как именно нейросеть видит бренд. Компания может воспринимать и позиционировать себя одним образом, а нейросеть — совершенно другим. При анализе важно снять внутренние ограничения и посмотреть на факты максимально объективно.
Шестое — проверить достоверность информации о бренде. Для этого полезно составить единую матрицу фактов и следить за консистентностью данных. На собственном сайте и внешних площадках должна быть одна и та же информация о компании. Если разные источники противоречат друг другу, нейросети не понимают, какой версии доверять, и могут вообще не использовать эти сведения в ответе.
Седьмое — составить карту пробелов и перевести ее в конкретные задачи для команды. Работы, скорее всего, окажется много. Но на примере двух проектов мы увидели повторяющуюся закономерность: даже достаточно известные и авторитетные бренды проседают по информационным и проблемно-решенческим запросам.
У менее известных компаний слабыми могут оказаться и брендовые запросы. Поэтому каждый проект нужно рассматривать отдельно.
Рынок AI-продвижения еще только формируется
Тема непростая, потому что рынок пока только формируется. Мало кто до конца понимает, что именно нужно делать и какие действия действительно влияют на результат.
Мы тоже постепенно нащупывали свою методологию. Сейчас видим, что она дает нужную картину и вносит ясность за счет широты анализа и достаточно репрезентативной выборки.
Мы продолжим развивать эту тему в блоге, а на следующем вебинаре подробнее разберем контент брендов: что именно мешает ему попадать в ответы нейросетей и как можно усилить конкретные материалы.
