Как AI100 измеряет видимость бренда в ИИ

Что мы измеряем

AI100 измеряет, насколько естественно бренд появляется в нейтральных ответах ИИ по своей категории и региону. Методология разделяет основной слой оценки (нейтральные сценарии) и диагностический слой (запросы с именем бренда) и использует нелинейную шкалу 0–100.

Единица измерения: один ответ модели на один стандартизированный сценарий вопроса.

Как устроен запуск

1. Подготовка рамки исследования

Сначала мы читаем сайт, определяем категорию и уточняем, с каким рыночным окружением вообще имеет смысл сравнивать бренд. Пользователь выбирает язык исследования (Visibility Language) — язык, на котором модели будут задаваться вопросы. Это важный параметр: один и тот же бренд может получить различное конкурентное окружение в зависимости от языка промптов. Модель формирует ассоциативное поле категории отдельно для каждого языка: бренды, доминирующие на одном языке, могут уступать место другим конкурентам на другом. Для международных брендов рекомендуется отдельное исследование на каждом языке целевого рынка.

2. Набор сценариев вопросов

Дальше собирается корпус вопросов: часть из них проверяет естественное появление бренда, часть помогает понять репутацию и характер ответа модели.

3. Подсчёт главной оценки

Главный балл строится только по нейтральным сценариям, где бренд ещё нужно заслужить самим ответом модели. Отдельно считается диагностический балл (по прямым упоминаниям), веб-усиление (разница между ответом из памяти и ответом с поиском) и доверительный интервал результата.

4. Объяснение и отчёт

В финале мы переводим массив ответов в понятный отчёт: показываем итоговую оценку, её устойчивость, сильные стороны бренда и зоны роста.

Как считается и читается оценка

Разница между слабой и средней видимостью ощущается резко: бренд либо почти не существует для модели, либо уже появляется в части ответов. А вот путь от сильной видимости к почти доминирующей всегда сложнее. Поэтому мы используем логарифмическое преобразование.

S = 100 × ln(1 + r / 12) ln(1 + 100 / 12)

S — итоговый балл (0–100) r — сырой балл видимости (0–100) 12 — параметр калибровки шкалы

Что такое raw. Это сырой сигнал видимости: насколько часто бренд появляется, как высоко держится в ответе и насколько убедительно выглядит в наборе нейтральных сценариев.

Почему используется логарифм. Логарифм делает нижнюю и среднюю часть шкалы более чувствительной. Так редкие удачные ответы не превращаются слишком быстро в высокий итоговый балл.

Как читать результат. Рост с 20 до 40 означает реальное усиление присутствия. Рост с 80 до 90 тоже важен, но достигается гораздо труднее — именно этого эффекта мы и добиваемся нелинейной шкалой.

Доверительный интервал. Каждый результат сопровождается доверительным интервалом — диапазоном, в котором балл, вероятно, окажется при повторном запуске с тем же корпусом вопросов. Узкий интервал означает стабильную видимость, широкий — что присутствие бренда колеблется в зависимости от сценария.

Веб-усиление. Исследование проводится в двух режимах: только на знаниях модели и модель + веб-источники. Разница между баллами показывается как веб-усиление. Положительное значение означает, что веб-источники подтверждают бренд, отрицательное — ослабляют.

Корпус и оценка

Основной слой

Тип сценария	Что проверяет
Экспертиза	Видит ли модель у бренда признаки авторитетности в теме
Сравнение вариантов	Удерживается ли бренд в сравнительных вопросах без подсказки имени
Требования покупателя	Сюжет вопроса внутри основного корпуса.
Customer Expert	Сюжет вопроса внутри основного корпуса.
Поиск альтернатив покупателем	Сюжет вопроса внутри основного корпуса.
Задача покупателя	Сюжет вопроса внутри основного корпуса.
Customer Migration	Сюжет вопроса внутри основного корпуса.
Customer Pain	Сюжет вопроса внутри основного корпуса.
Компромиссы покупателя	Сюжет вопроса внутри основного корпуса.
Поиск решения	Называет ли модель бренд, когда пользователь ещё только ищет решение
Позиция в рейтингах	Как высоко модель ставит бренд в явном рейтинге категории
Короткий список	Попадает ли бренд в короткий список при готовности сравнивать
Доверие	Связывает ли модель бренд с надёжностью и разумностью выбора

Веса основной оценки

Метрика	Что показывает	Доля
Упоминаемость	Как часто бренд появляется в ответе	28.0%
Доля Top-3	Как часто бренд в верхней части ответа	14.0%
Доля Top-1	Как часто бренд назван первым	10.0%
Средняя позиция	Средняя позиция бренда в ответах	15.0%
Охват сценариев	В какой доле сценариев бренд фигурирует	18.0%
Доля в ответах	Как часто бренд упоминается в тексте ответа	10.0%
Доля текста	Какая доля текста ответа посвящена бренду	5.0%

Диагностический слой

Этот слой не подменяет главный балл. Он нужен для объяснения: что происходит, когда бренд уже назван, когда его прямо сравнивают с конкурентом и как он выглядит в разговоре о собственной репутации.

Тип сценария	Что проверяет
Альтернативные варианты	Вспоминается ли бренд как альтернатива уже названному решению
Брендированная репутация	Как модель описывает бренд, когда имя уже названо
Прямое сравнение	Что происходит при прямом сравнении с конкурентом

Веса диагностической оценки

Метрика	Что показывает	Доля
Доля рекомендаций	Доля ответов с явной рекомендацией бренда	30.0%
Сила рекомендации	Насколько убедительно модель формулирует рекомендацию	25.0%
Центральность	Является ли бренд главной темой ответа	20.0%
Позитивная тональность	Доля ответов с явно положительной тональностью	15.0%
Качество аргументации	Подкрепляет ли модель рекомендацию аргументами	10.0%

Охват и ограничения

AI100 задаёт один и тот же корпус сценариев шести моделям от четырёх независимых семейств: GPT-5.3 chat и GPT-5.4 mini (OpenAI), Gemini 2.5 Pro и Gemini 2.5 Flash (Google), Grok 4.1 Fast (xAI), DeepSeek V3.2. Каждая модель отвечает в двух режимах: опираясь только на внутренние знания и с привлечением веб-источников. Итоговая оценка агрегирует ответы всех шести моделей — это снижает зависимость от особенностей одной конкретной модели.

Шесть моделей в пуле покрывают около 93 % бесплатных пользователей ИИ-ассистентов в мире. Набор зафиксирован и одинаков для всех клиентов: каждый получает один и тот же кросс-модельный замер, чтобы результаты разных брендов можно было сравнивать напрямую. Microsoft Copilot покрывается автоматически через OpenAI-слоты (Copilot использует GPT-5.x в продакшене).

Что AI100 измеряет

Насколько естественно бренд появляется в нейтральных ответах ИИ по своей категории.
Насколько высоко бренд удерживается в ответе и усиливается ли за счёт веб-источников.
В каких сюжетах вопросов бренд теряется, а в каких — выглядит сильнее конкурентов.

Что AI100 не измеряет

Продажи, конверсию, силу отдела маркетинга или качество продукта сами по себе.
Абсолютно все существующие языковые модели. В пуле AI100 зафиксированы шесть моделей, покрывающих около 93 % бесплатных пользователей ИИ-ассистентов в мире, — этого достаточно для надёжных замеров массовой видимости бренда, но не для выводов о специфических нишевых моделях.
Абсолютную истину о рынке. Любое измерение зависит от даты запуска, языка, категории и набора вопросов.

История и планы методологии

Методология AI100 развивается версиями. Здесь — как менялась формула и что планируется дальше.

Журнал изменений

Версия	Дата	Что изменилось
v2026.04	апрель 2026	Основная формула переведена на 7 метрик; пересмотрена формула резерва качества в карте возможностей.
v2026.03	март 2026	Добавлен диагностический слой по брендовым запросам как отдельный рейтинг.
v2026.02	февраль 2026	Переход на пул из шести независимых моделей разных семейств; введён cross-model анализ.
v2026.01	январь 2026	Bootstrap-итерации для доверительного интервала увеличены со 100 до 300.

Дорожная карта

Период	Фокус
Q2 2026	Фиксация конкурентного набора между повторными прогонами бренда для честного сравнения метрик долей
Q3 2026	Повторные прогоны для оценки внутриязыковой и межъязыковой дисперсии Расширение cross-model анализа на дополнительные семейства моделей
Дальше	Distribution ecosystems: как модели опираются на Reddit, YouTube, GitHub и магазины приложений Долгосрочные наблюдения за одним брендом во времени (longitudinal)