Share of voice в ИИ-ответах: как считать долю бренда и почему «взвешенная» и простая цифры расходятся вдвое
Share of voice (SOV) в ИИ-ответах — это доля ответов нейросетей, где упоминается ваш бренд, среди всех ответов, где упомянут хоть один бренд из отслеживаемого списка. Есть два способа считать эту долю: простой (сколько ответов «за вас» из всех релевантных) и взвешенный (с поправкой на объём запросов и долю трафика конкретной площадки). Разница между ними — не ошибка измерения, а системный эффект: один и тот же бренд может получить 67% по простой метрике и 31% по взвешенной одновременно.
Для CMO это не теоретический вопрос. Совет директоров всё чаще спрашивает «какая у нас доля в ChatGPT», и ответ «мы на первом месте» или «мы нигде» зависит от того, какую формулу вы использовали, а не от реальной позиции бренда.
Что такое share of voice в ответах нейросетей
Share of voice в ИИ-поиске — это метрика видимости бренда в ответах генеративных систем (ChatGPT, Perplexity, Gemini, Яндекс Нейро, Алиса) относительно конкурентов по заданному набору промптов. В отличие от классического share of search, который считают по объёму поисковых запросов с упоминанием бренда, здесь измеряется не интерес аудитории, а то, что сама модель решает сказать в ответ.
Ключевое отличие от SEO-метрик: у ИИ-ответа нет фиксированной выдачи из десяти ссылок. Один и тот же промпт в один и тот же день может дать разные ответы разным пользователям — и это не баг, а архитектура генеративных моделей. Отсюда вытекают почти все методологические сложности SOV, о которых ниже.
Как считать простую формулу SOV
Простая (basic) формула SOV — это доля ответов с упоминанием вашего бренда из всех ответов, где назван хоть один бренд из отслеживаемого списка. Формула: SOV = (число ответов с брендом X) / (число ответов с упоминанием любого бренда из набора) × 100%.
Пример из методики Ahrefs, 2025: если из трёх ответов на разные промпты бренд упомянут в двух, а два других бренда-конкурента — в одном и в одном, при равном весе всех ответов все три бренда получают по 67% SOV. Это считается легко, но именно эта лёгкость — источник проблемы: формула не различает, был ли промпт «что выбрать между X и Y» (его задают тысячи раз в месяц) или нишевый технический вопрос (его задают единицы).
Для измерения нужны три фиксированных параметра: набор промптов (обычно 20–100 формулировок по категории), набор площадок (ChatGPT, Perplexity, Gemini, при работе на Россию — YandexGPT и Алиса) и период замера. Без фиксации этих трёх вещей цифра SOV несопоставима от месяца к месяцу.
Как считать взвешенную формулу SOV
Взвешенная формула SOV учитывает не просто факт упоминания, а вес каждого промпта — через объём поискового спроса и коэффициент конкретной платформы. В методике Ahrefs Brand Radar каждый промпт получает «AI-adjusted volume»: объём поиска по теме в Google умножается на платформенный коэффициент, отражающий долю трафика этой ИИ-площадки относительно обычного органического поиска Ahrefs, 2025.
В исходной методике коэффициенты заданы так: ChatGPT — 0,115, Gemini — 0,011, Perplexity — 0,01 от объёма органики Google. Дальше по каждому промпту, где упомянут бренд, суммируется этот взвешенный объём — и так считаются «импрешны» бренда в ИИ-ответах.
Таблица ниже показывает разницу на условном примере трёх брендов с одинаковой простой долей.
| Бренд | Простой SOV | Взвешенный SOV | Причина разрыва |
|---|---|---|---|
| Бренд A | 67% | 31% | упоминания концентрируются в низкочастотных промптах |
| Бренд B | 67% | 72% | упоминания совпадают с высокочастотными промптами на ChatGPT |
| Бренд C | 67% | 97% | доминирует в промптах с максимальным AI-adjusted volume |
Цифры иллюстративные, построены по логике примера Ahrefs, 2025, где одинаковые 67% по простой метрике превращаются в 31%, 72% и 97% по взвешенной при суммарном объёме 3335 импрешнов на три бренда.
Почему простая и взвешенная цифры расходятся вдвое и больше
Расхождение возникает не из-за ошибки расчёта, а потому что две формулы отвечают на разные вопросы. Простая метрика отвечает на вопрос «в какой доле релевантных ответов нас видно», взвешенная — «какая доля реального трафика пользователей ИИ-поиска приходится на ответы с нашим брендом».
Бренд может лидировать в простой метрике за счёт присутствия в нишевых, редко задаваемых промптах — и одновременно проваливаться во взвешенной, если не попадает в топ-ответы по частым, массовым формулировкам. Для бизнеса это значит: простая цифра годится для внутреннего контроля полноты охвата (все ли темы покрыты), взвешенная — для разговора с советом директоров о реальном коммерческом весе бренда в ИИ-поиске, схожего по смыслу с тем, как в отчётах о доле бренда в ИИ-поиске для совета директоров принято сводить метрики в один KPI.
Есть и третий эффект искажения — агрегация по площадкам. По данным Ahrefs, 2025, 28% SOV на ChatGPT и 11% на Gemini в блендовом отчёте превращаются в условные 26,5% — и провал на одной платформе полностью маскируется средним числом. Разбивку по площадкам нужно хранить отдельно, а не только агрегат.
Можно ли доверять одному замеру SOV
Нет: одиночный замер SOV ненадёжен, потому что генеративные модели дают разные ответы на один и тот же промпт от запуска к запуску. Полевое исследование SparkToro и Gumshoe.ai (2961 прогон, ChatGPT, Claude и Google AI Overviews, 12 промптов по 60–100 повторов) показало, что одинаковый список брендов в ответе повторяется менее чем в 1% случаев, а тот же список в том же порядке — менее чем в 0,1% Search Engine Journal по исследованию SparkToro, 2026.
Это означает, что ранжирование места бренда в ответе («мы на первом месте в ChatGPT») — метрика с низкой доверительностью: она меняется от запроса к запросу почти случайным образом. При этом устойчивый «consideration set» всё равно существует: в том же исследовании четыре бренда наушников попадали в 55–77% из 994 ответов, даже когда формулировки промптов у 142 разных пользователей были семантически непохожи друг на друга (коэффициент сходства всего 0,081). Практический вывод для вашей методики измерения: считайте SOV не по одному прогону, а по накопленной доле появлений за десятки повторов одного и того же промпта, и смотрите на динамику за окно от 7 дней, а не на снимок одного дня.
Mentions и citations — зачем считать их раздельно
Упоминание бренда (mention) и цитирование ссылки на сайт бренда (citation) — это разные события в ответе ИИ, и объединять их в одну цифру SOV — методологическая ошибка. Исследование Semrush «Ghost Citations» (3981 появление домена, 115 промптов, 14 стран, 4 движка) показало: 61,7% появлений — это «ghost citation», когда сайт процитирован как ссылка, но название бренда не произнесено в тексте ответа; и только 13,2% появлений — одновременно и цитата, и упоминание названия Semrush с Kevin Indig, 2025.
Движки ведут себя по-разному: Gemini называет бренд в 83,7% появлений, но даёт ссылку лишь в 21,4% случаев; у ChatGPT пропорция обратная — 87% цитирований при 20,7% именования бренда Semrush, 2025. Это прямое следствие того, как устроен мониторинг упоминаний бренда в ИИ: если вы считаете только клики по ссылкам из ответа, вы теряете большую часть голосовой доли бренда — пользователь слышит название, но не видит гиперссылку.
Длина и тип промпта тоже сильно меняют картину: короткие разговорные запросы дают почти 100% именования бренда, длинные структурированные запросы — 2–3%; сравнительные запросы («что лучше, X или Y») дают именование бренда в 2,4 раза чаще, чем информационные Semrush, 2025. Единая цифра SOV без разбивки по типу промпта и по движку систематически вводит в заблуждение.
Что из этого можно переносить на российский рынок, а что пока гипотеза
Логика двух формул SOV (простая доля упоминаний и взвешенная по объёму и платформенному коэффициенту) и сам тезис о расхождении между ними в разы — универсальны и не завязаны на конкретный рынок. Так же переносится идея раздельного счёта mentions и citations и идея накопленной доли появлений вместо разового снимка: это свойства самих языковых моделей, а не рынка, и они проявляются одинаково в ответах на русском языке.
Не переносятся напрямую конкретные платформенные коэффициенты Ahrefs (0,115 для ChatGPT, 0,011 для Gemini, 0,01 для Perplexity) — они откалиброваны на трафике западных сайтов из экосистемы Google и на доле использования ИИ-поиска в США. Для России основная поисковая система — Яндекс, а не Google, поэтому коэффициент AI-adjusted volume нужно считать на собственной базе: доле запросов, уходящих в Яндекс Нейро и Алису, относительно обычной выдачи Яндекса. Готового открытого бенчмарка для российского рынка на момент написания статьи нет — это гипотеза, которую можно проверить только собственными замерами, а не взять готовым числом с западного рынка.
Про российские платформы — YandexGPT, Алису, GigaChat, Sber AI — ни одно из использованных в статье исследований данных не приводит: они тестировали только ChatGPT, Gemini, Claude и Perplexity. Поэтому говорить о конкретных цифрах mention rate или citation rate для российских ИИ-инструментов пока нельзя — это открытый вопрос, который закрывается только собственным замером на вашей выборке промптов, а не ссылкой на зарубежное исследование.
Частые ошибки
- Сравнивать абсолютный SOV без бенчмарка конкурентов. Цифра «у нас 24% SOV» ничего не говорит без ответа на вопрос, сколько у трёх ближайших конкурентов на том же наборе промптов и площадок.
- Менять набор промптов между замерами и считать это ростом. Рост SOV с 20% до 27% может быть реальным сдвигом восприятия бренда моделью, а может быть результатом того, что в выборку добавили более выгодные для бренда формулировки.
- Считать только citations и игнорировать mentions без ссылки. По данным Semrush, 2025, доля ответов с упоминанием бренда без ссылки на сайт — около четверти всех появлений; без этого счёта реальная видимость бренда в ответе недооценена.
- Делать один прогон промпта и фиксировать результат как факт. Один ответ ChatGPT или Яндекс Нейро — это одна случайная реализация модели, а не устойчивый показатель позиции бренда.
- Публиковать блендовый SOV по всем площадкам без разбивки. Средняя цифра маскирует провал на конкретном движке — а именно там, как правило, и нужно концентрировать работу с контентом и структурированными данными, о чём подробнее в материале про GEO и AEO-оптимизацию.
- Переносить западные платформенные коэффициенты на российский трафик без пересчёта. Доля ИИ-поиска относительно органики в Яндексе отличается от соотношения в Google, и готовый коэффициент ChatGPT 0,115 здесь неприменим.
Источники
- AI Share of Voice: What It Is, How to Measure It, and What It Actually Tells You — Ahrefs Blog, 2025
- AI Recommendations Change With Nearly Every Query, SparkToro Finds — Search Engine Journal, 2026
- The Ghost Citations Study — Semrush, 2025
- GEO: Generative Engine Optimization — arXiv / Princeton, KDD 2024
- AEO Metrics: How to Measure AI Search Visibility — AirOps Blog, 2025
FAQ
Чем share of voice в ИИ-ответах отличается от share of search?
Share of search считает долю поисковых запросов, в которых упоминается ваш бренд, — то есть интерес аудитории на этапе формулировки запроса. Share of voice в ИИ-ответах считает долю готовых ответов модели, где назван ваш бренд, — то есть результат работы самой нейросети после того, как запрос уже сделан. Методика расчёта share of search подробно разобрана в материале как считать share of search; для ИИ-ответов добавляется слой платформенных коэффициентов и нестабильности ответов, которого в обычном поиске нет.
Какую формулу SOV выбрать для отчёта совету директоров — простую или взвешенную?
Для совета директоров нужна взвешенная формула, потому что она отражает реальный коммерческий вес бренда в ИИ-поиске через объём спроса и долю платформенного трафика, а не просто факт присутствия в выборке промптов. Простая формула полезнее внутри маркетинговой команды для контроля полноты охвата темами и площадками.
Сколько промптов нужно для надёжного замера SOV?
Единого норматива нет, но из-за нестабильности ответов моделей один промпт нужно прогонять десятками повторов, а не один раз: исследование SparkToro использовало 60–100 повторов на 12 промптов. Набор тем для одной категории товаров или услуг обычно состоит из 20–100 формулировок, покрывающих информационные, сравнительные и транзакционные запросы.
Можно ли считать SOV по одной площадке, например только по ChatGPT?
Можно, но это даст искажённую картину, если у бренда разное поведение на разных движках — например, высокая цитируемость на ChatGPT и низкая на Gemini. Правильнее считать SOV раздельно по каждой площадке и хранить разбивку, а блендовую цифру использовать только как верхнеуровневый ориентир.
Как часто нужно пересчитывать SOV в ИИ-ответах?
Разовый снимок ненадёжен из-за нестабильности ответов модели, поэтому разумный горизонт — окно не короче 7 дней с накоплением повторов по каждому промпту, и сравнение тренда за несколько таких окон, а не точечных значений.
Нужно ли считать mentions и citations отдельно, если меня интересует только переход на сайт?
Да, потому что часть ценности бренда реализуется через упоминание названия без ссылки — пользователь запоминает бренд и идёт искать его напрямую, минуя клик по цитате в ответе. Если считать только клики по citation-ссылкам, вы недооцениваете реальную видимость бренда в ответах ИИ.
Применимы ли платформенные коэффициенты Ahrefs (ChatGPT, Gemini, Perplexity) к российскому рынку?
Нет, эти коэффициенты откалиброваны на трафике западных сайтов и доле использования ИИ-инструментов в экосистеме Google, которая устроена иначе, чем у Яндекса. Для российского рынка нужно считать собственное соотношение трафика ИИ-поиска (Яндекс Нейро, Алиса) к обычной органике Яндекса — готовых открытых данных по этому коэффициенту на момент написания статьи нет.
Если вам нужна не разовая статья, а система замера видимости бренда в ИИ-ответах — с методикой выбора промптов, разбивкой по площадкам и регулярным трекингом для отчётов совету директоров, — на интенсиве Marketing OS разбираем это предметно, на примерах e-com, B2B и сервисных компаний.