Узнайте, почему измерять видимость в LLM сложнее, чем обычное SEO, как превращать упоминания в ИИ в реальные инсайты и какие метрики помогают понять реальное влияние бренда в AI-поиске.

Фундаментальная проблема отслеживания LLM

Одна из самых горячих дискуссий вокруг ИИ – это столкновение «ажиотажа вокруг AI» с «реальностью AI». Появились инструменты вроде Semrush One и его Enterprise AIO-модуля, которые дали нам то, чего раньше не хватало: данные о том, что происходит внутри LLM. Сколько цитирований мы получаем? Сколько раз упоминается наш бренд?

Эти данные стали – и остаются – чем-то новым и невероятно интересным. Но вместе с ними возникли и вопросы: «Какой в этом ROI?» и «Как интерпретировать данные и встроить их в реальную маркетинговую стратегию?»

Да, данные чрезвычайно ценные. Но что с ними делать?

Почему отслеживание LLM должно быть сложнее, чем мониторинг позиций в Google? На самом деле KPI вроде позиций в Google тоже страдают от похожих недостатков. Высокая позиция не равна деньгам. И даже не гарантирует трафик. Если над вашим сайтом висит AI Overview, трафик может стремиться к нулю. И даже если трафик есть – отвечает ли он вашим бизнес-целям?

Но разница между традиционным SEO и видимостью в LLM в том, что связь между хорошими позициями в Google и ростом дохода более-менее понятна. Пользователь вводит запрос → сайт в топе → есть клики → есть поведение на сайте, которое можно измерить. Дальше мы анализируем, что происходит: уход за 3 секунды, брошенная корзина, покупки, повторные визиты. SEO сделало свою работу – привело людей на сайт.

А вот путь пользователя в LLM – куда более эфемерный и разорванный. SEO и CRO – как брат и сестра, работающие в связке. LLM – это ваш неопрятный кузен, который снова устроил бардак на бабушкином юбилее.

Почему так? Потому что Google создан, чтобы приводить пользователей на ваш сайт. LLM – нет. Им всё равно на ваш сайт. Они не создают трафик. Более того, всё больше данных говорит об очевидном: LLM находятся на самой верхней точке воронки. Это стартовая площадка, после которой пользователи идут проверять информацию в других местах.

А если LLM не приводят пользователей в ваш измеримый веб-экосистему, то оценивать их вклад в конверсионный путь становится невероятно сложно.

Отлично, мой бренд вырос на 1000% по количеству упоминаний в ChatGPT. И что дальше? Где простой CTR-коэффициент вроде: «если бренд упомянут первым, есть 11,5% вероятности перехода на сайт»?

Такого нет.

И вот тут всё становится особенно интересно.

Проблема методологии

Перед тем как нырнуть в дебри, опишу методологию, которую использую для оценки данных, связанных с LLM. Проблема не в сложности подхода – проблема в том, насколько нам комфортно с ним работать.

Вопрос корректного измерения влияния LLM вовсе не новый. Маркетологи сталкивались с ним с момента появления билбордов.

Но нам, performance-специалистам, сложно выйти из зоны комфорта: мы привыкли к прямой атрибуции, точным метрикам и прямой взаимосвязи. LLM заставляют нас работать с корреляциями, а не прямыми зависимостями.

Методология оценки эффективности LLM гораздо более целостная, комплексная и основана на косвенных данных. Нам нужно не просто считать, а строить историю, в которую вписываются данные. Это новая реальность.

Performance-маркетологов просят создавать нарратив, картину, которая показывает ценность отслеживания LLM-видимости. Эта картина будет гораздо менее линейной, чем привычные отчёты по SEO или PPC.

Но у вас уже есть огромное количество данных – больше, чем у остальных команд. И если подключить немного креативности, это становится огромным преимуществом.

Метрики и подход к измерению влияния LLM-видимости

Метрики LLM сами по себе не дают того прямого паттерна, к которому мы привыкли. Поэтому оценка ценности – более многоуровневый процесс.

Прежде всего важно понимать весь контекст маркетинговых активностей компании. Если вы «оптимизировали» бренд под LLM, но в тот же месяц запускали масштабную ТВ-кампанию, как понять истинную причину роста брендового трафика?

Не невозможно – но сложно. Нужно полностью понимать, какие параллельные активности могут повлиять на те же метрики.

Тем не менее данные LLM часто становятся отправной точкой для более глубокого исследования. В отличие от SEO, где инсайты зачастую находятся на поверхности.

Пример: инструмент Semrush AIO Enterprise показывает, что линейка телевизоров TCL 6-Series активно упоминается LLM – около 8% отслеживаемых промптов содержат упоминание продукта.

Но в реальности люди ищут его всё меньше. В ноябре 2024 года запрос "tcl 6 series" имел глобальный охват 6K. В ноябре 2025 – уже лишь 3.8K, падение более чем на 35%.

То же видно по брендированному трафику TCL – общий брендовый трафик стабильный, а вот трафик, связанный именно с линейкой 6-Series, снижается с апреля 2024 года.

Почему падает спрос? Проблема продукта? Нет – обзоры в топе позитивные. Значит проблема в конкуренции.

А если сравнить видимость TCL с Samsung и LG в LLM – TCL сильно проигрывает.

Это уже отправная точка для анализа конкурентов: маркетинг, кампании, позиционирование – где именно TCL теряет своё преимущество при условии, что сам продукт людям нравится?

Вот так LLM-видимость становится не конечной точкой, а триггером для более глубоких исследований.

Брендовый поиск – ключевой элемент

Брендовый поиск – один из самых ценных источников инсайтов и сейчас он стал ещё важнее.

Пример двух брендов: Buffalo Wild Wings и Wingstop.

BWW – старый бренд, полноформатные рестораны, 18.4K упоминаний в LLM и 3.2K цитируемых страниц.

Wingstop – молодой и трендовый бренд, только на вынос, огромная аудитория в TikTok и Instagram, но… упоминаний в LLM меньше.

Почему?

Ответ скрыт в брендовых запросах. Оба бренда получают примерно одинаковый брендовый трафик – около 5M в месяц. Но BWW получает его по ~360K брендовых ключевых слов, а Wingstop – всего по ~169K.

То есть узнаваемых контекстов, связанных с брендом, у BWW намного больше. А это напрямую влияет на видимость в LLM, которые собирают информацию из всего интернета.

Это похоже на ситуацию: у Nike 10M брендового трафика, но всё идёт только по запросу “nike shoes”. Это значит – куча упущенной узнаваемости.

Если посмотреть брендовые запросы, связанные с «соусами»: Wingstop → 406 ключевых слов, 10.4K трафика BWW → 3.7K ключевых слов, 70.5K трафика

По осведомлённости о продукте BWW значительно впереди – и логично, что аудитория в LLM у них тоже больше.

Прямой трафик – лучший друг LLM-данных

Прямой трафик в GA4 – отличный индикатор. Многие годы его считали «чёрной дырой», но по сути это брендовый трафик: люди вводят домен вручную, значит знают бренд.

Если рост упоминаний в LLM идёт параллельно с ростом прямого трафика – это может быть сигналом, что AI действительно усиливает бренд.

Пример TCL и LG: LG – крупнее, получает более 20M прямого трафика в месяц и имеет более высокий рост упоминаний в LLM.

Если графики LLM-видимости и прямого трафика начинают двигаться синхронно, это важный индикатор влияния AI. Но нельзя полагаться на одну метрику – также важно учитывать брендовый поиск, спрос и другие факторы.

Дело не в одной метрике

Вся статья – это пример того, как я создаю нарратив из LLM-данных. Это важно, потому что такая картина даёт глубину и привязывается к реальным KPI.

Я использовал объём поискового спроса, брендовый трафик, разнообразие брендовых ключевых слов и прямой трафик. Но вы можете подключать и другие данные: снижение показателя отказов, улучшение взаимодействия, рост вовлечённости в соцсетях и т.д.

LLM-данные – это отправная точка. Упоминания и цитирования – лишь кусочек пазла. Ценность появляется там, где вы связываете данные LLM с остальными метриками и строите полную картину.

Тот, кто умеет это делать, получает огромное конкурентное преимущество.