Битва за шорт-лист: кейс Grass о том, как занять 40% видимости в AI-выдаче

Grass — крупнейший российский производитель бытовой химии и автохимии. Бренд уже обладает достаточно сильным информационным следом (маркетплейсы, отзывы, СМИ, профессиональные обзоры, собственный сайт), поэтому задача состояла не в создании узнаваемости с нуля, а в том, чтобы:

— увеличить долю рекомендаций бренда в ответах ИИ;

— связать бренд с конкретными пользовательскими сценариями («чем отмыть жир», «лучший гель для стирки», «безопасная бытовая химия»);

— вытеснить конкурентов из рекомендательных ответов по ключевым категориям;

— усилить присутствие в источниках, которые чаще всего цитируют нейросети.

Да, сегодня для удержания дистанции от конкурентов даже лидерам рынка уже недостаточно классического SEO и контекстной рекламы. Если раньше пользователь сравнивал сайты и выбирал между ссылками в выдаче, то сейчас первый этап выбора чаще делегируется искусственному интеллекту.

Для повышения видимости бренда Grass в ответах ChatGPT, Perplexity, Google AI Overview и «Поиска с Алисой» мы реализовали комплексную GEO-стратегию, которая охватила как собственные площадки бренда, так и внешнюю информационную среду.

Работы разделили на несколько этапов:

1. Исследовали, как нейросети воспринимают рынок бытовой химии и по каким запросам рекомендуют бренды.

2. Сформировали пул целевых промптов и настроили систему мониторинга AI-видимости.

3. Провели аудит источников, на которые опираются нейросети при формировании рекомендаций.

4. Разработали AI SEO-стратегию для увеличения Share of Voice бренда.

5. Усилили присутствие Grass на авторитетных внешних площадках и в СМИ.

6. Оптимизировали структуру и контент сайта под требования генеративных поисковых систем.

7. Регулярно тестировали гипотезы, отслеживали динамику упоминаний и корректировали стратегию на основе полученных данных.

Кейс содержит скриншоты из нашего иструмента анализа видимости брендов ai.pixeltools.ru.

Смена парадигмы: от синих ссылок к прямым советам

Ниша бытовой химии специфична тем, что покупатель редко ищет конкретный артикул. Чаще всего путь к покупке начинается с запроса-проблемы:

• «Какое средство для кухни реально отмывает жир?»

• «Что выбрать: гель, порошок или капсулы?»

• «Лучшие бренды безопасной бытовой химии для детской».

В таких сценариях поисковые нейросети (ChatGPT, «Поиск с Алисой», Perplexity, Google AI Overview) становятся рекомендательным фильтром. Если ИИ-модель не упоминает бренд в своем ответе, компания теряет контакт с потребителем в момент формирования шорт-листа покупок. Ни до поиска, ни до маркетплейса пользователь может просто не дойти.

Вызов: борьба за Share of Voice в новой среде

На старте проекта видимость бренда в AI-ответах была фрагментарной. Модели опирались на распределенную информационную среду: старые обзоры, СМИ, маркетплейсы, отзовики. Если информация о Grass на этих ресурсах отсутствовала в контексте сравнения с конкурентами, нейросеть выбирала другие бренды. 

Исследовательская база: как мы «препарировали» ИИ

Работа над проектом началась с глубокого анализа: как нейросети воспринимают нишу бытовой химии. Чтобы Grass стал приоритетной рекомендацией, нам нужно было понять текущую карту «цифрового сознания» моделей.

Методология сбора и кластеризации промптов

Мы собрали семантическое ядро, которое имитирует реальное поведение пользователя в 2026 году. Промпты были разделены на группы по интентам (намерениям), так как ИИ может отлично знать бренд в одной категории, но игнорировать в другой.

Основные группы запросов:

• Рекомендательные: «Выбор лучшего бренда бытовой химии», «Рейтинг гелей для стирки».

• Сравнительные: «Сравнение Grass с конкурентами», «Что лучше: гель или порошок?».

• Репутационные: «Поиск безопасных или эффективных средств для уборки».

• Ситуативные: «Чем отмыть жир на кухне», «Как выбрать средство для стирки детских вещей».

Инструментарий и мониторинг

Для фиксации результатов и управления стратегией мы использовали открытый сервис мониторинга AI-ответов — модуль ai.pixeltools.ru, где любой бренд может загрузить собственный пул промптов в сервис и получить независимую проверку своих показателей в сравнении с конкурентами.

Возможности инструмента, которые мы задействовали:

• Открытость данных: методика расчета AI-видимости прозрачна — мы видим «рост» и понимаем, из чего он складывается.

• Мультимодельный трекинг: одновременный мониторинг ответов ChatGPT, Perplexity, Google AI Overview, «Поиска с Алисой».

• Гибкая аналитика: возможность фиксировать динамику по каждой модели отдельно или анализировать агрегированный показатель в режиме «Все».

Методика расчета AI-видимости

Чтобы исключить субъективность, мы использовали математическую формулу, заложенную в алгоритм сервиса:

Видимость = (Количество ответов с упоминанием бренда / Общее количество протестированных ответов) × 100%

Пример: если из 26 промптов бренд упоминается в 10 ответах, показатель видимости составит 38,5%. На текущем этапе учитывается сам факт упоминания, что позволяет объективно оценить «присутствие» бренда в базе знаний нейросетей.

Параметры активной фазы эксперимента

Хотя мы ведем проект Grass системно, наиболее показательным стал период активного тестирования гипотез с 18 марта по 8 мая 2026 года. Для эксперимента мы выстроили систему координат:

• Количество промптов: 26 (фиксированный список из рекомендательных, сравнительных, репутационных и ситуативных запросов). Список не менялся в течение всего теста для чистоты данных.

• Анализируемые модели: ChatGPT, Perplexity, Google AI Overview, «Поиск с Алисой».

• Общее количество ответов на один апдейт: 104 (26 запросов × 4 модели).

Аудит информационной среды (Sources Analysis)

Анализ показал, что ИИ формирует ответы, опираясь на распределенную среду. Модели не ограничиваются только сайтом grass.su, они собирают данные из СМИ (РБК, Sostav), UGC-платформ (VC, DTF), маркетплейсов.

Мы зафиксировали, что на старте значимая часть ответов строилась на внешних ресурсах, где Grass был представлен недостаточно системно. Это стало основным инсайтом: работа только над внутренним SEO сайта не даст нужного охвата в AI-выдаче.

Продуктовый подход и реализация стратегии

При работе над AI SEO для Grass опорой стал продуктовый подход. Мы оценивали каждое действие через призму бизнес-результатов клиента: Share of Voice и узнаваемость бренда в рекомендательных системах.

Принципы реализации:

• Приоритизация по KPI: задачи выстраивались в очередь в зависимости от их потенциального влияния на видимость в ИИ. Если анализ показывал, что промпты по категории «гели для стирки» имеют более высокий потенциал охвата, работа с этой категорией шла в приоритете.

• Циклы гипотез и MVP: мы не внедряли изменения массово. Любая идея — например, изменение структуры FAQ на сайте — сначала тестировалась на ограниченном пуле страниц, а после фиксации роста в AI-ответах масштабировалась на весь каталог.

• Гибкое планирование (Agile): рынок AI SEO  динамичен — алгоритмы нейросетей обновляются чаще, чем поисковые роботы. Мы регулярно сверяли прогресс по формату «план/факт» и адаптировали стратегию под изменения в выдаче Perplexity или Google AI Overview.
  

Формирование карты работ

После первичного аудита стало понятно, что для доминирования в ответах ИИ нужно работать в двух направлениях одновременно:

1.     Усиление внутренней базы (On-page AI SEO): превращение официального сайта Grass в «эталонный источник знаний» для нейросетей.

2.     Расширение внешнего контура (Off-page AI SEO): насыщение информационного поля на площадках, которые ИИ использует в качестве доверенных источников.

Поскольку нейросети чувствительны к качеству и структуре информации, мы отказались от «сеошных» текстов старого образца, а в основу контент-плана заложили форматы, удобные для извлечения смыслов: чек-листы, сравнительные таблицы, прямые ответы на вопросы пользователей.

Битва за доверие: внешние публикации и контентный маркетинг

Одной из находок проекта стало подтверждение того, что нейросети формируют «мнение» о бренде на основе распределенной информационной среды. Работа исключительно с официальным сайтом была бы недостаточной, так как ИИ-модели склонны доверять независимым источникам: СМИ, тематическим подборкам, UGC-платформам.

Почему ИИ «любит» VC, DTF и Sostav?

Благодаря высокой цитируемости и качественной модерации контента, эти ресурсы стали авторитетными донорами базы знаний для языковых моделей. Размещая материалы на VC, DTF, Sostav, TenChat, Pikabu, мы преследовали цель создать для ИИ устойчивую связь между брендом Grass и экспертными ответами в нише бытовой химии.

Тематики публикаций мы сфокусировали на пользовательских сценариях выбора:

• Сравнения, рейтинги: «Лучшие бренды бытовой химии», «Топ-5 гелей для стирки по отзывам».

• Гайды, чек-листы: «Как выбрать средство для стирки и не испортить ткань».

• Репутационный контент: Анализ эффективности составов, сравнение марок по критериям безопасности.

Масштабирование через региональные СМИ

Чтобы усилить сигналы для ИИ в разных регионах и расширить базу источников, мы задействовали пул площадок разного масштаба: SSA, ASTV, News.1777, Gus-info. Получилось создать эффект «информационного купола» — куда бы нейросеть ни «посмотрела» в поисках данных о Grass, она находила подтверждение его надежности.

Контент, удобный для «машинного чтения»

При подготовке материалов мы отказались от классического рекламного копирайтинга. Для AI SEO критически важна структура:

• Использование списков и подзаголовков: помогает модели быстрее вычленять тезисы.

• Нейтральный тон: ИИ-системы настроены на поиск объективной информации, поэтому экспертные статьи без агрессивных призывов к покупке индексируются и цитируются ими чаще.

• Прямые ответы: мы выносили главное в начало абзацев, облегчая нейросетям формирование коротких ответов для пользователей.

Внутренняя оптимизация 

Параллельно с внешними публикациями провели работу над официальным сайтом grass.su. Цель — сделать ресурс максимально понятным для извлечения фактов нейросетями. Официальный сайт бренда для ИИ — это первоисточник, и если данные на нем противоречивы или плохо структурированы, в рекомендации можно «не залететь».

Переработали контент на главных посадочных страницах, внедрив элементы, которые помогают моделям быстрее выделять смыслы:

• Сравнительные таблицы: вместо длинных текстовых описаний внедрили наглядные таблицы (например, «Гель vs Порошок», «Концентрат vs Обычное средство»). ИИ стал мгновенно находить преимущества, использовать их в сравнительных промптах.

• Чек-листы и списки: структурировали информацию о применении продуктов, добавив блоки «Как выбрать», «Критерии оценки» и «Сценарии применения». Это повышает вероятность того, что ИИ процитирует сайт как авторитетное руководство.

• Блоки FAQ: собрали частые вопросы пользователей, подготовили лаконичные, прямые ответы — оптимальный формат для «нулевой выдачи» и быстрых ответов AI-ассистентов.

Итоговые показатели проекта за период с мая 2025 по май 2026 года подтвердили жизнеспособность стратегии AI SEO. Нам удалось не просто увеличить количество упоминаний бренда, а качественно изменить присутствие Grass в рекомендательных системах.

Динамика видимости и упоминаний

На старте работ видимость бренда в ответах ИИ находилась на уровне 32%. К концу периода наблюдений этот показатель вырос до 39%, достигнув своего исторического максимума.

Анализ Share of Voice (Доли голоса)

Одной из задач было усиление позиций Grass относительно конкурентов. Благодаря системной работе с внешними площадками (VC, DTF, СМИ), доля голоса бренда выросла с 5,8% до 7,3%.

• Grass стал безусловным лидером в нише по версии ИИ-моделей (6,57% в общем срезе), обойдя таких сильных игроков, как Synergetic (4,01%) и BioMio (2,72%).

• Тональность упоминаний бренда в 87,8% случаев является положительной, что критически важно для формирования доверия у нейросетей.

Бизнес-эффект: корреляция с трафиком

Мы зафиксировали связь между активностью в рекомендательных системах и поведением реальных пользователей:

1.     Рост брендового трафика: пользователи, получившие рекомендацию от ChatGPT или «Алисы», переходят в поиск Яндекса и Google для совершения покупки. Мы увидели четкую корреляцию между пиками упоминаний в ИИ и всплесками брендовых запросов в Метрике.

2.     Эффективность источников: внешние публикации на UGC-платформах (DTF — 52 встречи в ИИ, VC — 25 встреч) стали работать как вечные двигатели трафика, постоянно подпитывая базу знаний нейросетей актуальными данными о Grass.