Цитата — это ещё не рекомендация: разбираю, что на самом деле двигает бренд в ответах ИИ

Я несколько месяцев мониторю, как ChatGPT, Perplexity, Gemini и «Алиса» отвечают на вопросы про бренды и продукты. И почти сразу упёрся в путаницу, которую тащат из классического SEO: считается, что «попасть в ответ ИИ» — это когда нейросеть поставила ссылку на твой сайт в списке источников. Ссылка есть — победа, ссылки нет — провал.

На практике это две разные вещи, и меряются они по-разному. Есть цитата (citation) — сноска, ссылка на страницу как на доказательство. И есть упоминание (mention) — когда модель называет бренд прямо в тексте ответа, без всякой ссылки. Дальше я разберу на публичных данных двух исследований (Ahrefs и Profound) плюс на собственном замере, почему упоминание важнее цитаты и почему оптимизировать имеет смысл именно под него.

Зачем вообще разделять цитату и упоминание

Возьмите любой развёрнутый ответ ChatGPT про выбор, скажем, CRM. В теле ответа модель перечислит пять-шесть названий — это упоминания. Внизу или по клику будут ссылки на несколько статей-обзоров — это цитаты. И вот ключевой момент: названия в теле и домены в сносках — это, как правило, разные сущности.

Ссылка ведёт на обзор в отраслевом медиа, а рекомендует модель бренд, которого в этом обзоре может даже не быть на первых позициях. Пользователь читает тело ответа. По ссылкам в сноски уходит меньшинство. Значит, коммерческий эффект даёт присутствие имени в теле ответа, а не факт наличия ссылки на твой домен.

Если мерить только цитаты (ссылки на свой сайт), можно радоваться единичным попаданиям и не замечать, что тебя вообще не называют там, где человек принимает решение. Или наоборот: бренд уверенно советуют по имени, но ни одной ссылки на его сайт нет — и по метрике «цитируемость» он выглядит невидимым, хотя на деле выигрывает.

Что показал замер Ahrefs на 75 тысячах брендов

Самый крупный публичный срез на эту тему — исследование Ahrefs: 75 000 брендов, видимость в ChatGPT, Google AI Mode и AI Overviews. Считали корреляцию между видимостью бренда в ответах ИИ и разными факторами. Цифры (коэффициент корреляции, где 1.0 — идеальная связь):

• Упоминания бренда в вебе (branded web mentions) — 0.664 в ChatGPT, 0.709 в AI Mode, 0.656 в AI Overviews.

• Брендовые анкоры — 0.511–0.628.

• Брендовый поисковый спрос — 0.352–0.466.

• Domain Rating — 0.266–0.326.

• Беклинки — в районе 0.2, то есть слабая связь.

• Объём контента на сайте (число страниц) — ~0.194, почти ноль.

Первый вывод контринтуитивный для SEO-шника: число упоминаний бренда в вебе связано с видимостью в ИИ примерно втрое сильнее, чем беклинки. Не «сколько на тебя ссылаются», а «сколько про тебя говорят» — пусть даже без всякой ссылки. Обычный текст «сервис X умеет Y» на форуме или в статье без гиперссылки для классического SEO почти бесполезен, а для видимости в ИИ работает.

Второй вывод — сильнее всех коррелировали упоминания на YouTube, выше «текстовых» упоминаний. Логика простая: YouTube — это гигантский корпус расшифрованных субтитров, который модели активно едят, а видео с разбором продукта — это плотное, контекстное упоминание бренда рядом с его темой.

Механика, которую предполагают авторы исследования: чем чаще бренд встречается в вебе рядом со своей темой, тем больше у модели обучающих примеров связать «бренд ↔ область», и тем охотнее она достаёт его как готовый ответ. Это про упоминания как сигнал, а не про ссылки как «вес».

Что добавил Profound: цитаты и рекомендации живут порознь

Profound разбирал уже сами ответы: миллионы цитат по миллионам ответов разных платформ. Три вещи оттуда, которые стоит держать в голове.

Первое — платформы берут источники из разных мест. Gemini заметно чаще ссылается на сайты самих брендов, ChatGPT тяготеет к «консенсусу интернета» — сторонним обзорам и каталогам, Perplexity вытягивает отраслевую экспертизу и отзывы. Один и тот же бренд с одним и тем же сайтом получает разную цитируемость просто потому, что у платформ разная логика отбора источников.

Второе — платформы расходятся в том, кого рекомендовать. По разным замерам совпадение набора брендов между площадками — меньшинство запросов; чаще модели советуют разные бренды на один и тот же вопрос. Это значит, что «видимость в ИИ» вообще нельзя мерить по одной модели. Померил по ChatGPT — не знаешь, что у тебя в Perplexity и «Алисе».

Третье и главное — цитата и упоминание не ходят парой. По данным этой же серии разборов, доля брендов, у которых одновременно есть и ссылка-цитата, и именное упоминание, — около четверти. Остальные получают что-то одно. Модель может назвать бренд в теле, но не сослаться на его сайт. Или сослаться, но не назвать в списке рекомендаций. Это ровно та развилка, с которой я начал.

Как я меряю разрыв у себя — минимально, на Python

Публичные корреляции — это хорошо, но проверять надо на своих запросах. Я свёл замер к простой вещи: для каждого ответа модели отдельно считаю упоминания (имя бренда встречается в теле) и цитаты (домен бренда есть в списке источников/ссылок). Разрыв между этими двумя числами и есть то, что обычные «трекеры цитируемости» не показывают.

Скелет, который у меня крутится по логам ответов (ответы складываю в JSON — тело плюс список источников):

import jsondef analyze(answer: dict, brand: str, domain: str) -> dict:      """answer = {'text': <тело ответа>, 'sources': [<url>, ...]}"""      text = answer["text"].lower()      # упоминание: имя бренда в теле ответа (без привязки к ссылке)      mentioned = brand.lower() in text      # цитата: домен бренда в списке источников      cited = any(domain in (s or "").lower() for s inanswer.get("sources", []))      return {"mentioned": mentioned, "cited": cited}def aggregate(answers, brand, domain):      rows = [analyze(a, brand, domain) for a in answers]      n = len(rows) or 1      m = sum(r["mentioned"] for r in rows)      c = sum(r["cited"] for r in rows)      both = sum(r["mentioned"] and r["cited"] for r in rows)      return {          "answers": len(rows),          "mention_rate": round(m / n, 2),   # как часто НАЗЫВАЮТ          "citation_rate": round(c / n, 2),  # как часто ССЫЛАЮТСЯ          "both_rate": round(both / n, 2),   # и назвали, и сослались      }

Дальше тот же набор запросов прогоняю по нескольким моделям и сравниваю mention_rate с citation_rate. Практически всегда mention_rate заметно выше: называют чаще, чем ссылаются. Если оптимизировать только под citation_rate, оптимизируешь под меньшую и менее коммерчески значимую половину картины.

Один эксперимент, где разрыв видно совсем наглядно

Недавно я прогнал через шесть моделей (ChatGPT, Claude, Perplexity, Gemini, «Алиса», GigaChat) выборку из 21 авторского телеграм-канала про нейросети — больше 950 ответов. Там метрику пришлось разбить на «узнаёт» (модель знает, кто это, если спросить напрямую) и «советует сам» (называет без наводящего вопроса, на общий запрос «посоветуй каналы»).

Результат ровно про разрыв цитата/рекомендация, только на языке каналов: узнают многих, а по собственной инициативе советуют почти никого. Из 21 канала на открытый вопрос стабильно всплывал ровно один — тот, за которым стоит публичная, часто упоминаемая вне телеги фигура автора. Остальных модель прекрасно опознаёт по прямому запросу, но в готовый список рекомендаций не кладёт. «Знать» и «рекомендовать сам» — для модели два разных навыка, и второй решает плотность упоминаний в вебе, а не размер канала.

Перенос на бренды прямой: узнаваемость по прямому вопросу ≠ попадание в короткий список, который модель выдаёт на коммерческий запрос. Первое греет самолюбие, второе приносит трафик.

Что из этого следует по факту

Сведу в модель, по которой сам теперь работаю:

1. Мерить надо два числа, а не одно. Отдельно «называют» (mention), отдельно «ссылаются» (citation). Одна метрика «цитируемости» врёт в обе стороны.

2. Мерить на нескольких моделях сразу. Расхождение в рекомендациях между платформами — не шум, а норма; по одной модели вывод делать нельзя.

3. Двигает бренд плотность упоминаний в вебе, а не беклинки. Корреляция упоминаний с видимостью втрое выше, чем у ссылок. Значит, цель — чтобы про бренд писали рядом с его темой в статьях, обзорах, на форумах, в видео. Пусть даже без гиперссылки.

4. Ссылка на свой сайт — приятный бонус, но не то, что читает пользователь. Он читает тело ответа. Имя в теле важнее домена в сноске.

Оговорки

Упоминания и видимость растут вместе, но публичные исследования не доказывают, что первое напрямую вызывает второе. Например, бренд может быть просто крупным — тогда у него и упоминаний много, и видимости. Модели и их логика отбора меняются от релиза к релизу — любой такой замер верен на дату. И «Алиса» здесь стоит особняком: её ответ формируется из топа органической выдачи Яндекса, так что для неё цитата и упоминание завязаны на классическое SEO сильнее, чем у чисто генеративных моделей.

Но базовый вывод от релизов не зависит: цитата — это ещё не рекомендация. И если вы измеряете своё присутствие в ИИ одной ссылкой на сайт, вы измеряете не ту половину.