Как ставить KPI в GEO, если нельзя гарантировать результат

Редакция «Текстерры»

«Взрослые очень любят цифры», — писал де Сент-Экзюпери. Что поделать: через цифры действительно удобно и справедливо договариваться, и маркетинга это тоже касается. В рекламе мы считаем заявки и стоимость лида, в SEO — трафик, конверсии и видимость. Руководитель хочет понимать, что получит за бюджет, подрядчик — по каким критериям у него примут работу.

В GEO цифры тоже есть: можно измерять упоминаемость бренда в AI-ответах, цитируемость, точность описаний, используемые источники. Сложность начинается, когда такую метрику пытаются превратить в обещание вроде «через три месяца упоминаемость вырастет на 30%».

Исполнитель не контролирует, какой источник выберет AI-система в следующем ответе, когда обновятся индекс или модель и повторится ли результат при новой проверке. Это общая проблема молодого рынка, причем не только российского: подходы к оценке GEO сейчас формируются по всему миру. Так что же в таких условиях можно честно гарантировать клиенту?

Мы пришли к модели, которая учитывает эту неопределенность — и при этом позволяет достаточно конкретно оценивать и саму работу, и ее результаты.

KPI по AI-видимости полезен как ориентир, но не как гарантия успеха

Давайте сразу разведем три понятия.

• Метрика показывает наблюдаемое состояние. Например, мы видим, что бренд появился в 14 из 40 проверяемых коммерческих сценариев — то есть метрика упоминаемости составила 35%.

• KPI задает измеримую цель по этой метрике: например, за полгода увеличить присутствие бренда в том же наборе сценариев с 35 до 50%.

• Обязательство подрядчика определяет результат, за достижение которого исполнитель готов отвечать перед клиентом — например, взять на себя обязательство достичь этих самых 50%.

И даже эти показатели только косвенно связаны с реальным влиянием канала на прибыль. Причем это не что-то специфическое для GEO: даже позицию сайта, которую сравнительно просто зафиксировать, нельзя напрямую приравнять к конечному результату для бизнеса — первое место по запросу само по себе ничего не говорит о качестве заявок и продажах. Подробнее эту проблему мы недавно разбирали в статье о продвижении по позициям в 2026 году.

В GEO неопределенности еще больше. AI-система отбирает источники, выбирает из них факты, связывает их и формирует итоговый ответ, поэтому между выполненной работой и результатом замера остается значительная вариативность.

Но компания при этом вполне может поставить себе KPI: например, повысить долю присутствия бренда в выбранных коммерческих сценариях с 35 до 50% за шесть месяцев. Для подрядчика этот показатель будет целевой метрикой проекта, по которой можно оценивать динамику и принимать решения о дальнейших работах. Однако гарантировать достижение именно 50% разумный подрядчик сейчас не может, поскольку часть факторов, от которых зависит итоговый ответ AI-системы, находится вне его контроля.

Рынок пока не выработал единой методики AI-видимости

Главная сложность с KPI в GEO в том, что рынок пока не договорился даже о едином способе измерять AI-видимость. Разные сервисы считают ее по-разному, поэтому фраза вроде «AI-видимость выросла на 20%» в двух отчетах может означать разные вещи.

Например, Ahrefs в Brand Radar считает упоминания, цитирования, AI Share of Voice и Estimated Impressions. Последние два показателя сам Ahrefs называет моделируемыми: они помогают сравнивать видимость брендов, но не показывают, сколько реальных пользователей увидели бренд в AI-ответах.

У Semrush свой набор показателей и собственная шкала оценки AI-видимости от 0 до 100. Она показывает, насколько заметен бренд в AI-ответах по сравнению с конкурентами.

То есть, подчеркиваю, два крупнейших коммерческих сервиса понимают под AI-видимостью несколько разные вещи и по-разному ее считают.

Появляются и данные непосредственно от поисковых платформ. Bing Webmaster Tools с февраля 2026 года показывает, сколько раз страницы сайта цитировались в AI-ответах, какие URL использовались и по каким запросам система искала информацию. Интерфейс вебмастера при этом предупреждает: эти показатели нельзя читать как привычные позиции в поиске или оценку авторитетности страницы.

Google в июне 2026 года тоже начал открывать для части сайтов отдельный отчет по генеративному поиску в Search Console. В нем можно увидеть показы страниц в AI Overviews и AI Mode и разбить данные по страницам, странам, устройствам и датам. Пока отчет доступен не всем сайтам.

Но даже собственные данные платформы не дают нам контроля над результатом. Тот же Google пишет, что страница должна соответствовать обычным требованиям поиска, чтобы вообще иметь возможность появиться в AI-функциях — но при этом соблюдение этих требований не гарантирует сканирование, индексацию или показ.

Поэтому KPI «увеличение AI-видимости на 20%» сам по себе пока слишком расплывчат. Сначала нужно определить, что именно считаем: упоминания, цитирование, присутствие в выбранных сценариях или показатель конкретного сервиса. Затем — где считаем, на каком наборе промптов, в каких AI-системах и за какой период.

Научные исследования пока тоже не дают универсальной методики. В обзоре 45 исследований GEO 2023–2026 годов автор отмечает большой разброс терминов, метрик и способов доказывать эффект.

Вот что дословно написано в аннотации к этой статье:

Уже найденный контент может причинно изменять его цитирование или использование, но ни одна из рассмотренных методик пока не показала устойчивого долгосрочного эффекта на органическую видимость сразу в разных платформах и на то, что происходит дальше после появления контента в выдаче.

Проще говоря, отдельные правки действительно могут влиять на то, как AI использует найденный контент. Но пока исследования не нашли методику, которая стабильно улучшает органическую видимость в разных AI-системах в долгосрочной перспективе и тем более дает предсказуемый эффект дальше — после того, как контент уже появился в ответе или был использован системой.

Метрики GEO нужно привязывать к пользовательским сценариям

В TexTerra мы сейчас отслеживаем упоминаемость бренда, цитируемость, тональность, точность описаний, используемые источники и динамику между сопоставимыми срезами.

При этом одна общая цифра может скрывать от аналитика важную информацию. Допустим, бренд стал упоминаться чаще, но при разбивке по типам промптов мы видим, что весь рост пришелся на общие информационные вопросы, а в запросах, где потенциальный клиент выбирает подрядчика, компания по-прежнему не появляется. Формально показатель вырос, но проблема осталась — бренд все еще невидим для тех, кто его не знает.

Поэтому мы измеряем AI-видимость на заранее выбранном промпт-сете, который охватывает разные пользовательские сценарии: поиск подрядчика, сравнение вариантов, изучение продукта, решение проблемы и другие. Подробнее о том, как мы собираем такой набор, писали в статье «Как собрать промпт-сет для мониторинга бренда в AI-ответах».

Упоминаемость

Упоминаемость показывает, насколько часто бренд появляется в AI-ответах по важным для бизнеса пользовательским сценариям — например, когда человек выбирает поставщика, сравнивает решения или ищет продукт с нужными характеристиками.

Допустим, в первом срезе компания появилась в 25 из 100 проверенных ответов, а через несколько месяцев — в 35. Чтобы оценить такой рост, нужно посмотреть, какие именно сценарии дали десять новых упоминаний. Дело в том, что даже среди небрендовых запросов ценность упоминания для бизнеса различается.

Сравним:

Если десять новых упоминаний появились в запросах из левого столбца, общий показатель вырастет, но коммерческая значимость такого роста будет невысокой. И наоборот, несколько новых упоминаний в сценариях из правого столбца могут быть для бизнеса ценнее, даже если общая упоминаемость изменилась незначительно.

Цитируемость

Цитируемость показывает, использует ли AI-система сайт компании или другой нужный источник в ответах на выбранные промпты.

Здесь тоже важен контекст сценария. Допустим, сайт начал чаще цитироваться в общих информационных вопросах, но по запросам выбора подрядчика AI по-прежнему опирается на рейтинги, каталоги или сайты конкурентов. Формально цитируемость выросла, хотя в приоритетных для бизнеса сценариях картина почти не изменилась.

После доработки страницы поэтому имеет смысл смотреть, в каких именно запросах она стала источником и какую роль там играет. Например, страница услуги может быть особенно важна в коммерческих сценариях, кейс — в запросах про опыт и доказательства, экспертная статья — в информационных.

Само по себе цитирование еще не означает, что AI корректно использовал страницу. В статье про фактчекинг в эпоху AI я приводила исследование, где 11% утверждений не подтверждались указанными рядом источниками (то есть ссылка сама по себе не гарантирует точный пересказ ее содержания!). Поэтому мы смотрим, что именно AI написал, на какую страницу сослался и соответствует ли эта страница задаче конкретного запроса.

Часть таких данных уже дают сами платформы: Bing показывает цитирование отдельных URL, а Google постепенно открывает данные о показах страниц в generative AI features.

Точность

Для бизнеса содержание AI-ответа нередко важнее самого факта упоминания. Бренд может регулярно появляться в ответах (это хорошо!), но AI будет приписывать ему старые цены или несуществующие услуги (а это — уже не очень).

Диагностика таких ошибок сама по себе требует серьезной аналитической работы.

На старте работы мы собираем факт-матрицу бренда, сверяем с ней AI-ответы и разбираем спорные места: где есть фактическая ошибка, где информация устарела, где ответ неполон, а где формулировка просто отличается от той, что компания хотела бы в идеале видеть.

Затем мы ищем вероятный источник ошибки и понимаем, можно ли на него повлиять (о том, почему это не всегда легко сделать, подробнее в следующей главе).

Тональность

С тональностью дело обстоит еще сложнее, чем с корректностью или ошибочностью: на нее могут влиять отзывы, обзоры, форумы, рейтинги и другие внешние материалы. Поэтому мы разбираем, откуда взялась конкретная оценка, насколько регулярно она повторяется и в каких сценариях появляется. После такой диагностики становится понятно, что можно скорректировать в рамках GEO, а где уже нужны PR- или SERM-работы.

Услугу SERM мы не оказываем, но если клиент подключает для этого другого подрядчика, передаем ему найденные источники, спорные формулировки и другие данные, которые могут пригодиться в работе.

Состав источников

Цитируемость отвечает на вопрос, использует ли AI нужный нам источник — например, сайт компании или конкретную страницу. Анализ состава источников показывает, на какие сайты и материалы система вообще опирается в конкретном пользовательском сценарии.

Это важно даже тогда, когда сайт клиента не цитируется. Например, при выборе подрядчика AI может регулярно брать информацию из отраслевого рейтинга, где компании нет, или продолжать опираться на старый каталог с устаревшим описанием бренда. Тогда мы видим уже не только слабую цитируемость собственного сайта, но и возможную причину: какие внешние источники формируют ответ и с какими из них имеет смысл работать.

Состав источников тоже смотрим в динамике и по отдельным сценариям. Например, если в сценариях выбора подрядчика AI раньше опирался на старый каталог с неверными данными, а после наших работ начал использовать актуальную страницу компании, это полезное изменение. Если же в прогоне вместо одного стороннего сайта просто появился другой, это не говорит о том, что мы проделали эффективную работу.

Подробнее о том, какие изменения требуют реакции и почему единичный всплеск «хороших» или «плохих» изменений еще не показывает тенденцию, мы писали в гайде по еженедельному мониторингу GEO.

Ответственность подрядчика зависит от управляемости источника

Для оценки GEO полезно разделять источники по степени контроля. В своей услуге мы используем три контура.

Управляемый контур

Это сайт, блог, собственные соцсети и другие площадки, где компания сама управляет содержанием. За этот контур мы отвечаем напрямую, делая нужные сведения корректными, актуальными и доступными для AI-систем. После доработок проверяем их эффект на следующих замерах: изменились ли цитирование, источники, точность ответов и другие целевые показатели. Если ожидаемого сдвига нет, разбираем возможные причины и корректируем дальнейшие работы.

Внутренний рабочий контур тоже должен совпадать с факт-матрицей. Это базы знаний, шаблоны и другие источники, откуда информацию клиентам могут отправлять сотрудники или AI-агенты. Если там остались старые цены, условия или описания услуг, компания уже без помощи AI продолжит распространять противоречивые сведения.

Частично управляемый контур

Сюда относятся карточки компаний, каталоги, агрегаторы, партнерские сайты, внешние профили, медиа, рейтинги и другие площадки, где компания уже не распоряжается контентом полностью.

С такими источниками тоже можно работать: обновлять доступные поля, предлагать правки, готовить материалы для публикации, связываться с редакциями и владельцами площадок. Но результат зависит уже от второй стороны. Где-то изменение проходит быстро, где-то уходит на долгую модерацию, а где-то редакция или сервис отказывает или вообще не выходит на связь.

Поэтому здесь мы оцениваем и качество своей работы, и фактический результат: удалось ли обновить сведения или получить публикацию. При этом заранее обещать, что конкретная внешняя площадка примет правку и сделает это к определенной дате, будет нечестно.

Неуправляемый контур

Отзывы, форумы, независимые обзоры, отраслевые обсуждения и материалы конкурентов — самый сложный контур. Повлиять на него напрямую нельзя.

Здесь наша задача — найти источники, которые заметно влияют на AI-ответы, понять, какую именно информацию система из них берет, и определить, что с этим вообще можно сделать. Иногда достаточно усилить собственные и внешние управляемые источники, иногда нужны PR- или SERM-работы.

Удалить чужой негатив, переписать независимый обзор или гарантированно исправить абсолютно все внешние упоминания на большинстве проектов невозможно.

Поэтому и сроки здесь предсказать труднее: чем сильнее проблема зависит от неуправляемых источников, тем меньше контроля над тем, когда и насколько изменятся AI-ответы.

KPI задает цель GEO-проекта, метрики показывают динамику, а зона прямой ответственности подрядчика ограничена теми работами и источниками, которыми он действительно может управлять

Критерии приемки, KPI проекта и бизнес-эффект относятся к разным уровням оценки

Вопрос клиента «за что я плачу, если рост упоминаемости не гарантирован?» вполне закономерен. На наш взгляд, плохи обе крайности: и когда подрядчик ограничивается отчетом о выполненных работах без учета того, что это дает бизнесу, и когда обещает рост показателей, которые он не контролирует.

Проект мы оцениваем сразу на нескольких уровнях.

• Факт выполнения работ: сделаны ли согласованные доработки сайта, контента и внешнего контура?

• Метрики видимости: как меняются упоминания, цитирование, источники, точность и тональность в приоритетных сценариях?

• Влияние на бизнес: появляются ли AI-переходы и обращения с упоминанием AI, меняются ли брендовый спрос, число лидов и продажи?

Похожий принцип используется в Integrated Evaluation Framework AMEC — международной системе оценки эффективности PR и коммуникаций. Она предлагает смотреть на результат по цепочке: что было сделано, какой эффект дала коммуникация и как это повлияло на достижение более высоких целей бизнеса.

До бизнес-показателей мы тоже доходим: смотрим AI-трафик, брендовый спрос, данные CRM, лиды и продажи и сопоставляем их с динамикой AI-видимости. Путь клиента при этом может быть непрямым: человек увидел бренд в AI, а вернулся через поиск или другой канал. Подробнее такие сценарии мы разбирали в статье «Как отслеживать лиды из ChatGPT, Perplexity и других AI-систем».

Отсутствие гарантии конкретного прироста не означает, что подрядчик может не смотреть на эффект. Наоборот, динамика KPI и бизнес-сигналов должна влиять на следующие решения в проекте. Гарантировать же разумно то, что находится под прямым контролем исполнителя; остальное нужно измерять, анализировать и использовать для корректировки стратегии.

GEO-проекту нужны контрольные точки и правила пересмотра

Из-за такой высокой неопределенности важно на старте проекта договориться, когда команда вернется к исходной задаче, какие данные посмотрит и какое решение примет по результатам.

В нашей текущей модели первые 3–4 месяца в основном уходят на техническую и контентную подготовку, исправление базовых проблем и работу с приоритетными страницами. Следующие 2–3 месяца позволяют увидеть, что происходит после этих изменений: какие источники использует AI, исправляются ли ошибки, меняется ли видимость в важных группах промптов.

После этого нужен стратегический срез. По его итогам проект можно продолжить в прежнем направлении, скорректировать гипотезы, расширить на новые сценарии или остановить, если полезной динамики долго нет и дальнейшие вложения трудно обосновать. Все это мы разобрали в статье «Что делать, если GEO-продвижение не дает эффекта».

Цифры в GEO помогают понять, приближается ли проект к исходной цели и что делать дальше. Подрядчик должен следить за этой динамикой и корректировать работу по результатам, даже если гарантировать заранее конкретное изменение AI-ответов или бизнес-показателей он не может.

FAQ

Можно ли сравнивать AI-видимость из разных сервисов?

Напрямую — обычно нет. Сервисы используют разные наборы запросов, AI-системы, формулы и собственные показатели видимости. Поэтому рост на 20% в одном инструменте и рост на 20% в другом могут означать разные изменения. Для оценки динамики проекта лучше сохранять одну методику и сравнивать сопоставимые срезы.

Как понять, что изменение метрики действительно связано с работами по GEO?

По одному замеру — никак. Нужно сравнивать сопоставимые срезы, смотреть, в каких группах запросов произошло изменение, какие источники стали использоваться и совпало ли это с внесенными правками. И даже после этого корректнее говорить о связи изменений с проведенными работами, чем автоматически приписывать им весь наблюдаемый эффект: вариативность AI-ответов остается.

Стоит ли сравнивать свои GEO-метрики с конкурентами?

Да, особенно там, где абсолютное значение само по себе мало что объясняет. Например, 30% присутствия в коммерческих сценариях выглядят по-разному, если ближайшие конкуренты присутствуют в 10% или в 70%. Но сравнение имеет смысл только при одинаковом наборе промптов, AI-систем и условиях замера.

Когда можно признать GEO-проект неэффективным?

Один неудачный срез для этого слишком слабое основание. Сначала нужно проверить, выполнены ли запланированные работы. Если да — изменились ли источники, выросла ли точность и видимость в приоритетных сценариях и появились ли бизнес-сигналы. Если после нескольких контрольных точек полезной динамики нет и новые гипотезы не обосновывают дальнейшие расходы, проект можно пересмотреть или остановить.

Читайте также:

Как понять, нужно ли компании GEO-продвижение прямо сейчас

Как маркетологу обосновать GEO и защитить бюджет перед руководством

Как отслеживать лиды из ChatGPT, Perplexity и других AI-систем