По оценкам McKinsey, около 50% поисковых запросов в Google уже сопровождаются AI-ответами, и бренды могут столкнуться со снижением трафика из традиционного поиска на 20—50%. В «Яндексе» похожий сдвиг заметен прямо в интерфейсе поиска: по отчету компании за IV квартал 2025 года, 46,5 млн пользователей ежемесячно получают быстрые ответы Алисы AI под поисковой строкой, а 19 млн еженедельно взаимодействуют с Алисой AI в чатах.
Это означает простую вещь: часть пути клиента больше не фиксируется веб-аналитикой.
На уровне маркетинговых отчетов и веб-аналитики многие компании отмечают, что трафик на сайт падает, и прежние действия по оптимизации рекламных кампаний не помогают. Сдвиг уже необратим: по прогнозам Semrush, к 2028 году поиск внутри нейросетей обгонит классический.
Это уже беспокоит менеджмент и директоров: пока маркетинг продолжает измерять привычные метрики, первое онлайн-знакомство с брендом и его восприятие, сравнение с конкурентами и сама рекомендация формируются там, где перехода может не быть вовсе.
Читайте также: Как скрестить ИТ и маркетинг
Как сегодня выглядят поиск и выбор
Поиск перерастает формат навигации по ссылкам: к нему добавился диалоговый слой с синтезированными ответами. Пользователь формулирует задачу: «какой сервис сквозной аналитики выбрать», «какой банк надежнее», «какую систему электронного документооборота выбрать для компании на 300 человек». В «Яндексе» в режиме «Поиск с Алисой», а в Google — в AI Overviews ответ появляется отдельным блоком над списком ссылок: описываются критерии выбора, приводится сравнение вариантов и нередко формулируется итоговая рекомендация .
Ответ собирается из множества источников: корпоративных сайтов, медиа, блогов, отраслевых исследований, форумов, маркетплейсов и отзывов. В итоге получается синтез разных точек зрения, пересобранных нейронкой в одну интерпретацию.
Лучший сценарий — когда в AI-ответе вашу компанию уверенно упоминают среди рекомендованных вариантов. Но нейронка может подтянуть и негативные формулировки, устаревшие данные или контекст, в котором бренд выглядит спорным. Если раньше пользователь видел список ссылок на статьи, обзоры и рейтинги, переходил на одну из них и понимал, что читает интерпретацию конкретного автора или редакции, то теперь интерпретация все чаще «упакована» в ответ ассистента и воспринимается как нейтральное резюме.
И «Поиск с Алисой», и AI Overviews показывают источники, на которые опирается ответ. Человек может открыть их, а может и не открыть: ответ уже структурирован, сравнение проведено, выбор сужен до одного-двух вариантов, и дальше пользователь уточняет детали, не выходя из интерфейса.
В итоге решающая часть влияния смещается в слой AI-ответа: не на страницу бренда, а в то, как он представлен в сравнении и какими аргументами подкреплен.
Слепая зона компаний
Внутри компаний картина выглядит иначе. KPI маркетинга часто по-прежнему завязаны на позиции в поисковой выдаче, трафик, клики и стоимость лида. Эти метрики привычны и измеримы, они создают ощущение управляемости. При этом новый слой влияния часто остается «за кадром»: по оценке McKinsey, лишь 16% брендов системно отслеживают, как они представлены в AI-поиске и AI-ответах.
Внимательные руководители маркетинга уже считывают первые звоночки в привычных цифрах, но не всегда связывают их с AI-слоем: падение кликабельности в органике, рост доли запросов без перехода, просадка небрендового органического трафика и смещение спроса в сторону брендовых запросов и прямых заходов на сайт. Доля переходов из диалоговых AI-форматов на сайт действительно ниже: по данным Similarweb, у классического Google Search реферальная доля выше (17—19%), чем у диалогового режима поиска Google (AI Mode, около 2%).
Бренд может стабильно получать трафик на сайт и все же:
не упоминаться в AI-ответах вовсе, даже если продукт сопоставим с лидерами категории;
упоминаться, но проигрывать конкурентам в описании: нейросеть расставляет акценты, которые меняют восприятие решения;
появляться с оговорками и выглядеть нишевым, устаревшим или рискованным вариантом, поэтому его реже выбирают по умолчанию.
Для наглядности представьте выбор B2B-сервиса, например системы электронного документооборота. В AI-ответе рынок часто сразу сужается до одного-двух вариантов, и это видно по формулировкам в ответах моделей (без упоминания брендов):
● «удобный интерфейс, быстрый старт, хорошая масштабируемость»;
● «гибкая настройка процессов, согласование договоров, поддержка ЭЦП»;
● «современная low-code система, позволяет быстро настроить сложные бизнес-процессы»;
● «может потребоваться дополнительная настройка и интеграция».
В результате логика сравнения и предварительный выбор (шорт-лист) формируются еще до того, как человек откроет сайты и предложения компаний.
Эту зону почти никто не проверяет. Она не относится напрямую к классическому SEO, не входит в KPI PR и не закрывается рекламным бюджетом. В итоге первичный выбор все чаще происходит до клика, а внутри компании за этот слой влияния формально никто не отвечает.
Именно поэтому в стратегической работе с брендами мы в Adventum начали включать анализ AI-среды в комплексный аудит маркетинга. Для компаний нередко оказывается неожиданным открытием, что их бренд совсем не представлен в AI-ответах или представлен не так, как хотелось бы. Например, в одном из проектов в категории кормов для домашних животных выяснилось, что нейросети в ряде рекомендаций опираются не на «очевидных лидеров» рынка, а на бренды, чьи аргументы о составе, соотношении цена — качество, доступности и опыте использования чаще и яснее представлены в обзорах, карточках товаров и отзывах. С ноября 2025 по январь 2026 года мы провели более 60 аудитов видимости в AI-среде для компаний из разных отраслей, и такие «слепые зоны» обнаруживаются почти в любой сфере.
Ирония в том, что российский бизнес формально в лидерах по внедрению ИИ: по данным исследования НАФИ, на декабрь 2025 года 86% компаний уже используют инструменты ИИ. Но организации чаще видят в нейросетях инструмент для экономии на штате, а не новую среду, в которой формируется выбор клиента. И пока бизнес фокусируется на внутренней эффективности, он недооценивает, что именно нейросети становятся «первым клиентом», то есть тем, кто выберет, порекомендует или вовсе не упомянет бренд.
Маркетинг без иллюзии полной атрибуции
Маркетинг много лет живет с пониманием, что путь клиента сложнее линейной цепочки запрос → клик → переход → покупка. Чтобы описать вклад разных точек контакта, используются разные модели атрибуции. В одних случаях вся ценность приписывается первому контакту с брендом — тому, где человек узнал о компании (first click). В других — последнему шагу перед покупкой, который считается решающим (last click). Есть и более сложные мульти-тач-модели, где влияние распределяется между всеми касаниями: поиском, контентом, рекламой, рекомендациями.
Именно эта логика лежит в основе аналитики, KPI и управленческих решений: она позволяет объяснять, какие каналы «работают» и куда имеет смысл вкладывать бюджеты. Но в новой среде эта связка начинает распадаться: первые шаги выбора происходят в AI-ответах и диалогах, а в отчетности остаются «невидимыми». К тому же путь становится кросс-платформенным: человек может начать в «Поиске с Алисой», уточнить критерии в ChatGPT и только потом перейти на сайт — или не перейти вовсе. В результате классические модели атрибуции переоценивают последний клик (брендовую органику или ретаргет), хотя решение могло сформироваться раньше — вне привычной воронки.
В голосовых ассистентах это видно еще отчетливее: рекомендация звучит, пользователь ее слышит, но в аналитике — ни клика, ни сессии. Решение принято, а стандартная атрибуция его не фиксирует.
Это не значит, что измерение невозможно. Пока нам доступно немного — например, переходы из нейросетей на сайт вполне фиксируются. Но сегодня важно отслеживать:
- появляется ли бренд в AI-ответах по ключевым сценариям;
- как он описывается и в каком контексте упоминается;
- какую долю пространства занимает рядом с конкурентами;
- фиксируется ли трафик на сайт из диалоговых нейросетей там, где это технически возможно;
- растет ли брендовый поиск и прямые заходы.
Какие управленческие решения принимать уже сейчас
1. Провести экспресс-оценку нейровидимости
Начать стоит с простого шага: задать 3—5 разных вопросов в нескольких AI-ассистентах и посмотреть, кого и как они рекомендуют.
Сначала не упоминайте компанию. Просто попросите порекомендовать продукт или услугу вашей категории. Например (уходовая косметика): «какой крем для лица выбрать для ежедневного ухода», «какой бренд уходовой косметики для лица хороший по отзывам». Кто появляется в ответах? Какие бренды нейросеть ставит рядом? Какие аргументы использует?
Затем задайте вопросы с упоминанием бренда (условно «бренд N»): «подойдет ли крем N для очень сухой кожи», «безопасный ли состав у крема N». Оцените ответы. Есть ли оговорки, когда не рекомендуют? Какие источники они цитируют, пройдите по ссылкам.
Ответы разных AI-ассистентов отличаются, а еще зависят от формулировки самого вопроса, уточнений и контекста пользователя. Поэтому ручная проверка полезна как старт, чтобы увидеть многообразие вопросов/ответов. Следующий вопрос — как автоматизировать этот процесс.
На рынке уже есть сервисы, которые ускоряют эту работу и собирают ответы по большому пулу вопросов сразу в нескольких нейросетях. Но автоматизация не снимает главного: нужно заранее определить приоритетные пользовательские вопросы, по которым бренд должен появляться в рекомендациях. Их бесконечно много, и в отличие от SEO здесь нет готового «списка ключей». Без этой рамки отчет по нейровидимости превращается в набор разрозненных ответов, а работа не становится управляемой.
2. Собрать нужные компетенции
Продвижение в AI-ответах иногда называют «обновленным SEO». Пересечение действительно есть, но зона работы стала шире. Нейросети собирают рекомендацию не только с сайта бренда, но часто из внешних источников, и это видно уже на экспресс-оценке.
Поэтому задача не в том, чтобы «заменить SEO», а в том, чтобы добавить новый контур поверх привычного. Он требует участия нескольких функций:
● SEO и команда сайта — чтобы сайт был понятным «источником знаний» для нейросетей и содержал ответы (статьи, гайды, обзоры) на пользовательские вопросы по разным сценариям выбора;
● контент-команды и продуктовых экспертов — чтобы формулировать аргументы и доказательства, которые AI-ассистенты используют в сравнении;
● PR — чтобы мониторить внешние источники, управлять тоном упоминаний и запускать материалы на площадках, которые чаще цитируют нейросети, отслеживать конкурентные упоминания;
● маркетинг и аналитика — чтобы выстроить методологию подбора пользовательских вопросов, вести мониторинг присутствия в AI-ответах и отслеживать динамику.
3. Сформировать управленческий контур
Работа с присутствием бренда в AI-ответах — новое направление. Здесь нет готовой универсальной методологии, как в SEO с частотностью и «списком ключей». Поэтому нужен управленческий контур, который организует работу в режиме «замер, гипотеза, действие, повторная проверка» и быстро пересобирает подход по мере изменений в AI-среде.
Роль этого контура не в том, чтобы в одиночку принимать решения, а в том, чтобы собирать совместную работу: сайт и SEO, контент и продуктовую экспертизу, PR/репутацию и внешние площадки, маркетинг и аналитику. При этом бренд не может полностью вынести задачу на аутсорс, экспертиза продукта, аудитории и позиционирования должна участвовать в формулировании гипотез и оценке результата. Без такой координации команды действуют разрозненно, и эффект остается случайным.
4. Определить модель исполнения: что делаем внутри, что усиливаем партнерами
Когда управленческий контур собран и приоритетные сценарии зафиксированы, следующий шаг — разложить работу по блокам и понять, что закрывается in-house, а где нужны внешние компетенции. На практике GEO (от generative engine optimization — оптимизация контента для попадания в ответы нейросетей — прим. ред.) почти всегда требует гибридной модели: часть задач остается внутри — продуктовая экспертиза, позиционирование, согласование аргументов, часть рациональнее усиливать партнерами — методология сценариев, регулярные замеры в разных системах, работа с контентом и внешними источниками.
Критично не «кому отдать», а как связать усилия: без общей рамки и совместного цикла «замер → гипотеза → действие → повторная проверка» команды легко разъезжаются, SEO, контент и PR начинают работать каждый по своим задачам, и эффект остается случайным.
5. Встроить регулярный цикл, а не разовую проверку
Работа с нейровидимостью не делается «одним заходом». Устойчивый результат появляется, когда выстроена итеративная связка: регулярные замеры ответов ИИ и фиксация динамики, конкурентный срез, формулирование гипотез и план действий в двух потоках — сайт и внешние источники. Затем — изменения, повторная проверка и расширение покрытия сценариев.
При этом эффект проявляется с задержкой: разные системы по-разному подхватывают новые материалы, а модели и интерфейсы постоянно меняются. Поэтому здесь нужен не разовый проект, а регулярный управляемый цикл.
В Adventum мы уже рассматриваем работу с нейровидимостью как элемент стратегического маркетинга, а не как технологический эксперимент.
