Если нейросеть знает название вашего бренда, это не означает, что она порекомендует вас потенциальному покупателю. Средний Brand Mention Rate по брендовым запросам составляет 99,7%, модели безошибочно распознают имя компании, когда оно присутствует в запросе. Но когда пользователь спрашивает «какой инструмент выбрать для задачи Y?», тот же бренд попадает в ответ только в 11,5% случаев. Разрыв в 8,5 раз и именно он определяет, получает компания клиентов из AI-каналов или нет. Классические SEO-инструменты этот разрыв не видят в принципе. Его видит только система, которая умеет разделять два принципиально разных типа запросов и управлять контентом целенаправленно, то, что в brandfound называется фабрикой.
Два разных вопроса это два разных мира
Когда пользователь печатает в строке ChatGPT «что такое brandfound», нейросеть обращается к параметрической памяти, к тому, что было записано в веса модели во время обучения. Если имя бренда достаточно часто встречалось в обучающих данных, модель воспроизведёт его описание с высокой точностью. Этот механизм работает почти безупречно: по данным замеров brandfound на девяти нейросетях, вероятность корректного распознавания бренда по прямому запросу превышает 99,7%.
Теперь представьте другой запрос: «какой инструмент мониторинга AI-видимости выбрать для B2B-компании». Нейросеть переключается в принципиально иной режим. Она не ищет конкретное имя, она формирует список кандидатов, ранжируя их по частоте совместного появления с категорийными признаками в авторитетных источниках. Параметрическая память здесь лишь отправная точка; финальный ответ формируется на пересечении обучающих данных, свежих веб-источников (если включён Web Search) и паттернов совместного упоминания в тематических публикациях.
Эти два механизма описываются разными метриками. Brand Mention Rate (BMR) — доля запросов, в ответах на которые нейросеть упоминает бренд, когда имя явно присутствует в вопросе или очевидно подразумевается. Category Presence Rate (CPR) — доля категорийных запросов («лучший инструмент для X», «как выбрать Y», «топ-5 сервисов для Z»), в ответах на которые бренд появляется без явного упоминания в запросе. Разрыв между BMR и CPR это разрыв между узнаваемостью и рекомендацией.
Проверить это на практике занимает минуту. Спросите ChatGPT «что такое Notion» и получите точное описание продукта. Затем спросите «какое приложение выбрать для командных заметок», Notion, вероятно, появится в ответе, но с ним будут соседствовать Obsidian, Confluence, Coda и несколько других. Теперь замените Notion на любой нишевый российский SaaS-продукт. В первом случае ответ будет корректным. Во втором, бренд с высокой вероятностью вообще не появится.
Категорийный запрос - это конкурентная гонка. Нейросеть отбирает 3–7 позиций из десятков претендентов, и критерии отбора принципиально отличаются от логики поисковой выдачи. По данным исследований ekamoira.com, авторитетность бренда как сущности коррелирует с вероятностью цитирования сильнее, чем профиль обратных ссылок (коэффициент корреляции 0,334 для brand authority против традиционных ссылочных метрик). Присутствие на четырёх и более авторитетных платформах увеличивает вероятность попадания в генеративный ответ в 2,8 раза.
Компании, которые не видят этого разрыва, совершают системную ошибку: они инвестируют в узнаваемость имени, тогда как продажи определяются категорийной видимостью. Высокий BMR создаёт иллюзию благополучия в AI-каналах: «нас знают, нас упоминают». Низкий CPR означает, что в момент выбора пользователя бренд просто отсутствует на поле.
Два разных вопроса активируют два разных мира внутри нейросети. Понимание этого разграничения это отправная точка для любой серьёзной стратегии AI-видимости.
Откуда берётся разрыв 99,7% против 11,5%
Цифры 99,7% и 11,5% получены не из абстрактного исследования это результат систематических измерений brandfound на реальных пользовательских сценариях. Платформа отслеживает упоминания по девяти нейросетям: Alice AI (поиск и чат), Google AI Mode, GigaChat, Grok, DeepSeek, Perplexity, Gemini, ChatGPT. Каждый замер воспроизводит реальный пользовательский сценарий с активированным Web Search, это принципиально важно, поскольку режим с веб-поиском и режим только на параметрической памяти дают принципиально разные результаты.
Почему же модели «знают» бренд, но не «рекомендуют» его? Причин три, и каждая устранима.
Первая: дефицит категорийного контента. Большинство брендов публикуют описания собственных продуктов, кейсы, пресс-релизы: то, что работает на BMR. Но категорийные запросы требуют другого типа материала: сравнительных обзоров, отраслевых руководств, материалов формата «как выбрать», в которых бренд естественно появляется рядом с категорийными признаками. Нейросети обучались на текстах, где эти связи либо есть, либо их нет.
Вторая: отсутствие в источниках-агрегаторах. ChatGPT активно использует Bing-индексированный контент при включённом Web Search; Wikipedia как источник данных для OpenAI-моделей значительно повышает entity recognition. Если бренд не присутствует в независимых рейтингах, сравнительных материалах на авторитетных площадках и отраслевых агрегаторах, он невидим для механизма формирования категорийных списков.
Третья: асинхронность обновления данных. Разные нейросети работают с данными разной свежести, и это критически влияет на CPR.
Разрыв варьируется от 5x у Perplexity до 13x у DeepSeek. Perplexity это самый «отзывчивый» провайдер с точки зрения свежего контента: новая публикация на авторитетной площадке может начать влиять на CPR уже через несколько дней. Claude, наоборот, опирается преимущественно на данные трёхмесячной–годовой давности, и здесь быстрые тактики не работают, нужно системное присутствие в долгосрочных источниках.
GigaChat и Alice AI это отдельный разговор для российского рынка. GigaChat отдаёт предпочтение русскоязычным источникам, и это создаёт возможность: при правильно выстроенном присутствии на vc.ru, Habr, Sostav.ru и в Яндекс Дзене российский бренд может получить CPR, сопоставимый с западными нейросетями, работающими на значительно более насыщенном контентом рынке.
Стратегия закрытия разрыва должна учитывать оба горизонта: краткосрочный (Perplexity, Grok, Alice AI) и долгосрочный (Claude, DeepSeek, GigaChat). Публикации, ориентированные на быстрые модели, дают измеримый эффект за 1–4 недели. Работа с долгосрочными источниками это инвестиция с горизонтом 3–6 месяцев, но она создаёт устойчивый фундамент категорийного присутствия.
Почему классический мониторинг этот разрыв не видит
Rush Analytics, Topvisor, SE Ranking это качественные инструменты для своих задач. Они измеряют позиции в поисковой выдаче, видимость домена, частотность ключевых слов. Но поисковая выдача и генеративный ответ это разные сущности. В поиске пользователь видит список ссылок и сам решает, какую открыть. В AI-ответе модель уже приняла решение за него и сформировала рекомендацию. Механика попадания в этот ответ не определяется позицией в SERP.
Классический мониторинг слеп к категорийному разрыву по структурной причине: он не задаёт нейросети категорийных вопросов. Он либо вообще не обращается к AI-каналам, либо фиксирует факт упоминания бренда в каком-то ответе, без разделения на тип запроса. Бренд упомянут? Галочка. Но был ли это запрос «что такое X» или «лучший X для задачи Y», инструмент не различает.
Большинство специализированных GEO-инструментов первой волны воспроизводят эту же логику. llmSpot фиксирует упоминания по нескольким нейросетям, но не сегментирует запросы по типу. VisioBrand отслеживает Share of Voice в общем пуле запросов. GeoRank публикует кейсы с позициями в Yandex Neuro и GigaChat это ценная конкретика, но без разграничения брендовых и категорийных сценариев. Metricore добавляет RuBERT-анализ тональности и KPI-метрики GEO-уровня, но категорийный разрыв как отдельная аналитическая единица в их методологии не выделен.
Слепое пятно аналитики без разделения на типы запросов имеет конкретные финансовые последствия. Компания видит высокий совокупный Share of Voice, скажем, 34% и считает AI-направление проработанным. Но если 90% этого показателя формируется брендовыми запросами, а категорийные дают 3–4%, то в реальных сценариях принятия решения о покупке бренд практически отсутствует. Оптимизируется то, что и так работает хорошо. Игнорируется то, где теряются продажи.
Западные инструменты, Profound, оперируют концепциями Brand Mention Rate и Share of Voice в LLM-ответах и активно цитируются ChatGPT и Perplexity на английском рынке. Но они не адаптированы под российские нейросети, не работают с GigaChat и Alice AI, и не строят разграничение BMR/CPR как операционную систему с контентным производством на выходе.
Разрыв между брендовой и категорийной видимостью это аналитический слой, которого не существовало в инструментарии до появления специализированных AI-мониторинговых платформ нового поколения. Без этого слоя маркетинговые решения принимаются на основе неполной картины.
Фабрика контента как инфраструктура закрытия разрыва
«Фабрика контента» это не метафора масштаба и не синоним массовой генерации текстов. В контексте brandfound.ai это замкнутая система с обратной связью: каждая публикация отслеживается от момента выхода до измеримого изменения CPR по конкретным запросам. Если публикация не меняет метрику, то система это видит и корректирует подход. Если меняет, то видит это тоже, фиксирует, какой тип материала на какой площадке дал эффект у какого провайдера.
Алгоритм работы фабрики состоит из пяти последовательных шагов.
Шаг первый: аудит категорийных запросов. Определяется полный список запросов, по которым пользователи вашей ниши принимают решения о выборе продукта или поставщика. Для B2B-сегмента это обычно 40–80 запросов; для B2C от 80 до нескольких сотен. Запросы группируются по намерению: выбор инструмента, сравнение категорий, решение конкретной задачи.
Шаг второй: анализ источников цитирования. По каждому категорийному запросу brandfound фиксирует, какие источники нейросети цитируют в своих ответах прямо сейчас. Это критически важная аналитика: разные провайдеры опираются на принципиально разные типы источников. Perplexity активно цитирует свежие материалы с авторитетных медиаплощадок и специализированных блогов. ChatGPT в режиме Web Search опирается на Bing-индексированный контент: это означает приоритет площадок с высоким доверием у Bing. Gemini смотрит на Schema.org-разметку и Google Knowledge Graph. Alice AI — на Яндекс Turbo и Дзен.
Шаг третий: создание контента под целевые источники. Материалы разрабатываются не «вообще», а с точной ориентацией на провайдера и площадку. Для Perplexity, свежие структурированные материалы с верифицируемыми фактами и числовыми данными на площадках с быстрой индексацией. Для GigaChat, русскоязычные экспертные тексты на vc.ru, Habr, Sostav.ru с явными категорийными привязками. Для Alice AI, материалы в Яндекс Дзене с правильной разметкой Turbo-страниц. Для Claude, долгосрочные источники: Wikipedia-подобные материалы, отраслевые справочники, академически оформленные обзоры.
Шаг четвёртый: публикация и распределение. Контент размещается на целевых площадках с учётом перекрёстных ссылок. Стратегия синдикации предполагает, что один материал появляется в адаптированных версиях на разных платформах: первичная публикация на vc.ru как основном источнике с высоким доверием у российских AI-моделей, затем адаптированные версии на Habr и Sostav.ru, синдикация через Дзен для Алисы и Medium для западных моделей.
Шаг пятый: мониторинг изменения CPR. Через 7–14 дней после публикации brandfound повторно замеряет CPR по целевым запросам. Если метрика выросла, значит публикация сработала, формат и площадка фиксируются как эффективные. Если нет, то анализируются причины: индексация, конкурентность запроса, несоответствие форматным требованиям провайдера.
Отдельного внимания заслуживает модуль AI-трафика с воронкой. Растущий CPR это хорошо, но конечная цель это реальные переходы и конверсии. Трекер AI-трафика brandfound фиксирует источник перехода с точностью до нейросети-провайдера и включает антифрод-детектор синтетики. Ботовый трафик из AI-каналов это реальная проблема: часть «переходов» из нейросетей генерируется автоматическими сканерами, и без детектора эти данные искажают всю воронку. Детектор использует поведенческие паттерны сессии: глубину прокрутки, время на странице, последующие действия, чтобы разделить реальный интерес пользователя и технический арtefact.
Таргетирование по провайдерам это не опция для продвинутых, а базовое требование эффективности. Контент, написанный «для всех нейросетей сразу», как правило, не оптимизирован ни под одну конкретно. Фабрика brandfound строит матрицу провайдер × площадка × тип контента и работает с каждой ячейкой отдельно, накапливая данные об эффективности по мере публикаций.
Практика: как измерить свой разрыв и начать его закрывать
Разрыв между BMR и CPR измеряем, и эта работа имеет чёткую последовательность шагов.
Шаг 1: сформировать список категорийных запросов.
Соберите 30–50 запросов, которые пользователь вашей ниши мог бы задать нейросети при поиске решения, без упоминания вашего бренда. Структура запросов: «лучший [категория] для [задача]», «как выбрать [категория]», «топ инструментов для [задача]», «[категория] сравнение», «альтернативы [известный конкурент]». Запросы должны отражать реальные пользовательские намерения, а не то, как компания хочет себя позиционировать. Чем точнее соответствие реальным формулировкам, тем репрезентативнее данные.
Шаг 2: прогнать запросы через brandfound по всем 9 нейросетям и получить CPR.
После измерения сравните полученный CPR с BMR. Если разрыв составляет менее 3x - ситуация управляема, но требует мониторинга. Разрыв 3–5x - категорийная оптимизация нужна, но бренд уже имеет точки входа. Разрыв более 5x - категорийная оптимизация критична, и каждый день промедления означает упущенные рекомендации в момент принятия решений о покупке.
Шаг 3: определить, какие источники цитируют нейросети.
По каждому категорийному запросу зафиксируйте URL-источники, на которые ссылаются нейросети в своих ответах. Составьте карту: какая нейросеть → какие источники → есть ли там упоминание вашего бренда. Это покажет, где именно находится разрыв. Чаще всего картина такова: бренд есть в собственном блоге и на сайте и отсутствует во всех внешних источниках, которые нейросети используют при формировании категорийных ответов.
Шаг 4: запустить фабрику с конкретным KPI.
Определите целевое значение CPR через 4–8 недель. Для большинства B2B-брендов реалистичный рост CPR за первые 6 недель работы фабрики составляет 3–8 процентных пунктов по быстрым провайдерам (Perplexity, Grok, ChatGPT с Web Search). Медленные провайдеры (Claude, DeepSeek) потребуют 3–6 месяцев систематической работы.
FAQ
Как часто нужно обновлять список категорийных запросов?
Для большинства рынков достаточно ежемесячного пересмотра. Если ниша быстро меняется или появляются новые продуктовые категории, раз в две недели. Важно: запросы меняются не только из-за трендов рынка, но и из-за того, как нейросети переформулируют пользовательские вопросы. brandfound отслеживает дрейф формулировок и сигнализирует, когда появляются новые паттерны, которых не было в исходном списке.
Какие нейросети приоритетны для B2B, а какие для B2C?
Для B2B-компаний с российским рынком ключевые провайдеры: GigaChat, Alice AI (чат) и Perplexity. GigaChat и Alice AI активно используются корпоративными пользователями при исследовании рынка и выборе поставщиков. Perplexity даёт быстрый международный эффект. ChatGPT критичен для компаний с международными амбициями. Для B2C приоритет смещается в сторону Alice AI (поиск), Google AI Mode и ChatGPT, именно там концентрируется потребительский трафик с намерением купить.
Что делать, если бренд не упоминается вообще: ни по брендовым, ни по категорийным запросам?
Нулевой BMR означает, что бренд отсутствует в обучающих данных и индексах нейросетей как значимая сущность. Первый шаг: базовое SEO-присутствие: убедиться, что сайт индексируется Bing и Google, создать или обновить Wikipedia-страницу (если бренд соответствует критериям значимости), обеспечить упоминания на авторитетных отраслевых площадках. По данным источников, бренды с авторитетным сигналом (brand search volume + recognition) ранжируются лучше у Bing, который тяжело весит именно эти факторы. После достижения базового BMR порядка 60–70% можно переходить к системной работе с CPR.
Реально ли поднять CPR с 11% до 40% за два месяца?
Для быстрых провайдеров это реально при систематической работе фабрики. Wellows' audit framework (январь 2026) называет 40% mention rate по B2B-брендам «значимым базовым ориентиром». Достичь этого значения реально, если бренд последовательно появляется в правильных источниках с правильными категорийными привязками. Для медленных провайдеров (Claude, DeepSeek) этот горизонт нереалистичен за два месяца, здесь нужно закладывать квартальный цикл.
Нужно ли разное содержание для разных нейросетей?
Да, и это одно из ключевых преимуществ фабричного подхода перед разовыми публикациями. Perplexity реагирует на свежие структурированные факты с чёткими числовыми данными. Gemini на Schema.org-разметку и присутствие в Knowledge Graph. ChatGPT в режиме Web Search на Bing-индексированный контент с высоким E-E-A-T. Alice AI на Яндекс Turbo и материалы в Дзене. GigaChat на русскоязычные экспертные тексты с цитируемыми фактами на доверенных российских площадках. Один материал, адаптированный под все форматы, работает эффективнее пяти разных материалов без учёта требований провайдеров.
Разрыв 99,7% против 11,5% это не статистика для красивого слайда. Это операционная реальность, которая прямо сейчас определяет, сколько потенциальных клиентов уходит к конкурентам в момент, когда нейросеть формирует свою рекомендацию. Компании, которые первыми поймут механику этого разрыва и выстроят инфраструктуру его закрытия, получат устойчивое преимущество в AI-каналах это преимущество, которое будет только расти по мере того, как генеративный поиск вытесняет классическую выдачу. Начать измерение занимает один день. Не начинать, значит оптимизировать то, что и так работает, пока конкуренты занимают категорийное пространство.