DEV Community: ideata.io

I open-sourced Ideata: a self-hosted AEO tracker and AI content studio

ideata.io — Tue, 01 Sep 2026 12:00:12 +0000

Search is moving into the chat box.

People increasingly ask ChatGPT, Claude, Gemini, and Perplexity for recommendations instead of scrolling through ten blue links. I wanted to understand what those systems say about a brand, which sources they cite, and why competitors get recommended.

Most tools I found in this space were closed SaaS products. The methodology was hidden, the data lived on somebody else's infrastructure, and pricing was usually tied to seats, prompts, or reports.

So I built and open-sourced Ideata: a self-hosted AEO tracker with an AI content studio and cross-publishing workflow built in.

What Ideata does

Track visibility across answer engines

Ideata runs real buyer prompts across 8+ answer engines, including ChatGPT, Claude, Gemini, Perplexity, DeepSeek, Grok, Yandex Alice/Neuro, and GigaChat.

For every run, it helps you inspect:

whether your brand was mentioned or cited
which competitors appeared instead
share of voice, position, and sentiment
the sources each model relied on
AI crawler activity and AI-referred traffic

Turn gaps into content

Tracking alone did not feel useful enough. Once Ideata finds a visibility gap, the built-in content studio can take an article through:

brief and research
outline
draft
quality checks and fact-checking
publishing

The same article can then be adapted for Telegram, X, LinkedIn, Bluesky, Mastodon, VK, Threads, Zen, WordPress, or a custom REST endpoint.

The goal is a continuous loop: monitor → find gaps → create → distribute → measure again.

Why I made it open source

A visibility tool should not be another black box.

With Ideata:

your data stays on your infrastructure
you bring your own model provider keys
there is no phone-home behavior
the tracking and scoring logic is inspectable
you can modify the workflow for your own market or language

The project is licensed under AGPL-3.0 and the complete stack is available on GitHub.

Run it with Docker Compose

The stack uses Vue 3, NestJS, PostgreSQL, Redis, Prisma, and BullMQ. One Docker Compose command starts the dashboard, API, worker, database, and queue.

git clone https://github.com/Dallowin/ideata.git
cd ideata
cp .env.example .env
docker compose up -d --build

Open http://localhost:8080, create the first owner account, and add an OpenRouter key or native provider keys under Settings → Providers.

You only need one model key to start. Native keys can be configured per engine when you need direct routing or grounded web search.

It is still early

Ideata is usable today, but there is plenty I want to improve: more answer engines, better geo-targeting, scheduled reports, and simpler deployment options.

I would especially appreciate feedback on:

which AI visibility metrics are actually useful
which answer engines or regional assistants are missing
whether the monitor-to-content workflow feels clear
what would make self-hosting easier

Issues and pull requests are welcome.

GitHub: github.com/Dallowin/ideata

If you work on SEO, AEO, content, or self-hosted software, I would love to hear how you would use it.

Как оптимизировать сайт для ChatGPT, Perplexity и Яндекс Нейро: пошаговый гайд AEO 2026

ideata.io — Mon, 10 Aug 2026 09:28:58 +0000

Оптимизация сайта для ChatGPT, Perplexity и Яндекс Нейро в 2026 идёт через answer-first контент, самодостаточные чанки, сигналы авторитетности и попадание в контур отбора конкретного движка, а не через плотность ключей. Один общий SEO-чек-лист AI-поиск не закрывает: у каждого движка свой pipeline выбора 3–5 ссылок. AEO готовит фрагменты так, чтобы модель извлекла их, включила в синтез ответа и указала сайт источником; гарантий цитирования нет, есть только рычаги влияния.

- ChatGPT, Perplexity и Яндекс Нейро отбирают источники по разным правилам: без учёта pipeline общий чек-лист даёт слабый эффект.


Общий фундамент для трёх контуров: question-based H2/H3, прямой ответ в первом абзаце секции, извлекаемые списки и таблицы, E-E-A-T и доступность текста к обходу.
AI-видимость измеряют аудитом промптов и мониторингом выдачи, затем правят точечно; «гарантии выдачи» публично не подтверждены.

AEO в 2026: прямой ответ, чем это отличается от SEO

AEO (Answer Engine Optimization) оптимизация контента и сопутствующих сигналов так, чтобы answer-движки извлекли фрагмент, включили его в синтез ответа и указали сайт как источник. AI-видимость, частота и форма присутствия бренда или URL в ответах ИИ по целевым промптам (упоминание, цитата, ссылка). GEO (Generative Engine Optimization) смежный контур: подготовка материалов под генеративные системы, которые отдают готовый ответ вместо списка страниц.

Отличие от классического SEO в модели выдачи. SEO соревнуется за позиции среди примерно десяти синих ссылок. AEO и GEO работают с узким пулом: модель отбирает несколько источников, склеивает ответ и часто снимает потребность в клике. У Яндекс Нейро, по разбору FedotovSEO, в генерацию попадают ровно 5 источников из топ-30 органики. В Google-контуре картина схожая по эффекту на трафик: по материалу на Habr, доля zero-click запросов выросла с 56% до 69% (май 2024, май 2025), а первая органика теряет 34,5% кликов при блоке AI Overview. Топ выдачи больше не равен прежнему объёму переходов; конкуренция смещается к цитированию.

Ни один приём не гарантирует цитирование. Дальше только рычаги влияния и условия отбора из публичных описаний и отраслевых разборов.

Карта статьи: три контура (ChatGPT, Perplexity, Яндекс Нейро) → общий фундамент answer-first и авторитетности → как измерить AI-видимость и эффект без обещаний «гарантии выдачи».

Как сделать сайт видимым для ChatGPT

Видимость в ChatGPT строится на четырёх условиях: страница доступна к обходу и извлечению, в начале блока даёт сжатый фактический ответ, подтверждается внешними упоминаниями и не противоречит другим авторитетным источникам. Цитирование в ChatGPT в 2026 зависит не от плотности ключей, а от того, насколько чисто модель может вытащить самодостаточный фрагмент и сверить его с остальным корпусом.

Люди спрашивают ChatGPT иначе, чем Google. Промпт длинный, с контекстом, уточнениями и просьбой сравнить или выбрать. Психология запроса смещается к follow-up: «что лучше для B2B», «в чём риск», «как проверить за 30 минут». Контент, заточенный под один keyword, обрывается на втором уточнении. Страница должна закрывать цепочку вопросов, а не одну формулировку.

Практические рычаги под контур ChatGPT 2026:

Question-based H2/H3: заголовок = вопрос пользователя, сразу под ним прямой ответ.
Answer-first: определение термина и суть в первом абзаце секции (краткая выжимка в духе 40–60 слов, как рекомендуют для AEO в руководстве WhiteGEO).
Извлекаемые чанки: списки, таблицы, нумерованные шаги; каждый блок читается отдельно.
E-E-A-T-сигналы: автор с экспертизой, первоисточники, даты, явные границы применимости совета.

Техдоступность: отдавайте главный текст без критической зависимости от клиентского JS. Не закрывайте полезные блоки для ботов там, где это рвёт извлечение. Микроразметка (Article, FAQ, HowTo) помогает структуре, но не заменяет ясный текст.

Чего не обещать: у ChatGPT нет публичного аналога Search Console. «Гарантии выдачи» не подтверждены. Базовую проверку упоминаний бренда делают ручным аудитом: режим инкогнито, чистые сессии, разные типы промптов; плюс мониторинг AI-выдачи. Бесплатные и гибридные схемы аудита описаны, например, в обзоре инструментов GEO Scout.

Перед правками зафиксируйте стартовую картину: бесплатный отчёт Ideata покажет, как бренд уже выглядит в AI-выдаче, и куда бить точечно, а не «оптимизировать всё».

Как попасть в ответы Perplexity

Как попасть в ответы Perplexity: чаще цитируют страницы, которые сразу дают проверяемый факт, явно помечают источник утверждения, остаются свежими и согласованы с другими документами по теме. Модель собирает ответ через retrieval и показывает ссылки; выигрывает не «продающий» тон, а пригодность фрагмента к цитированию источников.

Чем контур Perplexity отличается от ChatGPT

Perplexity заточен на RAG и citation-first выдачу: сначала отбор кандидатов, затем сборка ответа с опорой на извлечённые куски. Лендинг с выгодами здесь слабее страницы-справочника. Нужны факты, цифры со ссылкой на первоисточник и однозначные формулировки без размытого маркетинга. Оптимизация для Perplexity ближе к справочнику и comparables, чем к storytelling-лендингу под общий диалог в ChatGPT.

Генеративные поисковики сами выбирают ограниченный набор авторитетных источников и синтезируют ответ, снижая необходимость перехода по ссылкам (Habr). Отсюда ставка на фактическую плотность и согласованность, а не на плотность ключей.

Практика на странице

Короткие абзацы по 2–4 предложения: тезис → обоснование → вывод.
В начале блока: прямой ответ, который можно процитировать отдельно.
Таблицы сравнений, списки ограничений, дата актуальности данных.
Каждое числовое или спорное утверждение с пометкой источника.
Без общих фраз вроде «лучший выбор на рынке» без критерия и контекста.

Такая структура повышает шанс, что retrieval заберёт цельный чанк, а не обрывок рекламного абзаца.

Внешний граф и follow-up

Упоминания бренда и продукта на авторитетных площадках усиливают шанс попасть в пул кандидатов при кросс-проверке. Если факт на сайте расходится с корпусом внешних источников, страница чаще отсеивается.

Запросы в Perplexity часто уточняющие. Заранее закрывайте блоки «когда метод подходит / когда нет», ограничения и альтернативы: они кормят follow-up и дают новые цитируемые фрагменты.

Что измерять

Смотрите не только факт «нас упомянули», а Citation Share и набор URL, которые Perplexity стабильно ставит рядом с ответом у конкурентов. По смене цитируемых страниц видно, какой тип контента двигает видимость. Для системного контроля Citation Share и списка цитируемых URL удобно опираться на бесплатный отчёт Ideata: сравниваете свой домен с конкурентами по промптам, а не по разовому скрину чата.

Оптимизация сайта для Яндекс Нейро

Оптимизация сайта для Яндекс Нейро строится на двух уровнях: сначала страница должна попасть в органическую выдачу Яндекса, затем выиграть отбор в короткий список источников за счёт answer-first, свежести, Schema.org и внешних упоминаний. По данным FedotovSEO, Яндекс Нейро отбирает ровно 5 источников из топ-30 органики и собирает нейроответы Яндекс на базе YandexGPT. Без видимости в этой зоне шанс нейроцитирования резко падает: AEO не заменяет SEO, а надстраивается над ним.

Связь прямая. Органика Яндекса даёт вход в пул кандидатов. Уже внутри пула модель опирается на пригодность фрагмента к синтезу, сигналы E-E-A-T, актуальность и согласованность с другими материалами. Наблюдаемая схема такая: органика → короткий список источников → синтез ответа. Недокументированных «обходов» органики здесь закладывать не стоит.

Семь шагов, которые закрывают оба контура:

Закрыть топ-запросы в органике Яндекса и удерживать URL в зоне кандидатов (ориентир: топ-30 органики).
Под H2-вопросом сразу давать сжатый ответ в 2–4 предложениях, в формулировках реальных RU-запросов.
Внедрить Schema.org для типов FAQ, HowTo и Article, чтобы сущности и блоки ответа читались однозначно.
Обновлять даты, цифры и устаревшие абзацы: свежесть участвует в отборе наряду с E-E-A-T.
Усиливать бренд-упоминания на авторитетных внешних площадках, без накрутки несвязанных ссылок.
Выносить факты в списки и таблицы, которые остаются понятны вне контекста всей страницы.
Регулярно сверять нейроответы Яндекс по целевым промптам и фиксировать, какие URL попадают в источники.

Яндекс-специфика усиливает роль языка и интента. Явно именуйте сущности, бренды, продукты и регионы. Для локальных и коммерческих запросов делайте отдельные answer-first блоки под формулировки аудитории, а не под «общие» SEO-ключи. Контент на русском должен совпадать с тем, как люди спрашивают в RU-сегменте, иначе страница может висеть в органике, но редко выигрывать финальные 5 слотов.

Общий фундамент AEO: структура, Answer-first и llms.txt

Общий фундамент AEO: структура контента AEO, Answer-first, Schema.org и техническая доступность текста. Без них точечные тактики под ChatGPT, Perplexity и Яндекс Нейро дают слабый эффект, потому что модели извлекают самодостаточные фрагменты, а не «страницу целиком».

Answer-first и чанки для LLM

Answer-first: сразу под заголовком-вопросом дайте суть на 40–60 слов так, чтобы блок читался как standalone-ответ. По руководству WhiteGEO, краткая суть в начале раздела и микроразметка Schema.org повышают шанс попасть в блоки ответов; дальше идут детали, примеры и ограничения.

Иерархия H2/H3 работает как чанки для LLM:

Один H2 = один смысл и один главный вопрос.
В первом абзаце секции: определение термина или прямой ответ.
Ниже: списки, таблицы, шаги; без переноса сути «в конец».
H3 дробит подтемы, но не смешивает несколько выводов в одном блоке.

Так устроены самодостаточные H2-блоки: модель может процитировать фрагмент без соседних абзацев.

Schema.org и технический контур

Микроразметка для answer engines (Article, FAQPage, HowTo) сигнализирует структуру документа. Это не «кнопка попадания в ИИ», а явная карта: что является вопросом, шагом, определением. Digital Rocket отдельно подчёркивает Schema.org и формат вопрос–ответ под заголовками H2–H4 для извлечения нейросетями.

Техническая доступность контента для извлечения:

индексабельные URL без лишних параметров и закрытий от обхода;
каноникал без дублей одной и той же мысли;
текст в HTML, а не только в картинках или скриптах;
корректные Title и Description как короткие ориентиры темы;
llms.txt: добровольная подсказка LLM-агентам, какие разделы приоритетны; единого обязательства «все движки читают файл» нет, поэтому его держат как дополнение к открытому тексту, не как замену структуре.

Рычаги фундамента по контурам

РычагЗачем нуженСильнее влияет наAnswer-first (40–60 слов)Даёт цитируемый standalone-ответChatGPT, Яндекс НейроH2/H3-чанки, списки, таблицыУпрощает нарезку и сверку фактовPerplexity, ChatGPTSchema.org (Article, FAQPage, HowTo)Помечает вопросы, шаги, тип материалаЯндекс Нейро, PerplexityИндексация, каноникал, текст в HTMLДелает URL и формулировки извлекаемымиВсе три контураllms.txtМягко указывает приоритетные разделы агентамВспомогательно, без гарантии учёта

Проверьте, видит ли ИИ ключевые URL и в каком виде они цитируются: аудит сайта Ideata и документация Ideata помогают сопоставить структуру страниц с фактическими упоминаниями в ответах, без обещаний «гарантированной выдачи».

Как измерить эффект AEO и AI-видимость в 2026

Эффект AEO измеряют не «позицией в AI», а связкой метрик: AI-видимость по фиксированному набору промптов (Share of Voice: доля ответов, где бренд упомянут), Citation Share (доля и состав цитируемых URL), динамика referral и brand-трафика, плюс качественные сдвиги в формулировках ответа. Отдельной «AI Search Console» нет, поэтому метрики AEO собирают протоколом промпт-аудита и регулярным мониторингом AI-выдачи.

Протокол ручного аудита видимости в ChatGPT и других движках

Зафиксируйте единый список промптов (категорийные, сравнительные, «лучший X», problem/solution).
Запускайте проверки в инкогнито и чистых сессиях, без истории и персонализации.
Повторите тот же список в ChatGPT, Perplexity и Яндекс Нейро.
Для каждого промпта отметьте: упомянут / не упомянут, какой URL процитирован, в каком контексте.
Сохраняйте дату, формулировку промпта и скрин/текст ответа для сопоставимости.

По разбору GEO Scout, ручной аудит через чат зависит от персонализации; режим инкогнито и чистые аккаунты снижают этот шум.

Автоматизация и чтение динамики

Агентствам и брендам с несколькими рынками разовый чек быстро устаревает: ответы и набор ссылок плывут. Регулярный мониторинг AI-выдачи нужен, чтобы видеть тренд Share of Voice и Citation Share, а не случайный удачный день. Без доступа к консоли сравнивайте срезы «неделя к неделе» на одном и том же пуле промптов: кто вошёл в цитаты, кто выпал, какие URL закрепились.

ROI AEO без магии

Связка простая: промпт → цитирование/упоминание → рост brand-спроса и заявок. Атрибуция вероятностная: часть спроса идёт без клика, часть через отложенный brand search. Не смешивайте это с классическим last-click SEO.

Конкуренция за 3–5 слотов

Когда модель берёт короткий список источников, нишевый игрок может выбить цитирование у крупного издателя за счёт более точного answer-first чанка под узкий вопрос. По данным FedotovSEO, Яндекс Нейро отбирает ровно 5 источников из топ-30 органики: борьба идёт за слоты цитирования, не за «бесконечную» выдачу.

Соберите базовую линию AI-видимости в Ideata (бесплатный отчёт или тарифы), внедряйте правки по контурам ChatGPT, Perplexity и Яндекс Нейро, затем перезамеряйте Share of Voice и Citation Share на том же списке промптов.

FAQ

Как сделать сайт видимым для ChatGPT?

Структурируйте контент по принципу Answer-first (прямой ответ в первых 100 словах), используйте микроразметку Schema.org, убедитесь, что сайт индексируется поисковиками, и попадите в топ-результаты по целевому запросу, ChatGPT цитирует авторитетные источники из органической выдачи Google.

В чём разница между оптимизацией для ChatGPT, Perplexity и Яндекс Нейро?

ChatGPT и Perplexity работают с индексами Google и Bing, поэтому требуют классического SEO + структурированный контент; Яндекс Нейро выбирает ровно 5 источников из топ-30 Яндекса, поэтому нужна оптимизация под российский поиск и алгоритм отбора YandexGPT.

Какие метрики показывают видимость сайта в AI-ответах?

Share of Voice (доля упоминаний вашего сайта среди всех цитируемых источников по теме), Citation Share (процент ответов, где ваш сайт процитирован), и позиция в органической выдаче, основные сигналы для отбора источников нейросетями.

Нужно ли менять SEO-стратегию для AEO?

Не менять, а расширить: классическое SEO остаётся основой (топ-30 в поиске), но добавьте Answer-first структуру контента, четкие определения терминов в первом абзаце каждого раздела и микроразметку Schema.org для лучшего извлечения информации LLM.

Как проверить, попал ли мой сайт в ответы ChatGPT или Яндекс Нейро?

Вручную: откройте чат в режиме инкогнито, задайте релевантный запрос и проверьте, есть ли ссылка на ваш сайт в ответе; автоматически: используйте сервисы мониторинга вроде GEO Scout (бесплатно до 5 промптов в день) или аналогичные инструменты для отслеживания цитирований.

Источники

Яндекс Нейро: 7 шагов оптимизации контента в 2026 | FedotovSEO — FedotovSEO, 2026-04-05
Как попасть в ответы ChatGPT, Perplexity и ... - Habr — Habr, 2025-10-03
AEO оптимизация: полное руководство для новичков | WhiteGEO — WhiteGEO, 2025-01-15
Бесплатные инструменты проверки видимости бренда в ChatGPT: 6 рабочих ... — 2026-05-13
Geo (Seo Оптимизация Под Нейросети): Руководство По Внедрению 2026 — Digital Rocket, 2026-01-15

What Is Brand AI Visibility and How to Measure It in 2026

ideata.io — Sat, 08 Aug 2026 12:05:01 +0000

Brand AI visibility is the set of metrics measuring a brand's presence in the responses of generative AI engines: ChatGPT, Perplexity, Gemini, Yandex Neuro, Google AI Overviews. It doesn't replace SEO metrics; it measures something different: whether your content makes it into the model's synthesized answer, and in what context. A position in Google doesn't guarantee a mention in an AI response, and vice versa.

In generative search, it's not pages that get ranked, but chunks of text of 100–300 words: the RAG architecture retrieves specific fragments, not the entire site, which is why classic SEO metrics (CTR, position, impressions) don't reflect AI visibility.
AI models are non-deterministic: the same query produces different answers in different sessions, so a one-off snapshot proves nothing — you need regular prompt sampling and statistically sound observation.
AI results are more fiercely competitive than media reach: within a single answer, a model mentions 3–7 brands, and that list is shaped by the query context, not the size of an ad campaign.

What Is Brand AI Visibility

Brand AI visibility is the set of measurable metrics reflecting a brand's presence in the responses of generative AI engines: ChatGPT, Perplexity, Gemini, Yandex Neuro, Google AI Overviews. The metric captures how often a brand is mentioned in answers, in what context, and with what tone, across a defined set of queries from the target audience.

How this differs from SEO. In classic search, the unit of success is a page's position in the results. In generative search, the page as such isn't ranked: AI search operates on the RAG principle, and the model extracts specific text fragments (chunks) from indexed sources to embed into the answer. A high position in Google doesn't guarantee inclusion in an AI answer, and vice versa. This is precisely why classic SEO metrics are ineffective for assessing AI search visibility: CTR, position, and the number of indexed pages don't reflect whether the model cites you.

How this differs from media visibility. Media reach measures the number of audience contacts with a brand mention — in publications, ads, social media. An AI answer works differently: it's strictly limited in the number of brands a model mentions within a single response. According to monitoring data from geoscout.pro, 3–7 brands compete per answer in AI model results, and that list is shaped by the specific query context, not campaign reach.

Why answers are unstable, and why that's not a bug. Generative systems are inherently non-deterministic: the same query, run in different sessions, phrased differently, or asked by different users, will yield a different result. This is a structural property of LLMs, not a technical glitch. The implication for measurement: a one-off snapshot proves nothing. The dynamic nature of AI results requires shifting from one-off studies to continuous monitoring with prompt sampling, regularity, and statistical rigor.

How RAG Works: Why Traditional Content Doesn't Get Cited

RAG (Retrieval-Augmented Generation) is an architecture in which a language model doesn't generate an answer from "memory" but first retrieves relevant fragments from an indexed document base, then synthesizes the final text based on them. This fundamentally changes the logic of getting into an answer: what matters isn't the site as a whole, but a specific fragment.

The ranking unit in RAG is the text chunk. This is a paragraph or semantic block of 100–300 words, which the system evaluates independently of the rest of the page. The retrieval module compares the query's embedding with chunk embeddings and selects the closest matches by meaning. Page-level PageRank plays no role here: a page with strong backlinks but diffuse meaning loses to a dense, self-contained paragraph from a niche resource.

What makes a chunk suitable for retrieval:

A clear statement in the first sentence, without introductory hedging.
A term definition at first mention: the model prefers fragments that can be cited as a standalone answer.
Numerical data with a source: specificity increases the semantic density of a chunk.
No dangling references: a phrase like "as mentioned above" breaks the block's self-sufficiency and reduces the chance of retrieval.

SEO text with a keyword in every paragraph loses to a structured answer for a different reason: keyword stuffing dilutes a chunk's semantic concentration. The model looks for a fragment that precisely answers the query, not a fragment maximally saturated with word forms. According to Humanswith.AI, AI search operates precisely on the RAG principle, which is why the unit of success becomes the extracted fragment, not the entire web page.

The practical takeaway is direct: an H2 block with a term definition, numerical or factual backing, and a brief conclusion is a potential citable fragment for AI search. Content structure for AI is built not around keywords but around the semantic self-sufficiency of each block. This is exactly what separates content that makes it into AI answers from content that sits unclaimed in the index.

Six AI Visibility Metrics: What to Measure and Why

Classic SEO metrics — SERP position, CTR, impressions — don't apply to generative search. An AI engine doesn't show a list of links with positions: it synthesizes an answer. That means something different needs to be measured.

1. Mention Rate — the share of queries in a sample for which the brand is mentioned at least once in the answer. This is the baseline availability metric: if the brand appeared in 8 out of 30 test queries, the Mention Rate is 27%. According to Shipmint, this calculation can be reproduced manually via monthly testing of 20–40 real questions.

2. Citation Rate — the share of answers in which the brand appears as a source or link, rather than simply being named. This is stricter than Mention Rate: the AI engine not only mentions the brand but attributes specific information to it.

3. Share of Voice (AI SoV) — the brand's share of all mentions among competitors' mentions in answers to target queries. If the brand is mentioned 8 times, the top competitor 20 times, and a third player 5 times, AI SoV equals 8/33, or about 24%. This metric shows competitive positioning, not absolute presence.

4. Citation Share — the share of cases where the engine explicitly cites the brand's material as a source: linking to a URL or publication. Citation Share differs from Mention Rate in that it captures actual attribution, not just the fact of a mention. This is a direct signal that a content fragment passed through RAG retrieval.

5. Sentiment — the positive, neutral, or negative tone of the context in which the brand is mentioned. According to Semrush, sentiment analysis of mentions is a standard part of the AI visibility monitoring toolkit. This is a reputational metric: a brand may appear frequently in answers but in a comparison context of "not recommended."

6. Position in response — whether the brand is mentioned first, among the top three, or at the "tail" of the answer. According to geoscout.pro, an AI engine typically mentions 3–7 brands per answer. Position within that list affects perception, especially when a user reads the answer sequentially.

Mention Rate, AI SoV, and Position in response can be calculated manually with a small sample. Citation Rate, Citation Share, and Sentiment require either structured data tagging or specialized tools, such as Ideata, which automate collection and aggregation across all engines simultaneously.

How AEO Differs from SEO: A Precise Definition Without the Jargon Mush

AEO (Answer Engine Optimization) is the optimization of content and a site's technical structure for inclusion in the citable fragments of AI engine answers: ChatGPT, Perplexity, Google AI Overviews, Yandex Neuro. In academic publications, the same approach is called GEO (Generative Engine Optimization) — the term emerged from a 2024 study by Princeton University and IIT Delhi based on 10,000 queries, according to Humanswith.AI. In substance, AEO and GEO are synonyms.

The fundamental difference from SEO: SEO optimizes a page for the ranking algorithm, AEO optimizes a fragment for the retrieval algorithm. The unit of success in SEO is a URL's position in the SERP. The unit of success in AEO is the text chunk the model included in its answer.

Parameter

SEO

AEO

Unit of success

Page position in SERP

Citable fragment (chunk) in the AI answer

Outcome metric

Position, CTR, impressions

Mention Rate, Citation Rate, Share of Voice

Measurement tools

Google Search Console, rank trackers

AI visibility monitoring platforms

Content type

Page tailored to a query

Self-sufficient, structured block

Effect horizon

Weeks, months

Weeks, months (given non-deterministic output)

An important caveat: AEO doesn't guarantee inclusion in an AI answer. Generative models produce non-deterministic answers — the same query asked twice may yield different citation sources. According to geoscout.pro, a single AI model answer typically includes 3 to 7 brands, while brands without GEO optimization get a Mention Rate close to zero. AEO increases the probability of inclusion through three levers: content structure, source authority, and the fragment's relevance to the query.

How to Measure Brand AI Visibility: A Methodology Without the Illusion of Precision

A one-off test in ChatGPT doesn't give you the full picture. AI engines are non-deterministic: the same query in different sessions produces different answers, a different set of mentioned brands, and different tone. Measuring AI visibility requires a sample, not a snapshot.

Step 1. Build a prompt bank

Compile 30–50 queries grouped by topic: product category, decision scenarios, solution comparisons, "how to" questions. A key constraint: prompts must not contain the brand name. The question "What AI visibility monitoring services exist?" is valid. The question "Tell me about Ideata" tests a branded query, not organic visibility. According to Humanswith.AI, a methodologically sound starting point is: 10–25 topics per business, with 10–25 phrasings per topic. Result: a table of 100 to 250 prompts.

Step 2. Run the test regularly

Minimum interval: once a month. A one-off snapshot reflects the state of the index at a given moment. According to data-l.ru, a brand's visibility level varies significantly depending on the algorithms of a specific neural network and the query context. Without tracking dynamics over time, it's impossible to separate a stable trend from noise.

Step 3. Record structured data for each answer

For each prompt, log four parameters: whether the brand was mentioned (yes/no), its position within the list of recommendations, the tone of the mention (neutral, positive, critical), and the presence of a source link.

Step 4. Calculate Mention Rate and Citation Share by group

Mention Rate: the share of prompts in which the brand is mentioned. If the brand appeared in 8 out of 30 queries, the Mention Rate is 27% (calculation example: Shipmint). Citation Share is calculated relative to competitors on the same prompts: the total number of mentions across all brands divided by mentions of your own.

Two methods for monitoring AI mentions

Without a budget: manually testing 20–40 queries monthly. This is a baseline level that provides a rough benchmark but isn't a scalable tool.

Scalable method: automated monitoring via platforms such as Ideata, Semrush AI Visibility, and similar tools. They cover hundreds of prompts for checking AI visibility, track dynamics over time, and allow comparing Share of Voice against competitors across thematic groups. According to Semrush, using its own data helped Semrush raise its share of voice in AI from 13% to 32% in a single month.

Why you need a sample, not one test

The variability of a single engine's answers to the same query is significant. Public studies of AEO platforms in 2026 show that the divergence in the set of mentioned brands between sessions reaches substantial levels. Without a sample of queries and regular AI monitoring, you're measuring randomness, not visibility.

When AI Visibility Is Critical: The Economics of the Decision

Traffic from AI platforms has grown 527% year over year, and according to Semrush estimates it could exceed traditional search volume by 2028. But that doesn't mean every business should reallocate budget right now. Priority depends on query type, niche, and the current content base.

When AI visibility is critical

High priority applies to brands in information-intensive niches: fintech, B2B SaaS, e-commerce with a high average order value, professional services. Buyers in these segments start their journey with research, not a transactional query. According to Semrush, Google AI Overviews are most often triggered by informational queries with low competition. This is precisely where mid-sized brands gain access to citation without large link-building budgets.

A separate argument: according to the same study, about 60% of search queries in traditional systems no longer lead to site visits. If a brand doesn't make it into an AI answer, it loses visibility at the very stage where demand is formed.

When AI visibility is less critical

Offline-oriented local businesses with an audience looking for an address or phone number, not comparing vendors. Brands with purely transactional queries ("buy," "price," "delivery") rarely trigger AI Overviews. Companies without a basic content strategy: without source content, there's no material for RAG retrieval, and there's simply nothing to optimize.

The logic of budget allocation

AI visibility doesn't create a separate line item on top of SEO — it restructures the existing one. The first steps — reworking already-written materials for chunk logic, adding clear definitions and numbered blocks — require no new budget. It's work with what you already have.

Before deciding on priority, it's worth understanding your current visibility level. Ideata's free AI audit of your site shows how the brand is mentioned in the answers of key AI engines, without campaign setup and without prior optimization.

Что такое AI-видимость бренда и как её измерить в 2026 году

ideata.io — Sat, 08 Aug 2026 04:18:50 +0000

AI-видимость бренда, совокупность показателей присутствия бренда в ответах генеративных ИИ-движков: ChatGPT, Perplexity, Gemini, Яндекс Нейро, Google AI Overviews. Она не заменяет SEO-метрики, а измеряет другое: попадает ли ваш контент в синтезированный ответ модели и в каком контексте. Позиция в Google не гарантирует упоминания в AI-ответе, и наоборот.

В генеративном поиске ранжируются не страницы, а чанки текста по 100–300 слов: RAG-архитектура извлекает конкретные фрагменты, а не сайт целиком, поэтому классические SEO-метрики (CTR, позиция, impressions) не отражают AI-видимость.
ИИ-модели недетерминированы: один и тот же запрос даёт разные ответы в разных сессиях, поэтому разовый срез ничего не доказывает, нужна регулярная выборка промптов и статистически корректное наблюдение.
AI-выдача конкурентна жёстче медийного охвата: в одном ответе модель упоминает 3–7 брендов, и этот список формируется под контекст запроса, а не по размеру рекламной кампании.

Что такое AI-видимость бренда

AI-видимость бренда, совокупность измеримых показателей присутствия бренда в ответах генеративных ИИ-движков: ChatGPT, Perplexity, Gemini, Яндекс Нейро, Google AI Overviews. Метрика фиксирует, как часто бренд упоминается в ответах, в каком контексте и с какой тональностью, по заданному набору запросов целевой аудитории.

Чем это отличается от SEO. В классическом поиске единица успеха, позиция страницы в выдаче. В генеративном поиске страница как таковая не ранжируется: ИИ-поиск работает по принципу RAG, и модель извлекает из проиндексированных источников конкретные фрагменты текста (чанки), которые встраивает в ответ. Высокая позиция в Google не гарантирует попадания в AI-ответ, и наоборот. Именно поэтому классические SEO-метрики неэффективны для оценки видимости в AI-поиске: CTR, позиция, количество индексируемых страниц не отражают, цитирует ли вас модель.

Чем это отличается от медийной видимости. Медийный охват измеряет количество контактов аудитории с упоминанием бренда, в публикациях, рекламе, соцсетях. AI-ответ устроен иначе: он жёстко ограничен по числу брендов, которые модель упоминает в рамках одного ответа. По данным мониторинга geoscout.pro, в выдаче AI-моделей конкурируют 3–7 брендов на один ответ и этот список формируется под конкретный контекст запроса, а не по охвату кампании.

Почему ответы нестабильны, и это не баг. Генеративные системы недетерминированы по природе: одинаковый запрос в разных сессиях, с разной формулировкой или от разных пользователей даст разный результат. Это структурное свойство LLM, а не техническая погрешность. Следствие для измерения: разовый срез ничего не доказывает. Динамичный характер AI-выдачи требует перехода от разовых исследований к постоянному мониторингу с выборкой промптов, регулярностью и статистической корректностью.

Как работает RAG: почему традиционный контент не попадает в цитирование

RAG (Retrieval-Augmented Generation) архитектура, при которой языковая модель не генерирует ответ из «памяти», а сначала извлекает релевантные фрагменты из индексированной базы документов, затем синтезирует на их основе итоговый текст. Это принципиально меняет логику попадания в ответ: важен не сайт целиком, а конкретный фрагмент.

Единица ранжирования в RAG, чанк текста. Это абзац или смысловой блок объёмом 100–300 слов, который система оценивает независимо от остальной страницы. Retrieval-модуль сравнивает эмбеддинг запроса с эмбеддингами чанков и отбирает наиболее близкие по смыслу. Страничный PageRank здесь не участвует: хорошо ссылающаяся, но размытая по смыслу страница проигрывает плотному, самодостаточному абзацу с нишевого ресурса.

Что делает чанк пригодным для извлечения:

Чёткое утверждение в первом предложении, без вводных оговорок.
Определение термина при первом упоминании: модель предпочитает фрагменты, которые можно процитировать как standalone-ответ.
Числовые данные с источником: конкретика повышает семантическую плотность чанка.
Отсутствие оборванных отсылок: фраза «как упоминалось выше» обрывает самодостаточность блока и снижает шанс извлечения.

SEO-текст с ключевым словом в каждом абзаце проигрывает структурированному ответу по другой причине: keyword-stuffing разбавляет смысловую концентрацию чанка. Модель ищет фрагмент, который точно отвечает на запрос, а не фрагмент, который максимально насыщен словоформами. По данным Humanswith.AI, ИИ-поиск работает именно по принципу RAG, из-за чего единицей успеха становится извлечённый фрагмент, а не веб-страница целиком.

Практический вывод прямой: H2-блок с определением термина, числовым или фактическим подкреплением и кратким выводом — это потенциальный цитируемый фрагмент для AI-поиска. Структура контента для AI строится не вокруг ключевых слов, а вокруг смысловой самодостаточности каждого блока. Именно это отделяет контент, который попадает в ответы ИИ, от контента, который остаётся в индексе невостребованным.

Шесть метрик AI-видимости: что измерять и зачем

Классические SEO-метрики, позиция в SERP, CTR, impressions, не применимы к генеративному поиску. ИИ-движок не показывает список ссылок с позициями: он синтезирует ответ. Значит, и измерять нужно другое.

1. Mention Rate, доля запросов из выборки, в ответах на которые бренд упомянут хотя бы раз. Базовая метрика доступности: если из 30 тестовых запросов бренд появился в 8 ответах, Mention Rate равен 27%. По данным Shipmint, такой расчёт воспроизводится вручную при ежемесячном тестировании 20–40 реальных вопросов.

2. Citation Rate, доля ответов, где бренд фигурирует как источник или ссылка, а не просто назван. Это строже, чем Mention Rate: ИИ-движок не только упоминает бренд, но атрибутирует ему конкретную информацию.

3. Share of Voice (AI SoV), доля упоминаний бренда среди всех упоминаний конкурентов в ответах на целевые запросы. Если бренд упомянут 8 раз, главный конкурент, 20, третий игрок, 5, AI SoV равен 8/33, то есть около 24%. Метрика показывает конкурентную позицию, а не абсолютное присутствие.

4. Citation Share, доля случаев, когда движок явно указывает материал бренда как источник цитирования: ссылается на URL или публикацию. Citation Share отличается от Mention Rate тем, что фиксирует именно атрибуцию, а не факт упоминания. Это прямой сигнал, что фрагмент контента прошёл через RAG-извлечение.

5. Sentiment (тональность), позитивная, нейтральная или негативная окраска контекста, в котором бренд упомянут. По данным Semrush, анализ тональности упоминаний входит в стандартный набор инструментов мониторинга AI-видимости. Это репутационная метрика: бренд может присутствовать в ответах часто, но в контексте сравнения «не рекомендуем».

6. Position in response, упомянут ли бренд первым, в числе первых трёх или в «хвосте» ответа. По данным geoscout.pro, в одном ответе ИИ-движок упоминает, как правило, 3–7 брендов. Позиция внутри этого списка влияет на восприятие, особенно когда пользователь читает ответ последовательно.

Mention Rate, AI SoV и Position in response поддаются ручному подсчёту при небольшой выборке. Citation Rate, Citation Share и Sentiment требуют либо структурированной разметки данных, либо специализированных инструментов, таких как Ideata, которые автоматизируют сбор и агрегацию по всем движкам одновременно.

Чем AEO отличается от SEO: точное определение без жаргонной каши

AEO (Answer Engine Optimization) оптимизация контента и технической структуры сайта для попадания в цитируемые фрагменты ответов ИИ-движков: ChatGPT, Perplexity, Google AI Overviews, Яндекс Нейро. В академических публикациях тот же подход называют GEO (Generative Engine Optimization) термин появился в исследовании Принстонского университета и IIT Delhi 2024 года на базе 10 000 запросов, по данным Humanswith.AI. Содержательно AEO и GEO, синонимы.

Принципиальное различие с SEO: SEO оптимизирует страницу под алгоритм ранжирования, AEO оптимизирует фрагмент под алгоритм извлечения. Единица успеха в SEO, позиция URL в SERP. Единица успеха в AEO, чанк текста, который модель включила в ответ.

Параметр

SEO

AEO

Единица успеха

Позиция страницы в SERP

Цитируемый фрагмент (чанк) в ответе ИИ

Метрика результата

Позиция, CTR, impressions

Mention Rate, Citation Rate, Share of Voice

Инструменты измерения

Google Search Console, rank trackers

Платформы мониторинга AI-видимости

Тип контента

Страница под запрос

Самодостаточный структурированный блок

Горизонт эффекта

Недели, месяцы

Недели, месяцы (при недетерминированной выдаче)

Важное ограничение: AEO не гарантирует попадания в ответ ИИ. Генеративные модели выдают недетерминированные ответы, один и тот же запрос дважды может дать разные источники цитирования. По данным geoscout.pro, в одном ответе ИИ-модели присутствует, как правило, от 3 до 7 брендов, а бренды без GEO-оптимизации получают Mention Rate, близкий к нулю. AEO повышает вероятность попадания через три рычага: структуру контента, авторитетность источника и релевантность фрагмента запросу.

Как измерить AI-видимость бренда: методология без иллюзии точности

Разовый тест в ChatGPT не даёт картины. ИИ-движки недетерминированы: один и тот же запрос в разных сессиях даёт разные ответы, разный состав упоминаемых брендов, разную тональность. Измерение AI-видимости требует выборки, а не снимка.

Шаг 1. Сформировать банк промптов

Составьте 30–50 запросов, сгруппированных по темам: категория продукта, сценарий выбора, сравнение решений, вопросы «как сделать». Принципиальное ограничение: промпты не должны содержать название бренда. Вопрос «Какие сервисы мониторинга AI-видимости существуют?» корректен. Вопрос «Расскажи об Ideata» тестирует брендовый запрос, а не органическую видимость. По данным Humanswith.AI, отправная точка для методологически корректного измерения: 10–25 тем на бизнес, по 10–25 формулировок на каждую. Результат: таблица от 100 до 250 промптов.

Шаг 2. Запускать тест регулярно

Минимальный интервал: раз в месяц. Разовый срез отражает состояние индекса на конкретный момент. По данным data-l.ru, уровень видимости бренда существенно варьируется в зависимости от алгоритмов конкретной нейросети и контекста запроса. Без динамики невозможно отделить устойчивую тенденцию от шума.

Шаг 3. Фиксировать структурированные данные по каждому ответу

Для каждого промпта записывайте четыре параметра: упомянут ли бренд (да/нет), позиция в списке рекомендаций, тональность упоминания (нейтральная, позитивная, критическая), наличие ссылки на источник.

Шаг 4. Считать Mention Rate и Citation Share по группам

Mention Rate: доля промптов, в которых бренд упомянут. Если бренд появился в 8 ответах из 30 запросов, Mention Rate равен 27% (пример расчёта: Shipmint). Citation Share считается относительно конкурентов по тем же промптам: суммарное число упоминаний всех брендов делится на упоминания вашего.

Два метода мониторинга упоминаний в ИИ

Без бюджета: ручное тестирование 20–40 запросов ежемесячно. Это базовый уровень, дающий ориентир, но не масштабируемый инструмент.

Масштабируемый метод: автоматизированный мониторинг через платформы, такие как Ideata, Semrush AI Visibility и аналоги. Они покрывают сотни промптов для проверки AI-видимости, отслеживают динамику и позволяют сравнивать Share of Voice с конкурентами в разрезе тематических групп. По данным Semrush, использование собственных данных помогло Semrush поднять долю голоса в ИИ с 13% до 32% за один месяц.

Почему нужна выборка, а не один тест

Вариативность ответов одного движка на один и тот же запрос значительна. Публичные исследования AEO-платформ 2026 года фиксируют, что расхождение в составе упоминаемых брендов между сессиями достигает существенных значений. Без выборки запросов и регулярного AI-мониторинга вы измеряете не видимость, а случайность.

Когда AI-видимость критична: экономика решения

Трафик из AI-платформ вырос на 527% в годовом исчислении, и по оценке Semrush он может превысить объём традиционного поиска к 2028 году. Но это не значит, что каждый бизнес должен перераспределять бюджет прямо сейчас. Приоритет зависит от типа запросов, ниши и текущей контентной базы.

Когда AI-видимость критична

Высокий приоритет у брендов в информационно насыщенных нишах: финтех, B2B SaaS, e-commerce с высоким средним чеком, профессиональные услуги. Покупатель в этих сегментах начинает путь с исследования, а не с транзакционного запроса. По данным Semrush, Google AI Overviews чаще всего активируются по информационным запросам с низкой конкуренцией. Именно здесь бренды среднего бизнеса получают доступ к цитированию без крупных бюджетов на ссылочную массу.

Отдельный аргумент: по данным того же исследования, около 60% поисковых запросов в традиционных системах уже не приводят к переходам на сайты. Если бренд не попадает в AI-ответ, он теряет видимость на этапе, где формируется спрос.

Когда AI-видимость менее критична

Офлайн-ориентированный локальный бизнес с аудиторией, которая ищет адрес или телефон, а не сравнивает поставщиков. Бренды с исключительно транзакционными запросами («купить», «цена», «доставка») AI Overviews там активируются редко. Компании без базовой контентной стратегии: без исходного контента нет материала для RAG-извлечения, и оптимизировать попросту нечего.

Логика распределения бюджета

AI-видимость не создаёт отдельную статью расходов поверх SEO, а реструктурирует существующую. Первые шаги, переработка уже написанных материалов под чанк-логику, добавление чётких определений и нумерованных блоков, не требуют нового бюджета. Это работа с тем, что есть.

Прежде чем принимать решение о приоритете, стоит понять текущий уровень видимости. Бесплатный AI-аудит сайта Ideata показывает, как бренд упоминается в ответах ключевых ИИ-движков, без настройки кампании и без предварительной оптимизации.

FAQ

Что такое AI-видимость бренда?

AI-видимость — это совокупность измеримых показателей присутствия и упоминания бренда в ответах генеративных нейросетей вроде ChatGPT, Perplexity и Google AI Overviews. В отличие от классического SEO, где успех измеряется позицией страницы в выдаче, AI-видимость оценивает, насколько часто и в каком контексте нейросеть рекомендует ваш бренд пользователю.

Чем AI-видимость отличается от обычного SEO?

SEO нацелен на попадание ссылки на вашу страницу в поисковую выдачу и получение клика. AI-видимость требует, чтобы контент вашего сайта был загружен в контекстное окно нейросети через RAG (retrieval-augmented generation) и процитирован в её ответе, часто без прямого клика на сайт. По данным Semrush, примерно 60% поисковых запросов в традиционных поисковых системах теперь не приводят к переходам на сайты.

Как измерить AI-видимость бренда без инструментов?

Базовый метод: каждый месяц тестируйте 20–40 реальных вопросов, которые задают ваши целевые клиенты, в ChatGPT, Perplexity и Google AI. Считайте, в скольких ответах появился ваш бренд, и сравните с упоминаниями конкурентов — это даст вам mention rate и share of voice. Результаты вносите в таблицу для трекинга динамики.

Что такое Citation Share в AI-выдаче?

Citation Share — это доля цитирований вашего контента среди всех источников, которые упоминает нейросеть в ответах по вашей нише. Если в 10 ответах нейросеть упомянула вас 3 раза, конкурента А, 5 раз, и конкурента Б, 2 раза, ваш citation share составит 3 из 10, или 30%.

Почему мой контент не попадает в ответы ИИ?

Основная причина, контент не оптимизирован под RAG-поиск. ИИ ищет в вашем сайте чёткие, самостоятельные фрагменты (чанки) с ответами на конкретные вопросы, а не общие описания. Кроме того, 97,4% цитирований ИИ поступают из неосновных медиаресурсов (Reddit, YouTube, LinkedIn), поэтому распределение контента по каналам влияет на видимость в нейросетях.

Источники

Видимость бренда в ИИ-поиске. Полное руководство — Humanswith.AI
Как измерить видимость бренда в ChatGPT, Perplexity и Google AI — Shipmint
Что Такое Ai-видимость Бренда И Как Её Измерить — 2026-03-19
Ai-видимость Брендов Как Новая Обязательная Метрика, Влияющая На ...
The 7 best AI visibility tools to win AI search in 2026 - Semrush — Semrush, 2026-01-13
26 AI SEO Statistics for 2026 + Insights They Reveal - Semrush — Semrush, 2025-11-04
9 AI Visibility Optimization Platforms Ranked by AEO Score (2026) — Nick Lafferty | AI Search & AEO Expert, 2025-07-14

One prompt, 300 times: three AI models, one question, very different answers

ideata.io — Tue, 04 Aug 2026 10:59:37 +0000

The analysis was run by the Ideata team. We build an Best AI visibility tracker for brands and marketing teams: every day we run our customers' audience prompts through ten engines — ChatGPT, Claude, Gemini, Perplexity, AI Overviews, DeepSeek, Grok, GigaChat, Yandex Alice and Yandex Neuro — and record who gets named, in what position, and which sources the model cited, keeping the verbatim answer behind every number.

If you want the same picture for your own brand, we will run the analysis for you free of charge — write to us at ideata.io, or start with the free technical audit at ideata.io/tools/site-audit.

Checking how an AI model talks about your brand usually looks like this: open a chat, ask a question, read the answer. Once. We wanted to know how much truth that kind of check actually carries, so we ran the same prompt 100 times through each of three models. Three hundred answers to one question, all in a single day.

The short version:

all three models share the same core of three brands, and nothing moves it;
the tail is different for each — four brands exist for exactly one model out of three;
the most factually accurate model was not the most stable one: accuracy and repeatability improve in different ways;
each model gives first place to a different brand, so "being first in the AI answer" does not exist as a single position.

Method

We picked a neutral, verifiable niche so the conclusions would not be shaped by our own field: web hosting for an online store in Russia. It is a closed set of real companies whose founding dates and prices can be checked. The prompt was identical, word for word, all 300 times:

Recommend 5 hosting providers for an online store in Russia. Answer as a numbered list; for each one give, on a single line: name — cheapest plan price in rubles per month — year the company was founded.

Model	Web search	How it answers	Runs parsed	Median latency
DeepSeek V3	no	from memory	100	5,927 ms
Gemini 3.5 Flash	no	from memory, not a single link in 100 runs	100	9,913 ms
GPT-5.2	yes	citation markers in 91 runs out of 100	92	12,372 ms

Temperature was left unset — API defaults, the way an ordinary user would call it. 30 July 2026, 100 requests per model, 5 in parallel. Each model took between 2 and 4.5 minutes and cost a few cents.

Price and founding year were requested on purpose. They are checkable facts, and they show not only that a model names different brands, but that it contradicts itself about the same brand.

1. The core is shared, the tail is not

Brand	DeepSeek V3	Gemini 3.5 Flash	GPT-5.2	What it means
Timeweb	100%	100%	96%	core
Beget	100%	100%	92%	core
Reg.ru	100%	100%	92%	core
Sprinthost	77%	91%	77%	almost core
SpaceWeb	44%	45%	40%	a coin flip, but the same one everywhere
FirstVDS	39%	19%	22%	a twofold disagreement
AdminVPS	0%	20%	20%	does not exist for DeepSeek
Hoster.ru	0%	0%	19%	only for GPT-5.2
Nic.ru	0%	16%	0%	only for Gemini
Hostland	14%	0%	0%	only for DeepSeek
IHC	0%	0%	13%	only for GPT-5.2

Three brands are named by all three models almost every single time. Below them the answer turns into a lottery, and a different lottery per model.

The bottom rows deserve attention. AdminVPS, Hoster.ru, Nic.ru and Hostland are brands that, for some models, do not exist at all. Not "rarely mentioned" — zero out of a hundred. For such a brand the question "does AI see me" has no single answer: Gemini lists it every sixth time, DeepSeek never does.

Attention concentration, meanwhile, is nearly identical:

Metric	DeepSeek V3	Gemini 3.5 Flash	GPT-5.2
Top-3 share of all mentions	60.0%	60.0%	56.8%
Top-5 share	84.2%	87.2%	80.5%
Share of one-off brands (named ≤2 times)	2.8%	0.4%	3.3%
Distinct brands across 100 runs	21	10	22

Roughly 60% of all mentions go to the top three in every case. What differs is the length of the tail: Gemini knows ten companies and that is all, while the other two know about twenty, half of which surface once or twice.

2. Accuracy and stability are not the same thing

Stability of the answer first:

Metric	DeepSeek V3	Gemini 3.5 Flash	GPT-5.2
Distinct sets of 5	24	11	30
Share of the most common set	28%	41%	21%
Overlap between two random answers	3.9 of 5	4.1 of 5	3.6 of 5
A single run gives the full picture	28%	41%	29%

Now accuracy. Founding years were checked against the companies' own sites and open sources:

Metric	DeepSeek V3	Gemini 3.5 Flash	GPT-5.2
Average accuracy on founding year	63%	100%	97%
Brands whose most frequent answer is wrong	3 of 8	0 of 6	0 of 6
Runs containing a foreign or non-existent brand	13%	0%	0%

Put the two tables together and the picture inverts. Gemini 3.5 Flash is perfect on facts and the most stable of the three, but it knows only 10 companies: it simply recites one memorised list. GPT-5.2 barely gets a fact wrong, yet its composition jumps around — 30 distinct sets, every fifth run unique. DeepSeek V3 collected the worst of both worlds: it invents and it wobbles.

The mechanism is straightforward. Web search fixes facts because the model looks them up instead of recalling them. But the same search adds instability: results shift slightly per request, and the answer follows. A narrow model without search looks stable simply because it has nothing to shuffle.

For visibility measurement this matters. The complaint "the model did not name us" carries different weight depending on whether the model searches. For a model without search it is a verdict: the brand is absent from its memory, and that takes years of presence in the sources it was trained on. For a model with search it is today's results page, and ordinary content fixes it in weeks.

3. How many runs before the top stops moving

The calculation: take the first N runs, build a top-5 from them, compare against the reference top-5 across all one hundred.

Runs	DeepSeek V3	Gemini 3.5 Flash	GPT-5.2
1	3 of 5	4 of 5	5 of 5
3	3 of 5	4 of 5	4 of 5
5	4 of 5	5 of 5	4 of 5
10	5 of 5	5 of 5	5 of 5
20	5 of 5	5 of 5	5 of 5
30	5 of 5	5 of 5	5 of 5
50	4 of 5	5 of 5	5 of 5
100	5 of 5	5 of 5	5 of 5
Finally stable from run	71	4	20

The spread is enormous: Gemini settles on the fourth run, GPT-5.2 on the twentieth, DeepSeek only on the seventy-first.

DeepSeek's dip at run fifty is not a measurement error. SpaceWeb (44%) and FirstVDS (39%) sit almost level, and their order keeps swapping from sample to sample no matter how many runs you add.

The conclusion is not "you need a hundred runs" but something duller and more useful: 10–15 runs give a solid picture of the core, yet never resolve the gap between close neighbours. If two brands differ by 5 percentage points, that difference is inside the noise and chasing it is pointless.

4. Each model gives first place to its own brand

Model	Most often first	Share	Second most often	Third
DeepSeek V3	Reg.ru	64%	Timeweb 27%	Beget 9%
Gemini 3.5 Flash	Beget	69%	Timeweb 20%	Reg.ru 7%
GPT-5.2	Timeweb	50%	Beget 27%	Reg.ru 20%

Three models, three different leaders, all three drawn from the same core. Reg.ru, first in two thirds of DeepSeek's answers, is first in only 7% of Gemini's.

The practical consequence: "first place in the AI answer" does not exist as a single position. A report claiming first place has to name the model, otherwise the number means nothing.

5. All three invent the price

Spread between the lowest and highest price named for the same plan across 100 runs; in brackets — how many distinct numbers the model produced:

Brand	DeepSeek V3	Gemini 3.5 Flash	GPT-5.2
Beget	115–390 ₽ (26)	220–330 ₽ (5)	10–520 ₽ (15)
Timeweb	99–450 ₽ (27)	199–329 ₽ (6)	169–393 ₽ (9)
Reg.ru	99–549 ₽ (23)	149–311 ₽ (14)	75–485 ₽ (11)
Sprinthost	99–490 ₽ (31)	190–350 ₽ (16)	98–349 ₽ (15)
SpaceWeb	99–300 ₽ (14)	159–329 ₽ (11)	99–299 ₽ (9)
FirstVDS	150–790 ₽ (17)	279–389 ₽ (7)	149–300 ₽ (8)

DeepSeek produced up to 31 distinct numbers for a single plan. It does not remember the price; it regenerates a plausible one every time.

GPT-5.2's lower bound of 10 ₽ for Beget deserves a separate note. It is not a hallucination: the model found a promotional price on the web and quoted it honestly, while another run picked the regular 520 ₽ plan. Both numbers are real. But a person who asks once gets one of them with no warning, and the two differ by a factor of 52.

6. Where a model without search actually lies

Brand	Truth	DeepSeek V3	Gemini 3.5 Flash	GPT-5.2
Beget	2007	98% (2 variants)	100% (1)	100% (1)
Timeweb	2006	99% (2)	100% (1)	99% (2)
Reg.ru	2006	99% (2)	100% (1)	100% (1)
SpaceWeb	2001	84% (3)	100% (1)	100% (1)
Sprinthost	2005	5% (12) ✗	100% (1)	100% (1)
FirstVDS	2002	0% (9) ✗	100% (1)	81% (3)
Hostland	2003	21% (8) ✗	never names it	never names it

✗ — the model's most frequent answer does not match the truth.

For Sprinthost, DeepSeek produced 12 different founding years spanning 2000 to 2013, and the correct 2005 appeared in 5% of runs. For FirstVDS the correct year never appeared at all across 100 runs: nine variants, every one of them wrong.

The pattern matches the one seen in composition: the better known the brand, the more accurate the fact. The model firmly knows three companies and drifts on everything else. And it is exactly in that drift zone that most businesses live.

On top of that, 13 DeepSeek runs put outright junk into a list of "Russian hosting providers":

What appeared	Times	Problem
Hetzner	5	a real company, but German; three runs invented a "Hetzner localised for Russia"
Hostinger	3	real, but Lithuanian
A2 Hosting	1	real, but American; the model itself noted "no servers in Russia" and kept it on the list
Agnihost	1	not confirmed in any hosting directory
CloudHost	1	not confirmed; spelled with a Cyrillic "С" and credited with a 2020 founding
Aihost	1	not confirmed
Hosting-Telecom	1	not confirmed

Every one of these names looks perfectly ordinary. Someone who asks once and receives "Agnihost from 400 ₽/mo, founded 2013" has no way of telling that the company does not exist. Gemini and GPT-5.2 produced none of this.

7. "The same model" is not the same model

The DeepSeek runs went through an API router, which spread the 100 requests across three different infrastructure providers: Novita (36 requests), DeepInfra (32), StreamLake (32). The model carries the same name everywhere.

Brand	DeepInfra	Novita	StreamLake	Difference
Beget / Reg.ru / Timeweb	100%	100%	100%	—
Sprinthost	62%	88%	71%	26 pp
SpaceWeb	12%	77%	37%	×6.4
FirstVDS	31%	25%	62%	×2.5
Hostland	40%	0%	3%	40 pp

SpaceWeb is mentioned in 77% of answers from one provider and 12% from another — a sixfold gap. Hostland makes DeepInfra's list 40% of the time and never appears on Novita's at all.

Same prompt, same model, same day. The only difference is whose hardware it physically runs on and at what quantisation, and the user has no influence over that.

This is arguably the most practical finding of the whole exercise: when visibility is measured through an API router, part of the "engine volatility" on the dashboard is routing luck rather than model behaviour.

How much the models agree with each other

Comparing the sets of brands each model names in at least 15% of runs:

Pair	Brands in common	Jaccard	Unique to one side
DeepSeek ↔ Gemini	6 of 8	0.75	Gemini: AdminVPS, Nic.ru
DeepSeek ↔ GPT-5.2	6 of 8	0.75	GPT-5.2: AdminVPS, Hoster.ru
Gemini ↔ GPT-5.2	7 of 9	0.78	Nic.ru vs Hoster.ru

Agreement is high but incomplete, and the models diverge exactly at the boundary — the place where it is decided whether a brand makes the shortlist.

Where GPT-5.2 gets its answer

GPT-5.2's answers carry source markers. It went to the web in 91 runs out of 100, and in 19 of them Reddit was among the sources. The rest was ordinary search results: the hosting providers' own sites and aggregators such as AdminVPS and Hoster.ru — which also explains why those two surfaced in its tail.

The finding lines up with published citation research: user-generated content lands in AI answers alongside official websites. If a brand is described badly on Reddit, or not described at all, that shapes the answer as much as its own homepage does.

What to do with this

If you are a brand. Check yourself on at least three models, not one. Core presence (90–100%) means the models know you. Tail presence (20–50%) means roughly half the people asking never see you. Zero on one model alongside 20% on another is not measurement noise — those are different pictures of the world, and they are fixed differently: getting into search results for a model with search is far easier than getting into the memory of a model without one.

If you measure. A single run is not a measurement, it is a snapshot of a random moment. The minimum honest grid is 10–15 runs per prompt, recording mention frequency rather than the fact of a mention. Treat anything within 10 percentage points as equal. When reporting a position, always name the model. And log which infrastructure answered.

If you use an AI model as a reference book. Models without search regenerate numbers every time. In this test DeepSeek produced up to 31 different prices for a single plan and never once named the correct founding year for one of the companies.

Limitations

One prompt, one niche, one day. This is not a statement about "AI models in general".
GPT-5.2 answered through an API that injects source markup. In 8 runs out of 100 it swallowed the item name, so its composition metrics were computed on the 92 readable runs. Fact accuracy is unaffected.
Gemini 3.5 Flash scored 100% accuracy on six checked brands. The figure is honest for that set, but the set is narrow: the model simply names few companies.
Answers were parsed automatically with regular expressions, plus a manual mapping of spelling variants: REG.RU, Reg.ru, Реги.ру and SpaceWeb (sweb.ru) were counted as one brand.
The existence of rare brands was checked against hosting directories. If one of them does turn out to be real, tell us and we will correct it.

Originally published at ideata.io.