Почему Gemini нельзя мерить теми же ожиданиями

Практически все инструкции по попаданию в ответы нейросетей написаны на опыте ChatGPT и поисковых поверхностей, где модель почти всегда идёт в веб. Gemini устроен иначе, и попытка применить к нему ту же логику приводит к выводу «мы всё сделали, а результата нет».

Вот наши данные за 30 дней. Один и тот же набор вопросов, одинаковая частота проверок, девять платформ.

Обратите внимание на строку Gemini и на две строки выше неё. Это три разных продукта Google, и они ведут себя по-разному: AI Overviews почти всегда показывает источники, AI Mode примерно в двух третях ответов, а Gemini как отдельный чат лишь в трети. Поэтому фраза «мы работаем над видимостью в Google» без уточнения продукта не значит ничего.

Если модель в двух третях ответов не обращается к вебу, то в этих двух третях ваш новый материал не может повлиять ни на что. Модель отвечает тем, что у неё уже есть.

Мы измерили это прямо. По 23 материалам, опубликованным с апреля по июль, считали, через сколько дней каждый впервые попал в источники ответа. В Алисе AI это происходило примерно через неделю, в Поиске с Алисой и Perplexity через 13 дней, в ChatGPT через 18, в Google AI Mode через 20, в GigaChat через 64 дня. В Gemini за весь период были процитированы только 2 материала из 23, и средний срок составил 79 дней.

Иными словами, Gemini это не канал, на который можно влиять публикацией здесь и сейчас. Это индикатор того, насколько прочно бренд закрепился в общем информационном поле.

Порядок такой же, как для других платформ, но с двумя оговорками, которые для Gemini критичны.

Шаг 1. Составьте список из 15 до 20 вопросов в формулировках клиента: «чем отслеживать упоминания компании в нейросетях», «какой сервис выбрать для задачи X», «кто предлагает решение Y». Не берите брендовые запросы, они ничего не измеряют.

Шаг 2. Задавайте каждый вопрос в новом диалоге. Контекст беседы искажает ответ сильнее, чем кажется: достаточно один раз упомянуть свою компанию, и модель начнёт учитывать её в последующих ответах.

Шаг 3. Отдельно фиксируйте, были ли в ответе ссылки. Это первая оговорка. В Gemini ответ без источников и ответ со ссылками это принципиально разные случаи. В первом вы видите содержимое базы знаний модели, во втором результат обращения к вебу. Смешивать их в один показатель нельзя.

Шаг 4. Повторите каждый вопрос минимум три раза. Разброс ответов здесь заметно выше, чем в поисковых поверхностях.

Шаг 5. Проверьте вопрос в двух формулировках. Это вторая оговорка. Gemini чувствителен к тому, просите ли вы перечислить решения или объяснить критерии. На «объясни, как выбрать» он рассказывает про критерии и не называет компании, на «какие сервисы существуют» перечисляет.

Шаг 6. Повторите замер через месяц. Короткий цикл здесь бесполезен: изменения приходят медленно.

Порядок по отдаче отличается от того, что работает в поисковых поверхностях.

Присутствие на площадках, которые модель считает авторитетными. Раз прямое цитирование ваших страниц происходит редко, основной путь идёт через внешние материалы: отраслевые медиа, крупные справочники, обзоры, энциклопедические ресурсы. Именно они формируют то, что модель «знает» о рынке.

Согласованность фактов. Одно и то же утверждение о компании, повторённое одинаково в нескольких независимых источниках, закрепляется. Разнобой в ценах, названиях продуктов и описании услуг мешает закреплению.

Технический доступ. В robots.txt не должно быть запрета для Google-Extended: это отдельный агент, через который контент попадает в генеративные продукты Google. Запрет для него часто ставят случайно, вместе с общими правилами.

Наличие фактов в HTML. В тех тридцати с небольшим процентах ответов, где Gemini всё же обращается к вебу, работают те же правила, что и везде: если цена и характеристики подгружаются скриптом, модель их не увидит.

Терпение и правильный горизонт. Если по остальным платформам цикл проверки составляет 45 дней, для Gemini разумно смотреть на квартал.

Это три продукта одной компании, и путать их дорого.

Google AI Overviews это блок ответа над поисковой выдачей. Источники показываются в 93,9 процента случаев, в среднем 8,7 ссылки. Здесь работает классическая связка: попасть в топ по запросу и дать материал, из которого удобно извлечь ответ. Наша видимость в этом продукте самая высокая среди зарубежных поверхностей, 30,7 процента.

Google AI Mode это режим развёрнутого диалога внутри поиска. Ссылки в 62,9 процента ответов, в среднем 6,3 источника. Промежуточный вариант между поиском и чатом, и влиять на него контентом можно, хотя и слабее.

Gemini это отдельный чат-продукт. Ссылки в трети ответов, менее одного источника в среднем. Контентом влиять сложно, работает узнаваемость.

Для планирования это означает, что усилия по контенту нужно направлять на AI Overviews и AI Mode, а Gemini держать в мониторинге как отложенный индикатор.

Чтобы решения не строились на догадках, полезно понимать, из чего складывается ответ.

Первый слой это база знаний, зафиксированная при обучении модели. Она содержит представления о категориях товаров и услуг, известных игроках рынка, типичных характеристиках. Обновляется редко, крупными релизами, и повлиять на неё точечно невозможно. Именно оттуда приходят описания вроде «известная платформа для крупного бизнеса», которые компания у себя на сайте никогда не писала.

Второй слой это обращение к вебу в момент ответа. Он включается не всегда, и логика включения нам как внешним наблюдателям недоступна. Эмпирически он срабатывает чаще на вопросах о свежих событиях, ценах и сравнениях конкретных продуктов, и реже на общих вопросах вроде «как выбрать инструмент для задачи».

Третий слой это оформление ответа. Даже когда модель обращалась к вебу, она может не показать ссылки пользователю. Поэтому доля ответов со ссылками, которую мы измеряем, это нижняя оценка реального обращения к вебу, а не точная цифра.

Практический вывод из этой структуры: чтобы попасть в первый слой, нужно накопленное присутствие в источниках, которые попадают в обучающие выборки. Это энциклопедические ресурсы, крупные медиа, справочники, профильные каталоги. Работа медленная, но именно она даёт устойчивый результат, который не зависит от того, обратилась модель к поиску или нет.

Даже с учётом слабого прямого канала, требования к материалам остаются, и они специфичны.

Однозначные утверждения о категории. Модель должна суметь отнести вас к понятной категории. Формулировка «платформа мониторинга упоминаний бренда в AI-платформах» работает лучше, чем «решение нового поколения для маркетинга».

Явные ограничения. Странно, но фразы вида «не подходит для задач X» повышают шанс корректного упоминания: модель получает материал для дифференциации и реже приписывает вам чужие свойства.

Числа вместо эпитетов. «Девять платформ», «3 000 проверок в месяц», «12 990 рублей» цитируются, «широкие возможности» игнорируются.

Сопоставимость с конкурентами. Если на странице есть корректное сравнение с известными игроками категории, модель охотнее ставит вас в один ряд с ними. Важно, чтобы сравнение было проверяемым, иначе оно сработает против вас в чужих обзорах.

Стабильность формулировок. Одинаковое описание компании на сайте, в каталогах и в пресс-материалах ускоряет закрепление. Каждая новая версия позиционирования обнуляет часть накопленного эффекта.

Двадцать вопросов, три повтора, ежедневная проверка это 1 800 обращений в месяц по одной платформе. С учётом того, что для Gemini ежедневная частота избыточна, разумно ставить проверку раз в два или три дня и экономить лимит на поверхности, где изменения происходят быстрее.

Visiobrand проверяет вопросы во всех девяти платформах, включая Gemini, AI Overviews и AI Mode как отдельные поверхности, и хранит полные тексты ответов вместе со списком источников. По каждому вопросу видно наличие упоминания, позицию в перечислении, тональность и конкурентов рядом. Тариф «Старт» стоит 12 990 рублей в месяц за 3 000 проверок, «Про» 29 990 рублей за 9 000. Первый замер можно сделать на бесплатном тарифе, там 50 проверок.

Если сформулировать работу с Gemini как план, он выглядит так.

Первый месяц: база и замер. Проверяете доступ для Google-Extended, приводите факты в HTML, фиксируете стартовые показатели по 15 до 20 вопросам с отметкой о наличии ссылок в каждом ответе. Здесь же смотрите, какие внешние ресурсы модель называет источниками, когда всё же их показывает.

Второй месяц: внешний контур. Публикации и упоминания на площадках из собранного списка, приведение описаний компании к единой формулировке во всех каталогах и профилях. Параллельно продолжаете замер с прежней периодичностью, но выводов пока не делаете.

Третий месяц: оценка. Сравниваете видимость с первым месяцем именно по Gemini, отдельно по ответам со ссылками и без. Рост в ответах со ссылками говорит, что заработал веб-канал. Рост в ответах без ссылок означает, что сдвинулось само представление модели, и это более ценный, хотя и более медленный результат.

Такой ритм избавляет от типичной ошибки, когда через две недели после публикации команда решает, что работа не дала эффекта, и переключается на другое.

Считать Gemini и AI Overviews одним каналом. Разница в доле ответов со ссылками почти трёхкратная, и рычаги разные.

Требовать быстрого эффекта от публикации. Средний срок до первой цитаты 79 дней, и цитируются далеко не все материалы.

Смешивать ответы со ссылками и без. Это два разных режима работы модели, и усреднение прячет причину изменений.

Проверять в одной сессии подряд. Контекст беседы искажает результат.

Исключать Gemini из мониторинга из-за низких цифр. Именно он показывает, закрепился ли бренд в базе знаний, а не только в свежей выдаче.

1. Разделите в мониторинге три продукта Google: AI Overviews, AI Mode и Gemini. Это разные каналы с разными правилами.
2. Проверьте robots.txt на запрет для Google-Extended, он часто попадает под общее правило.
3. Сделайте замер с фиксацией наличия ссылок в каждом ответе, чтобы понимать, в каком режиме отвечает модель.
4. Сместите усилия по контенту на AI Overviews и AI Mode, где публикация даёт результат за недели.
5. Для Gemini поставьте горизонт в квартал и работайте через внешние упоминания и согласованность фактов.