Продвижение в нейросетях: как я снимаю позиции бренда в ChatGPT, Perplexity и Нейро

Зачем вообще снимать позиции в нейросетях

Поисковую выдачу мы снимаем давно: набор запросов, регион, частота — и видно, где сайт стоит. С нейросетями то же самое, только «выдача» — это ответ ChatGPT или Perplexity на вопрос пользователя. Там есть свои позиции: тебя либо назвали в ответе и поставили в источники, либо про тебя промолчали и порекомендовали конкурента.

Проверять это руками не выходит по трём причинам. Ответы плавают от прогона к прогону, так что одна проверка ничего не значит — нужна серия. Систем несколько, и в каждой надо задать один и тот же вопрос. И считать «долю голоса» по десяткам промптов на глаз невозможно. Ручной съём — это разовый скриншот, а нужна динамика: где я появился, где выпал, какая система меня не видит.

Какие системы важно трекать и почему

Видимость в одной нейросети не переносится на остальные: каждая по-своему решает, откуда брать источники и кого называть. ChatGPT с веб-поиском и Perplexity тянут свежие ссылки, ИИ-ответ Google опирается на индекс Google, Яндекс Нейро — на индекс Яндекса. Поэтому мерить нужно каждую отдельно. Мой минимум — пять систем.

• ChatGPT (с веб-поиском). Самая массовая точка входа. Отвечает и на «кому заказать SEO», и на «как попасть в выдачу ChatGPT», часто со ссылками — значит, туда можно попасть контентом.
• Perplexity. Отвечает почти всегда со списком источников и цитатами. Прозрачно видно, чьи страницы система считает авторитетными по теме.
• Google AI Overviews. ИИ-блок над обычной выдачей Google. Кормится из индекса Google, поэтому классическое SEO и разметка напрямую влияют на попадание.
• Яндекс Нейро. Ключевая система для рунета: ответ строится по индексу Яндекса, где живёт основной русскоязычный спрос.
• Gemini. Экосистема Google, растущая доля мобильных ответов. Полезно держать в срезе, чтобы ловить расхождения с AI Overviews.

Ниже — как выглядит один и тот же вопрос в разных системах. Задача съёма — распознать, попал бренд в ответ или нет, и записать это в срез.

Съём Google AI Overviews — отдельная история

AI Overviews снимается сложнее остальных, и по двум причинам. Первая: блок показывается не на каждый запрос — Google сам решает, добавлять ИИ-сводку или нет. Поэтому первый сигнал съёма здесь — вообще появился ли AIO по этому промпту, и только потом упомянут ли бренд. Вторая: сводка собирается из индекса Google и ссылается на конкретные страницы-источники, так что классическое SEO и Schema-разметка напрямую влияют на попадание. Чистого API у AIO нет — блок парсится прямо из выдачи, с привязкой к гео и языку, и сам он волатилен: сегодня показался, завтра исчез. Поэтому по AIO я фиксирую три состояния: блок не показан / показан без меня / показан со мной в источниках.

Как собрать ядро промптов

Ядро для LLM — не вордстатовское. Частотность тут вторична: важны реальные формулировки, с которыми люди приходят к нейросети. Я собираю их как воронку — от общих информационных вопросов до брендовых и сравнительных, — и по каждому фиксирую, какой сигнал в ответе считаю успехом.

Структура строки одна и та же:

• Кластер — тема (услуги, аудит, GEO, брендовые, сравнения…).
• Стадия воронки — TOFU / MOFU / BOFU: от «почему сайт не растёт» до «заказать аудит у эксперта».
• Интент — информационный, коммерческий, брендовый, навигационный, сравнительный.
• Промпт — как вопрос звучит в чате, живым языком.
• Приоритет — куда смотреть в первую очередь.
• Целевой сигнал — что считаем попаданием: упомянут / в источниках / корректно описан / рекомендован как решение.

Вот фрагмент моего рабочего ядра под pawetta.com — 9 строк из 43:

Как устроена автоматизация

Дальше всё просто по идее и муторно руками, поэтому это и автоматизировано. Скрипт берёт ядро, гоняет каждый промпт по API всех систем, разбирает ответ на сигнал — упомянут ли бренд, стоит ли домен в источниках, как описан — и складывает результат в базу. Раз в день по расписанию, одинаково, без «сегодня забыл проверить Нейро».

import json, datetime
from clients import ask_chatgpt, ask_perplexity, ask_aio, ask_neuro, ask_gemini

BRAND   = ["pawetta", "pawetta.com", "Никита Вихров"]
SYSTEMS = {"chatgpt": ask_chatgpt, "perplexity": ask_perplexity,
           "aio": ask_aio, "neuro": ask_neuro, "gemini": ask_gemini}

def signal(answer, sources):
    return {
        "mentioned":  any(b.lower() in answer.lower() for b in BRAND),
        "in_sources": any("pawetta.com" in s for s in sources),
    }

rows = []
for p in json.load(open("core.json")):        # 43 промпта из ядра
    for name, ask in SYSTEMS.items():
        answer, sources = ask(p["prompt"])     # запрос к нейросети
        rows.append({
            "date":    str(datetime.date.today()),
            "cluster": p["cluster"], "prompt": p["prompt"],
            "system":  name, "priority": p["priority"],
            **signal(answer, sources),
        })

save(rows)   # → БД → дашборд с динамикой

Дьявол в деталях сбора ответа. У систем разные форматы: где-то источники приходят структурой, где-то их надо вытаскивать из тела ответа. Часть систем нестабильна на автозапросах, поэтому стоят повторы и пауза между прогонами. Проверку «упомянут» веду не только по точному вхождению, но и по написаниям бренда (pawetta / паветта / Вихров), иначе часть попаданий теряется. Итог каждого прогона — строки «дата × промпт × система × сигнал», из которых собирается динамика. По деньгам это копейки: полный прогон ядра (43 промпта × 5 систем) обходится примерно в 39 копеек в день на API — съём можно гонять ежедневно и не считать бюджет.

Что меряю на выходе

Главная метрика — доля голоса в LLM (share of voice): в скольких промптах из ядра бренд попал в ответ, в разрезе по каждой системе. Плюс — доля попаданий в источники и корректность описания (не путают ли с однофамильцем, верно ли называют, чем занимаюсь). Всё это ложится в дашборд с динамикой по дням, кластерам и системам.

Дашборд: показатели по всем системам сразу

Главный экран — одна таблица, где по каждой системе видно всё: доля упоминаний из ядра, доля попаданий в источники, корректность описания и тренд за неделю. Так за пять секунд понятно, где я силён, где невидим и куда двигать усилия.

Цифры — иллюстрация формата. Смысл среза в другом: Perplexity меня уже цитирует и тянет в источники, а Нейро почти нет — значит, под рунет-индекс Яндекса надо докручивать отдельно.

Как это выглядит на реальном проекте

Тот же метод применяю на клиентских проектах. Вот срез точки ноль (baseline) для Careerum — карьерного клуба: замер перед GEO-работами, чтобы понять, знают ли ИИ-ассистенты бренд и кого выдают вместо него.

Ключевые выводы среза

Матрица присутствия

20 эталонных запросов × 6 моделей, показаны 12. Брендовые (Q01–Q03) выделены — по ним я смотрю состояние: модель реально знает бренд или просто повторяет имя «эхом», без данных.

Кого ИИ советуют вместо — Share of Voice

Сколько раз бренд/сервис назван в 120 ответах. Careerum попадает только в брендовые и «аналоги»-запросы.

Это реальный baseline: та же сетка запросов повторяется для трекинга динамики после GEO-работ. Позиционные показатели — целевые (best-effort): состав ИИ-выдачи определяют сами модели и он меняется со временем.

Как читать отчёт: главное — источники

Из каждого ответа скрипт достаёт две вещи: текст — упомянут ли бренд — и список источников, на которые система сослалась. Второе важнее. Текст ответа плавает от прогона к прогону, а источники стабильнее и показывают, чьи страницы система считает авторитетом по теме. Это и есть рычаг: попал домен в пул источников — стал кандидатом на упоминание в следующих ответах. Поэтому главный отчёт отвечает на два вопроса: в чьих источниках я уже есть и где меня подменил конкурент.

Что из этого следует по срезу:

• Высокий приоритет и ноль в источниках — прямой список задач: контент и PR под эти промпты, чтобы попасть в цитируемые.
• Конкурент стабильно в источниках, а меня нет — его страницы система считает авторитетнее. Разбираю, чем именно: формат ответа, разметка, глубина материала.
• Система, где моего домена в источниках нет вообще — она не видит меня как источник. Работаю с её индексом: для Нейро — Яндекс, для AI Overviews — Google.

SERM в нейросетях. По брендовым промптам — «отзывы о …», «стоит ли работать с …», «X или Y — что выбрать» — я снимаю ещё и формулировки: какими словами система описывает бренд и откуда их взяла. Модель пересказывает то, что нашла в отзовиках, на картах, в ветках форумов и в комментариях под чужими статьями. Одна старая жалоба оттуда попадает в ответ как факт и держится там месяцами: сам ответ переписать нельзя, правится только его источник. Дальше идёт обычная работа по репутации — свежие отзывы на площадках, которые система цитирует, ответы на старые, разбор спорной ситуации на своей странице. Через два-три съёма видно, поменялась ли формулировка и ушёл ли негативный домен из списка источников. Метод разбирал отдельно — на странице услуги SERM и в статье про управление репутацией.

Значения — иллюстрация. Ключевая мысль в другом: упоминание — следствие, источник — причина. Растёт присутствие в источниках — подтягиваются и упоминания.

Как срез превращается в работу

Срез — не самоцель. Промпты с высоким приоритетом и нулём упоминаний становятся списком задач по контенту и разметке; система, где видимость проседает, — направлением, куда лить усилия. Разберу на одном промпте из GEO-кластера, где меня пока нет.

1. Срез отдаёт список задач

Дашборд сворачивается в таблицу: что за промпт, какой приоритет, что показал съём и какая из этого задача.

2. Смотрим, чего не хватает в ответе

Беру верхнюю строку и открываю живой ответ: система отвечает на мой профильный промпт, но меня в тексте нет, а в источниках — другие.

3. Из гэпа рождается ТЗ

Дальше — обычная SEO-работа, только целюсь я в попадание в источники и в сам ответ ИИ. Пишу статью под этот промпт и завожу на неё перелинковку, чтобы система увидела страницу как авторитетный источник по теме.

А динамика по дням показывает, двигают ли правки стрелку: появился ли домен в источниках, вырос ли SoV по системе. То же самое, зачем мы годами снимаем позиции в поиске, — только выдача теперь ещё и в нейросетях.

llms.txt — карта сайта для нейросетей

Есть рычаг, который влияет на всё разом, — файл llms.txt в корне сайта. Это короткая карта в Markdown: она подсказывает нейросети, какие страницы главные и о чём они, — модель сразу берёт нужное, без перебора сотен URL. sitemap.xml — полный список адресов для поисковых роботов; llms.txt — курированная выжимка для LLM: заголовок, описание проекта и ссылки с пояснениями по разделам. Стандарт молодой (llmstxt.org), но ChatGPT, Perplexity и Claude уже умеют его подхватывать, а на источники они опираются сильнее, чем на текст ответа, — поэтому попасть в такую карту дёшево и полезно.

# Никита Вихров — SEO- и GEO-специалист

> Вывожу сайты в топ Яндекса и Google и в ответы нейросетей — ChatGPT,
> Perplexity, AI Overviews, Яндекс Нейро. Кейсы с цифрами, авторские
> инструменты и глоссарий по SEO/GEO. Веду проекты от аудита до роста трафика.

## Услуги
- [SEO-продвижение](https://pawetta.com/uslugi/): семантика, техничка, контент, вывод в топ
- [GEO — видимость в нейросетях](https://pawetta.com/uslugi/): попадание бренда в ответы ИИ и в источники

## Кейсы
- [Съём позиций в LLM](https://pawetta.com/cases/monitoring-pozicij-v-nejrosetyah/): автоматический мониторинг бренда в 5 нейросетях
- [Cleanbros](https://pawetta.com/cases/cleanbros/): клининг в 100+ городах — 99 600 кликов из поиска
- [OTUS](https://pawetta.com/cases/otus/): 91% ядра в топ-1 на IT-рынке

## Инструменты
- [SEO-инструменты](https://pawetta.com/instrumenty/): 46 бесплатных калькуляторов и генераторов

## Глоссарий
- [GEO-оптимизация](https://pawetta.com/glossary/geo-optimizaciya/): что это и как её измерять
- [AEO](https://pawetta.com/glossary/aeo/): оптимизация под ответы нейросетей

## Optional
- [Блог](https://pawetta.com/blog/): разборы SEO и GEO по делу

Что делает карту рабочей: один #-заголовок с сутью проекта, абзац-summary под >, дальше — только важные страницы по разделам, каждая с короткой понятной подписью. Сначала то, по чему хочешь показываться в ответах: услуги и сильные кейсы. Второстепенное уводишь в блок ## Optional — его модель читает в последнюю очередь. Чем чище карта, тем точнее нейросеть понимает, за что тебя цитировать.

Итог

Съём позиций в нейросетях перестал быть ручным скриншотом и стал таким же регулярным замером, как позиции в поиске: ядро промптов, ежедневный автоматический прогон по пяти системам, дашборд с динамикой. Это даёт две вещи — честную картину, где бренд уже виден в ИИ-ответах, и приоритезированный список, где его ещё нет.