Чтобы измерить, упоминает ли нейросеть бренд, нужно не проверить позицию в выдаче, а провести серию замеров: собрать базу реальных пользовательских формулировок вопроса, прогнать их по нескольким провайдерам с включённым и выключенным веб-поиском, повторить каждый прогон несколько раз и только потом считать долю ответов с упоминанием бренда. Один прогон одного промпта ничего не говорит: у языковых моделей есть встроенная случайность, и один и тот же вопрос в разное время суток может дать разные бренды в ответе.

Мы в brandfound прогоняем такие замеры каждый день по десяткам клиентских брендов, и в этом тексте разбираем методологию так, как она устроена изнутри: из чего состоит один замер, почему веб-поиск ломает сравнимость метрик, как считать Brand Mention Rate и Share of Voice, и где эта методология сама себя обманывает.

Зачем вообще измерять упоминания бренда в нейросетях

К концу 2026 года объём традиционного поиска сократится примерно на 25% (оценка Gartner), а трафик из нейросетей на российские сайты вырос в 6 раз за 2025 год, по данным «Коммерсанта». Пользователи всё чаще формулируют не поисковый запрос, а вопрос: «посоветуй сервис для…», «чем X отличается от Y», «какой инструмент лучше для задачи Z». Модель отвечает списком из трёх-пяти вариантов, и либо ваш бренд там есть, либо нет.

Здесь ломается вся привычная логика SEO. В классическом поиске есть позиция: первое место, третье, десятая страница - грубая, но понятная шкала. В ответе нейросети позиции нет. Есть только бинарный факт: бренд назвали или не назвали. Отсюда и вырастает необходимость отдельной методологии измерения: нельзя взять инструмент проверки позиций и просто заменить в нём поисковую выдачу на ответ чат-бота.

Из чего состоит один замер: что такое промпт-сценарий

Единица измерения в этой методологии - не ключевое слово, а промпт-сценарий: реальная формулировка, с которой пользователь обращается к нейросети. «Купить шины для кроссовера» в поиске и «какие зимние шины лучше для кроссовера в средней полосе» в диалоге с ассистентом - это разные по структуре запросы, и модель обрабатывает их по-разному.

База сценариев должна покрывать разные интенты: обзорные («какие есть сервисы для…»), сравнительные («чем отличается A от B»), транзакционные («где купить/заказать…»). Если ограничиться только выгодными для бренда формулировками, замер превращается в самообман: методология покажет высокую видимость там, где реальные пользователи вообще так не спрашивают. Честная база сценариев обновляется регулярно и включает вопросы, в которых бренд может и не всплыть, иначе теряется смысл измерения.

Web Search включён или выключен: почему это два разных замера

Здесь скрыт частый источник ошибок в интерпретации данных. У большинства современных моделей есть два режима ответа на один и тот же вопрос.

Без веб-поиска модель отвечает по памяти обучения - тому массиву данных, на котором её обучали, с фиксированной границей по времени. Если бренд вышел на рынок позже этой границы или не был широко представлен в обучающих источниках, в таком ответе его не будет в принципе, сколько бы промптов вы ни прогнали.

С включённым веб-поиском модель обращается к актуальной выдаче и собирает ответ из реальных страниц, которые видит прямо сейчас. Результат зависит уже не от памяти модели, а от того, что вообще проиндексировано и как эти страницы упоминают бренд.

Один и тот же промпт в этих двух режимах может выдать два разных списка брендов. Смешивать метрики по обоим режимам в одну цифру некорректно: правильнее фиксировать их раздельно и отдельно отслеживать динамику каждого. Иначе рост метрики в отчёте может означать не рост реальной видимости бренда, а просто то, что часть замеров сместилась в сторону режима с поиском.

Как считать Brand Mention Rate и Share of Voice: формулы и подводные камни

Из промпт-сценариев и режимов складываются базовые метрики.

Brand Mention Rate (BMR) - доля ответов, где бренд упомянут, от общего числа прогонов по всем сценариям и провайдерам. Считается просто: количество ответов с упоминанием, делённое на общее число прогонов.

Share of Voice (SoV) - доля упоминаний бренда среди всех упомянутых в теме брендов, включая конкурентов. Если в ответах на 100 промптов конкуренты в сумме упомянуты 300 раз, а ваш бренд - 60, SoV составит 20%, даже если BMR по вашему бренду выглядит неплохо сам по себе.

Главная ловушка на этом этапе - размер выборки. 100% BMR, полученный на пяти промптах, не результат, а шум: в следующей серии из тех же пяти запросов цифра может провалиться до нуля просто из-за случайности генерации. Устойчивая оценка требует десятков и сотен прогонов на каждый сценарий, а не единичных проверок вручную в чате.

Тональность стоит считать отдельным слоем метрики, а не частью BMR: модель может упомянуть бренд в негативном контексте (например, в списке «чего стоит избегать»), и такое упоминание засчитывается в BMR, но требует отдельной интерпретации.

Почему один и тот же запрос выдаёт разные ответы

У большинства моделей есть параметр температуры генерации, отвечающий за степень случайности при выборе следующего слова. Из-за него один и тот же промпт, отправленный дважды подряд, может дать заметно разные по составу ответы: сегодня в списке пять брендов, завтра три, и не факт, что тот же самый набор.

Отсюда следует практическое требование к методологии: на каждый промпт нужно N повторов, а не один прогон. Разовая проверка в интерфейсе чат-бота - это анекдот, а не измерение.

Провайдеры при этом ведут себя по-разному: у одной модели чаще выдаются проверенные крупные бренды, у другой охотнее всплывают нишевые игроки, третья формулирует более развёрнутые ответы с большим числом упоминаний в принципе. Смешивать данные по всем провайдерам в одну усреднённую цифру - значит терять картину: разница между ChatGPT и Perplexity по одному и тому же промпту может быть больше, чем разница между промптами внутри одного провайдера.

Отдельная категория ошибок - галлюцинации. Модель может упомянуть бренд, но приписать ему неверные факты: несуществующую функцию, устаревшую цену, продукт, который компания не выпускает. Формально это засчитывается как упоминание бренда, но по смыслу это отдельная проблема, которую нужно ловить и разбирать отдельно от самого факта упоминания.

Что мы меняем в этой методологии у себя

В brandfound один и тот же набор сценариев прогоняется параллельно по 9-10 нейросетям, включая специфичные для российского рынка модели: GigaChat, Алису (в поиске и в чате), Google AI Mode, которых нет в большинстве зарубежных инструментов мониторинга. Сценарии собираются как реальные пользовательские формулировки, а не синтетические ключевые слова, и прогоняются с поддержкой веб-поиска там, где это соответствует реальному поведению пользователя.

Это не делает методологию идеальной. Она по-прежнему требует регулярного пересчёта базы промптов (модели и их поведение меняются быстрее, чем успевает устаревать любой фиксированный набор запросов), статистически значимой выборки прогонов и раздельного учёта режимов с поиском и без него. Любой инструмент, который обещает единую точную цифру видимости бренда после одного прогона, либо упрощает методологию до неинформативности, либо выдаёт желаемое за действительное.

Часто задаваемые вопросы

Сколько промптов нужно для достоверного BMR?

Единого порога нет, но десятки прогонов на один сценарий - минимум, чтобы отличить устойчивый паттерн от случайного всплеска. Чем более нишевая тема, тем больше повторов нужно, чтобы сгладить случайность генерации.

Можно ли измерять вручную, без сервиса?

Технически да: открыть чат-бот и вручную задавать вопросы. Проблема в масштабе - для статистически значимой выборки по десяткам сценариев и нескольким провайдерам с повторами счёт идёт на сотни и тысячи запросов, что вручную не отследить и не свести в метрику.

Как часто повторять замер?

Модели обновляются без предупреждения, и поведение может измениться после любого релиза провайдера. Разовый замер показывает срез на конкретный день, а не устойчивую картину, для отслеживания динамики нужны регулярные повторные прогоны, а не одна проверка.