Проверить, что бренд попал в ответы ChatGPT, можно только замером: доля контрольных запросов, где модель называет бренд без подсказки (Share of Model), до и после работы. Рычагов пять — прямой ответ, факты с цифрами, структура из вопросов и списков, schema-разметка, внешние упоминания. Гарантии, что конкретный ответ назовёт бренд, нет: модель стохастична.
Почему я меряю, а не обещаю?
Клиенты в первую очередь спрашивают: «когда мы окажемся в топе ответов ChatGPT?». Вопрос звучит как про позицию в поисковой выдаче, но механика другая, и в такой форме ответа у него нет.
ChatGPT не строит рейтинг сайтов. На каждый запрос модель заново собирает текст ответа, и один и тот же вопрос может выдать разные бренды в разном порядке даже в течение одного дня. Я видел это на своих же замерах: из 20 одинаковых промптов, повторённых через неделю, три поменяли набор упомянутых брендов без единого изменения на сайтах клиентов.
Отсюда вывод для этой статьи: считать нужно долю упоминаний. Сколько раз из N контрольных запросов бренд появился в ответе — вот метрика, вокруг которой построен весь план ниже. Место в перечислении вторично. Дальше — откуда модель вообще берёт бренды, потом пять рычагов, на которые можно влиять, и как проверить, что рычаги сработали.
Как ChatGPT собирает ответ и откуда берёт бренды?
ChatGPT формирует ответ из двух источников: параметрических знаний (то, что модель выучила при обучении, с датой отсечки) и веб-контекста через встроенный поиск по свежим запросам. Для брендового вопроса модель либо вспоминает то, что уже усвоила из обучающих данных, либо на лету читает несколько страниц из выдачи и компонует ответ из их фрагментов.
Параметрический слой формируется на этапе обучения модели и зависит от того, сколько раз бренд упоминался в текстах, которые попали в обучающий корпус: Wikipedia, крупные медиа, отраслевые обзоры, форумы. Обновляется этот слой редко — только со следующей версией модели.
Веб-контекст работает иначе. При запросе с browsing или SearchGPT модель отправляет обычный поисковый запрос, получает список страниц и вытаскивает из них конкретные фрагменты — предложения и абзацы, которые прямо отвечают на вопрос. Здесь скорость обновления другая: новая страница может попасть в ответ модели за недели, тогда как параметрический слой обновляется годами. По исследованию Princeton, Georgia Tech и IIT Delhi 2024 года (arXiv 2311.09735), контент, оптимизированный под извлечение (прямой ответ, факты, цитаты, статистика), получает на 30–115% больше упоминаний в таких ИИ-ответах против неоптимизированного текста на ту же тему.
Отсюда практический вывод: у бренда два разных фронта работы с разной скоростью отдачи. Веб-контекст — то, на что можно влиять контентом здесь и сейчас. Параметрический слой растёт медленно, через внешние упоминания на площадках, которые модель уже читает при обучении. Похожий принцип двух слоёв Google описывает для собственных AI Overviews: генеративный ответ надстраивается над обычной поисковой выдачей, опираясь на неё.
Как попасть в ответы ChatGPT: с чего начать?
Прежде чем менять контент, нужен снимок текущего состояния. Без него любой разговор о результате — это спор о впечатлениях, а цифр в нём нет.
Составьте 15–20 вопросов, которые реальный клиент задал бы без упоминания бренда: «какой сервис аналитики выбрать для интернет-магазина», «кто делает контент-завод под ключ», «сравни агентства GEO-продвижения». Задайте их в ChatGPT с включённым поиском — версия без доступа к вебу покажет только память модели с датой отсечки и занизит реальную картину для молодых и растущих брендов.
По каждому ответу отметьте три вещи:
- назван ли бренд;
- на каком месте в перечислении;
- в каком контексте — рекомендация, нейтральное упоминание или сравнение с конкурентом.
Посчитайте долю: сколько запросов из 20 упомянули бренд. Это и есть базовая метрика Share of Model — из нашей практики в Звонко именно с неё начинается любой аудит видимости, потому что без базового числа непонятно, что вообще считать ростом.
Отдельно зафиксируйте формулировки конкурентов — какие фразы и цифры модель берёт из их текстов. Это подсказка, какие фрагменты извлекаемы, а какие модель игнорирует даже у сильных игроков рынка.
Какие 5 рычагов реально влияют на попадание?
Гарантированного попадания нет ни у одного из пяти пунктов ниже. Но каждый напрямую повышает шанс, что модель извлечёт именно ваш фрагмент текста, — и это управляемо, в отличие от самого результата.
1. Прямой ответ в первых предложениях. Каждый смысловой блок открывается готовым ответом на вопрос, без подводки к нему. Модель извлекает фрагменты целиком, и если ответ спрятан в третьем абзаце, шанс на цитирование падает.
Грабли: на одном проекте первый абзац открывался историей компании — «работаем с 2019 года, помогли сотне клиентов». Модель его игнорировала: абзац не отвечал ни на один реальный запрос пользователя. Переписали на прямое определение услуги в первом предложении — страница начала цитироваться по контрольным промптам уже на следующем замере.
2. Факты и цифры вместо общих фраз. «Экономит время» не извлекается как факт, «сокращает обработку заявки с 3 дней до 4 часов» — извлекается. Каждый факт идёт с источником: датой замера, конкретным числом, ссылкой на исследование.
Грабли: у клиента в нише B2B-услуг весь сайт держался на оценочных формулировках без единой цифры про подход и команду. Дописали конкретику — сроки в днях, объёмы в штуках, стоимость по тарифам. Цифры мы в Звонко всегда сверяем с реальными данными клиента: выдуманная статистика в этом контуре обнуляет доверие быстрее, чем помогает.
3. Структура из вопросов и списков. H2 в форме вопроса («Сколько стоит…», «Как проверить…») совпадает по форме с самим запросом пользователя, что облегчает модели сопоставление. Списки и таблицы извлекаются проще сплошного текста абзацами по 500 слов.
Грабли: FAQ ради галочки — вопросы, которые никто не задаёт, с ответами в одну строку — не цитируется. Модель берёт FAQ с ответом на 50–150 слов и контекстом внутри; голую фразу пропускает. Проверяли на живых промптах: короткие формальные блоки не всплывали ни разу.
4. Schema-разметка. FAQPage, Article, HowTo из справочника Schema.org — явные метки для модели, где вопрос, а где ответ, без необходимости разбирать текст самостоятельно. Рекомендации Google по структурированным данным описывают тот же принцип для поисковой выдачи. Разметка не подменяет содержание, но снижает шанс, что модель неверно распознает структуру страницы.
Грабли: один сайт был размечен идеально, но вопросы в schema расходились с текстом на странице. Несовпадение снижает доверие к источнику при автоматической проверке — разметка без реального контента под ней не работает.
5. Внешние упоминания на площадках, которые модель уже читает. Список источников, откуда крупные модели чаще всего берут обучающие тексты, годами обсуждается в исследованиях датасетов Common Crawl — крупнейшего открытого веб-архива, на выборках из которого тренируют большинство языковых моделей. Отраслевые медиа, Wikipedia, крупные community формируют параметрический слой. Одна публикация на авторитетной площадке даёт больше веса, чем десять на низкочастотных ресурсах: вероятность попадания именно этой страницы в обучающий корпус выше.
Грабли: разовый пресс-релиз на непрофильной площадке почти не даёт эффекта. Мы в Звонко берём 3–5 изданий в нише, которые уже цитируются в ответах моделей, и работаем туда системно, вместо того чтобы размазывать усилия по всем подряд.
Каждый рычаг проверяется отдельно: после публикации оптимизированного текста смотрите, появился ли он в выдаче ChatGPT по своему же ключевому вопросу через 2–3 недели. Если нет — проверяйте пункты 1–3 первыми, они самые быстрые в правке.
Как проверить, что бренд начал попадать в ответы?
Повторите тот же набор из 15–20 запросов через 4–6 недель после изменений — те же формулировки, что и в базовом замере, иначе сравнение некорректно. Разница в доле упоминаний (Share of Model) — главный показатель эффекта.
Смотрите не только на факт упоминания, но и на контекст: модель стала называть бренд первым в перечислении или последним, добавила конкретное описание услуги или ограничилась общей фразой. Это качественный слой поверх количественного.
Отдельно проверяйте, какие конкретно фрагменты текста цитирует модель дословно или близко к тексту — часто это ровно те абзацы, где переписан пункт 1 или 2 из списка рычагов выше. Такое совпадение подтверждает, какой из рычагов сработал именно для этой страницы, и подсказывает, что усиливать на следующей.
Топ-1 в Google не гарантирует попадание в ChatGPT: механики разные. Google ранжирует страницу целиком как единый URL по ключевому запросу, ChatGPT извлекает отдельные фрагменты как самостоятельные смысловые единицы. Проверять нужно оба канала отдельно, не полагаясь на позицию в органике как на прокси для видимости в ИИ-ответах.
Что честно ждать по срокам и почему гарантии нет?
Ответ ChatGPT формируется заново на каждый запрос, и один и тот же вопрос через час может дать другой набор брендов без единого изменения на сайте. Это делает бессмысленным обещание «попадёте в ответ к такому-то числу» — обещать можно рост доли упоминаний, но не единичный результат.
Веб-контекст реагирует на изменения относительно быстро: 4–8 недель на заметный сдвиг доли упоминаний по свежим запросам, если контент и внешние упоминания системно приведены под извлекаемость. Параметрический слой обновляется циклами обучения моделей — сроков тут никто честно не назовёт, включая саму OpenAI: страница OpenAI про поиск описывает механику browsing, но не даёт таймингов индексации.
Для контекста масштаба: по данным Ahrefs, ChatGPT приносит сайтам около 0,19% реферального трафика против 42% у Google, но конверсия визита из ChatGPT выше — около 7,1% против типичных значений органики, то есть один визит из ChatGPT в среднем ценнее в 4,4 раза. Видимость в ChatGPT — это про качество контакта с уже заинтересованным человеком, который прочитал развёрнутый ответ, прежде чем зайти на сайт.
В нашей практике в Звонко мы не гарантируем попадание. Мы замеряем сейчас, работаем над рычагами, замеряем через 4–6 недель и показываем дельту. Это единственная честная модель отчётности для стохастичной системы.
Что почитать дальше по теме: как устроена GEO-оптимизация целиком — что такое GEO-оптимизация и зачем она сайту; чем GEO принципиально отличается от классического SEO — GEO или SEO для нейросетей.
Хотите увидеть свою текущую долю упоминаний в ChatGPT, Алисе AI и Гигачате от Сбера в конкретном числе — оставьте заявку на бесплатный аудит AI-видимости. Прогоняем 20 запросов из вашей ниши через 6 платформ и присылаем таблицу с текущим Share of Model, до того как что-то менять на сайте. Начать можно и с главной страницы, там короче про то, что мы делаем в Звонко в целом.