Тендеры и лиды
Информация
Маркетинг, дизайн, реклама
Порталы и сервисы
Сентябрь 2026
Разработка АЙNET Радар стала ответом на внутреннюю потребность агентства. Мы выяснили, что большинство предложений на рынке выдаёт разные данные по одинаковым запросам, а на верификацию уходило слишком много времени и ресурсов. Мы решили создать собственный контролируемый продукт с понятным механизмом работы. Его основа — гипотеза: достоверная аналитика требует измерять пользовательский опыт («живая» выдача из интерфейса LLM с Web-Search) и усреднять серию регулярных замеров.
Когда пользователь спрашивает у нейросети «что выбрать», он получает не список ссылок, а готовую рекомендацию. Бренд в ней либо есть, либо нет, и обычные SEO-метрики этого не показывают. АЙNET Радар измеряет именно это: как бренд выглядит в ответах ChatGPT, Gemini, DeepSeek, GigaChat и Алисы глазами реального пользователя, а не в технической среде API. Сервис позволяет проверить присутствие бренда в нейровыдаче, сравнить его показатели с рынком и найти точки роста в ИИ-поиске.
Для выстраивания GEO-стратегии необходимо анализировать ответы ИИ-систем, частоту и тональность упоминаний бренда, его положение относительно конкурентов и источники, на которые опирается ИИ. Результат при этом зависит от запроса, модели и информационного контекста, который система использует для формирования ответа.
Поисковое поведение пользователей изменилось, и видимость в нейросетях стала отдельным показателем для бизнеса. Можно сформулировать запрос о выборе продукта или услуги и получить готовую рекомендацию вместо списка ссылок. Потенциальный клиент способен принять решение, не переходя на страницу продукта. Поэтому компаниям важно понимать, насколько часто они присутствуют в таких ответах и какие факторы на это влияют.
Многие GEO-сервисы собирают данные из нейросетей через API моделей. Но API показывает, как модель отвечает в технически заданной среде, а не то, что видит человек в веб-интерфейсе или приложении. В нашем тесте расхождение между API и «живой» выдачей достигало 74 п.п.
Вторая проблема — волатильность. При повторных замерах в течение суток видимость одного и того же бренда в Яндекс Алисе (100 запросов) колебалась от 31% до 45%, среднее — 38%. Решения, принятые по одному разовому съёму, рискуют опираться на случайный выброс.
Третья проблема — конкуренты. Список конкурентов обычно задают вручную, а нейросеть может считать конкурентами совсем других игроков.
Разработка АЙNET Радар стала ответом на внутреннюю потребность агентства. Мы выяснили, что большинство предложений на рынке выдаёт разные данные по одинаковым запросам, а на верификацию уходило слишком много времени и ресурсов. Мы решили создать собственный контролируемый продукт с понятным механизмом работы. Его основа — гипотеза: достоверная аналитика требует измерять пользовательский опыт («живая» выдача из интерфейса LLM с Web-Search) и усреднять серию регулярных замеров.
Пользователь прописывает интересующие запросы (поиск услуги или продукта, сравнение решений, выбор поставщика, рекомендации, информационные вопросы), а система проверяет присутствие бренда в ответах нейросетей. Результаты собираются в аналитический отчёт.
Сбор данных напрямую из интерфейсов LLM. Ответы получаем через пользовательские интерфейсы, так же, как это делает реальный пользователь.
Усреднение по нескольким замерам. Ответы LLM волатильны, поэтому мы проводим несколько замеров и считаем усреднённый результат.
Уникальные метрики. Считаем позицию бренда в ответах с поправкой на то, сколько брендов всего в ответ, доверие ИИ к бренду и отставание от лидера категории.
Анализ промптов. Конкурентов не нужно задавать заранее: система сама находит бренды, которые чаще всего упоминаются в ответах, вплоть до конкретных продуктов.
АЙNET Радар закрывает четыре технологических барьера GEO-аналитики.
Сервис эмулирует поведение реального пользователя в интерфейсах ChatGPT, DeepSeek, GigaChat, Яндекс Алисы и Gemini, включая поиск актуальной информации в сети (Web-Search).
Система проводит серийные съёмы и рассчитывает усреднённую видимость за выбранную дату или период. Это сглаживает случайные выбросы. Любое количество съёмов усредняется автоматически, а любой день можно скрыть или дозапустить. Для достоверного среднего мы рекомендуем не менее трёх замеров.
Position Score оценивает позицию бренда в одном ответе с учётом числа рекомендованных объектов:
Ranking Score — среднее значение Position Score по всем ответам. Средняя позиция сама по себе не показательна, потому что в ответе может быть от 3 до 10 брендов. Ranking Score учитывает это и показывает, насколько высоко ИИ ставит бренд, когда его рекомендует.
Пример: Альфа-Банк имеет наибольшую видимость среди банков в выборке (78%). Но когда ИИ рекомендует Т-Банк (видимость 73%), тот стоит в списке заметно выше: Ranking Score 0,79 против 0,64. Это косвенно говорит о большем доверии ИИ к Т-Банку.
Лидер-индекс сравнивает бренд с лидером категории, учитывая и долю упоминаний, и позицию:
Пример: в нише детского питания Нутрилак по видимости на шестом месте (29%), но его Ranking Score 0,69 — второй в нише после лидера Nutricia (0,85) и выше, чем у Nestle (0,62). Поэтому Лидер-индекс Нутрилака 52%, на уровне брендов с видимостью 32–36%. Обычный рейтинг по упоминаниям этого бы не показал. В примере с банками Т-Банк при меньшей видимости получает Лидер-индекс 100 и опережает Альфа-Банк (93).
Сервис сам определяет бренды и конкретные продукты, упоминаемые в ответах ИИ, и исключает человеческий фактор при составлении пула конкурентов. В нише «Перхоть» мы вручную добавили более 40 конкурентов и всё равно пропустили Себозол (51% видимости) и Циновит (38%). Анализ ответов позволил их найти и добавить в отслеживание.
Обзор проектов. Проекты удобно группируются по папкам, упрощая навигацию. Также встроен поиск по проектам.
Сводная по проектам. Данные по последнему съему: видимость, ренкинг-скор, лидер-индекс. Есть возможность выбрать группу запросов.
Исторические данные по клиенту. Как менялась видимость в разные даты, доля какой LLM преобладает.
Динамика KPI. Возможность посмотреть показатели в динамике для своего клиента и конкурентов.
Общая видимость. Ключевые метрики по текущему клиенту и конкурентам в разрезе каждой LLM и средние показатели.
Усреднение волатильности. Вы можете выбрать интервал дат и рассчитать среднее за период. Это позволяет нивелировать волатильность.
Ответы нейросетей. Визуальное представление наличия ответов и возможно посмотреть каждый из них.
Самые популярные домены. Какие сайты чаще всего попадают в ответы нейросетей по вашим запросам.
Самые популярные страницы. Какие страницы чаще всего попадают в ответы нейросетей по вашим запросам.
Исторические данные. Возможность управлять данными за разные даты и отключать ненужные.
Функционал анализа нейроответов (Google AI Overviews и Яндекс Алиса в Поиске). Мы также снимаем данные по нейроответам, можем считать упоминание бренда или конкретного сайта.
Первичный аудит позиции бренда в нейровыдаче, регулярный мониторинг, оценка изменений после публикаций и PR-кампаний, поиск групп запросов, где бренд систематически выпадает из рекомендаций, корректировка контентной стратегии.
В ИИ-поиске одной стабильной позиции фактически нет, важно смотреть на присутствие бренда сразу в десятках пользовательских сценариев и находить зоны, где компания системно выпадает из рекомендаций.
Пример проекта в ритейле: 5 нейросетей, 2 400 ответов, 1 262 упоминания бренда, съём выполнен за 1 час 12 минут. Видимость бренда 54%, Ranking Score 0,72, Leader Index 93% относительно лидера категории.
Ответ одной нейросети в АЙNET Радар стоит 2 рубля. Для сравнения: Pixel Tools, Rush Analytics и Keys.so — 3 рубля, Brandfound — 10 рублей.
Срез по узкой категории (5 нейросетей, 300 запросов, 3 съёма) обходится в 9 000 рублей. Срез по всей тематике (5 нейросетей, 1 000 запросов, 3 съёма) — в 30 000 рублей.
Сервис запущен недавно, поэтому в заявке мы не приводим выручку и число подключений. Эффект на сегодня другой: агентство перестало тратить время на сверку расхождений между сервисами, а клиенты получили KPI, которые можно проверить вручную по конкретному ответу нейросети. АЙNET Радар уже используется в аналитике для брендов из FMCG, фармы и ритейла (L'Oréal, Nutricia, Черноголовка и других) и даёт прозрачную долю голоса (Share of Mentions), позицию бренда и контроль над цитируемостью в ИИ.
