23 апреля 2026 г.13 мин чтения

Brand Lift от AI-упоминаний: методология замера и практические примеры

Как измерить brand lift от роста AI-видимости: дизайн эксперимента, контрольные группы, атрибуция, метрики и связь с Mention Rate.

Владислав Пучков

Основатель GEO Scout, эксперт по GEO-оптимизации

Бренд-менеджер, который доказывает эффективность GEO-оптимизации через рост трафика, решает не ту задачу. Трафик — это транзакция. Brand lift — это восприятие. И именно восприятие определяет, почему потребитель через три месяца выберет вас, а не конкурента, хотя не помнит, где впервые услышал ваше название. Если бренд регулярно появляется в ответах нейросетей, это работает — но как доказать это цифрами и построить надёжную методологию замера?

Что такое brand lift: классическая методология

Brand lift — это измеримый прирост брендовых показателей, достигнутый за счёт маркетинговых воздействий. Измеряется как разница между test-группой (получавшей воздействие) и control-группой (не получавшей) по ключевым метрикам:

• Aided awareness — доля знающих бренд при подсказке («Знаете ли вы компанию X?»)
• Unaided awareness — доля спонтанно называющих бренд в категории
• Consideration — готовность рассматривать бренд при следующей покупке
• Preference — предпочтение бренда среди конкурентов
• Purchase intent — планируемая покупка в горизонте 1-3 месяца

Три ведущих провайдера brand lift исследований сформировали стандарт отрасли:

• Google Brand Lift — измеряет эффект YouTube-рекламы через встроенные опросы в интерфейсе YouTube; автоматически формирует test (видели рекламу) и holdout (не видели) группы на основе cookie/идентификатора аккаунта
• Nielsen Brand Impact — панельные опросы с рандомизацией на уровне домохозяйств, более точная изоляция воздействия, применяется для TV/digital
• Яндекс Brand Lift — российский аналог, работает в экосистеме Яндекс.Директ, формирует контрольные группы из пользователей, которым реклама не показывалась по технических причинам (не было аукционного участия)

Всех трёх объединяет одно: контроль над тем, кто получает воздействие. Рекламодатель знает, кто видел рекламу, и может сравнить этого человека с тем, кто не видел.

Почему прямой перенос не работает для AI

В AI-среде этого контроля нет, и это фундаментально меняет задачу.

Когда пользователь спрашивает ChatGPT «какой сервис выбрать для X» и получает ответ с упоминанием вашего бренда, вы не знаете:

• кто этот пользователь
• видел ли он ваш бренд раньше
• получил ли другой пользователь с аналогичным запросом такой же ответ

AI-модели не предоставляют impression data. Нет рекламного аукциона, нет cookie-синхронизации, нет пикселя. Бренд не может выбрать, кому нейросеть покажет рекомендацию, и не может создать «чистую» контрольную группу из людей, изолированных от AI-ответов.

Дополнительная сложность: AI-модели обновляют веса с задержкой. ChatGPT может отражать контент двух-четырёхнедельной давности, в то время как Perplexity работает в режиме реального времени. Это означает, что даже агрессивное наращивание AI-видимости даёт отложенный эффект — и brand lift исследование должно учитывать этот лаг.

Три подхода к измерению brand lift в AI-среде

Подход 1: Survey-based (опросный)

Наиболее прямой метод. Проводятся два опроса одинаковой выборки (или matched sample) с интервалом в 8-16 недель. В период между опросами реализуется GEO-кампания: создание контента, оптимизация цитируемости, наращивание внешних упоминаний — всё, что влияет на Mention Rate.

Контрольная группа формируется одним из двух способов:

Вариант A: Географическая сегментация. Половина городов / регионов — тест, половина — контроль. В тест-регионах бренд активно продвигается (GEO + контент), в контрольных регионах — только мониторинг без активных действий. Это возможно для брендов с чётко выраженной географической структурой бизнеса.

Вариант B: Временная когорта. Baseline-опрос проводится до начала GEO-кампании. Итоговый опрос — после. Нет настоящей контрольной группы, но есть временная точка отсчёта. Менее надёжен статистически, но проще в реализации и подходит для B2B с небольшой аудиторией.

В опросник добавляют специфические вопросы для AI-контекста:

• «Встречали ли вы упоминания [бренда X] в ответах нейросетей (ChatGPT, Алисы, других AI)?»
• «Если нейросеть рекомендует продукт, насколько вы склонны ему доверять?»
• «Назовите 3 бренда в категории [X], которые вы бы рекомендовали коллеге.»

Подход 2: Synthetic control

Метод из академической эконометрики, применяется, когда нельзя провести рандомизацию. Строится «синтетический контрфактуал» — взвешенная комбинация регионов или сегментов, которые не получали воздействие, максимально похожая на тест-группу по предшествующей динамике.

Логика: если исторически брендовый трафик Москвы коррелировал с трафиком Екатеринбурга и Казани, то при запуске GEO-кампании только в Москве можно использовать комбинацию Екатеринбург+Казань как синтетический контроль. Расхождение кривых после старта кампании — это оценка эффекта.

Метод требует:

• данных за 6+ месяцев до начала кампании
• нескольких «донорских» регионов с похожей динамикой
• статистического ПО (R пакет Synth, Python pysynth или CausalImpact от Google)

Исследование Incremys 2025 года применяло вариант synthetic control для оценки влияния AI Overviews на брендовые метрики в ряде категорий (beauty, финансы, SaaS) — и зафиксировало статистически значимый прирост aided awareness в 7-12 процентных пунктов у брендов, системно наращивавших AI-цитируемость в течение квартала.

Подход 3: Geo-holdout (региональный эксперимент)

Наиболее чистый дизайн, когда его удаётся реализовать. Бренд целенаправленно наращивает AI-видимость только в тест-регионах: публикует контент, ориентированный на локальные запросы, получает упоминания в региональных медиа, работает с локальными каталогами — всё, что влияет на то, как AI отвечает пользователям из конкретного города.

Контрольные регионы сохраняют «естественное» состояние. Через 12-16 недель сравниваются опросные данные двух групп.

Этот подход работает для брендов с выраженной региональной структурой: ретейл, сервисный бизнес, региональные банки, образовательные платформы. Для большинства digital-SaaS с равномерно распределённой аудиторией он трудно реализуем.

Дизайн эксперимента: ключевые параметры

Независимо от выбранного подхода, рабочий эксперимент включает следующие элементы:

Baseline фиксирует три вещи: текущие брендовые показатели (awareness, consideration, preference), текущий Mention Rate по каждому провайдеру, текущий Share of Voice относительно прямых конкурентов.

Период воздействия — активные GEO-действия: создание контент-активов под цитируемость, работа с внешними источниками, техническая оптимизация. Командный центр GEO Scout автоматически формирует приоритетный план таких действий на основе данных мониторинга — это позволяет структурировать intervention и зафиксировать, что именно делалось.

Post-measurement проводится не раньше чем через 4 недели после завершения активной фазы — чтобы дать время AI-моделям отразить изменения в базах знаний.

Метрики: что именно замерять

Стандартный опросник brand lift состоит из четырёх уровней воронки:

К этому стандартному набору для AI-фокуса добавляются:

• AI recall: «Встречали ли вы упоминания [X] в ответах ChatGPT, Алисы или других нейросетей за последние 2 месяца?»
• AI trust transfer: «Если нейросеть рекомендует [X], как это влияет на ваше доверие к бренду?»
• Source attribution: «Откуда вы впервые узнали о [X]?» (с вариантом «от нейросети / AI-помощника»)

Вопрос AI recall позволяет разделить аудиторию на тех, кто видел бренд в AI-ответах, и тех, кто не видел — и сравнить их брендовые показатели. Это прокси-метод для создания post-hoc test/control разбивки даже в survey-based исследовании без изначальной рандомизации.

Панели и research tools для российского рынка

Проведение brand lift исследования требует доступа к репрезентативной панели. Для российского рынка доступны следующие инструменты:

Онлайн-панели:

• Тибериус (tiburon-research.ru) — крупнейшая российская онлайн-панель, 1,5 млн+ респондентов, CAWI-опросы, сплит-тест внутри панели, оценка выборки за 2-3 дня
• Online Market Intelligence (OMI) — панель с 700K+ участников, специализация на B2C, встроенный сплит A/B для test/control без дополнительных настроек
• Анкетолог — российская платформа для самостоятельных исследований, подходит для B2B с меньшим бюджетом, квотированные выборки по социодемографии

Профессиональные агентства:

• ВЦИОМ — репрезентативные исследования со строгой методологией, оптимальны для consumer brands с широкой аудиторией, высокая стоимость
• Nielsen Россия — международный стандарт, синхронизация с глобальными brand lift метриками, подходит для международных брендов, работающих на российском рынке
• GfK (Ipsos) — трекинговые исследования с возможностью встроить AI-специфические вопросы

Для B2B с узкой аудиторией: Профессиональные панели типа Cint (через локальных партнёров) или прямые LinkedIn-рекрутинговые кампании с CAWI-опросом. Минимальная рабочая выборка для B2B — 150 человек в каждой группе при ожидаемом effect size 5-8%.

Данные Princeton GEO и Incremys: что говорит исследовательская база

Академические и индустриальные исследования 2024-2026 годов дают важный контекст:

Princeton GEO Study (2023, обновление 2024). Исходная работа команды Princeton/Georgia Tech/Allen Institute формализовала метрики цитируемости: Citation Rate (доля ответов с цитированием источника), Position Bias (позиционный сдвиг в пользу первых упоминаний), Fluency-Citation Trade-off (компромисс между читаемостью и точностью ссылок). Ключевой вывод: авторитетные источники с конкретными цифрами и структурированными данными цитируются в 3-4 раза чаще, чем генерические тексты.

Incremys AI Visibility Report (2025). Исследование 120 брендов в 8 категориях показало: бренды, улучшившие Mention Rate с уровня ниже 20% до уровня выше 40% за квартал, зафиксировали статистически значимый прирост aided awareness в 7-12 п.п. при аналогичном периоде без рекламных кампаний. Это первое крупное исследование, напрямую связывающее AI-видимость с традиционными brand lift метриками.

Semrush AI Visibility Index (2025). Корреляционный анализ между ростом AI-упоминаний и органическим брендовым трафиком: коэффициент Пирсона 0.71 при лаге 3-4 недели. Это подтверждает практическую гипотезу о том, что Mention Rate — надёжный leading indicator brand awareness даже без дорогостоящих опросных исследований.

Связка с GEO Scout: Mention Rate и Share of Voice как leading indicators

В реальной практике бренд-команды сталкиваются с ограничением: полноценные brand lift исследования проводятся раз в квартал или раз в полгода. Это слишком редко для оперативного управления GEO-стратегией.

GEO Scout решает эту задачу через непрерывный мониторинг двух ключевых метрик:

Mention Rate — доля AI-ответов на релевантные промпты, в которых упоминается бренд. Измеряется ежедневно по каждому из 10 провайдеров. При росте Mention Rate brand awareness улучшается с лагом 3-4 недели — что подтверждается корреляционным анализом из исследований 2025 года.

Share of Voice — доля упоминаний бренда в сравнении с конкурентами по тем же промптам. Если ваш SoV растёт, а у конкурентов снижается — это переток внимания аудитории в вашу пользу, который через несколько недель проявится в опросных данных.

Практический pipeline выглядит следующим образом:

1. Настроить ежедневный мониторинг в GEO Scout по 15-30 промптам, релевантным для целевой аудитории
2. Зафиксировать baseline Mention Rate и SoV перед стартом GEO-кампании
3. Провести baseline опрос (aided awareness, unaided awareness, consideration)
4. Реализовать GEO-кампанию на основе приоритетов от Командного центра GEO Scout
5. Отслеживать рост Mention Rate еженедельно — он служит оперативным индикатором прогресса
6. Через 8-12 недель провести итоговый опрос и сравнить с baseline
7. Построить корреляцию между динамикой Mention Rate и изменением brand lift показателей

При корреляции выше 0.65 Mention Rate можно использовать как прокси-метрику awareness между крупными волнами опросных исследований.

Сравнительная таблица подходов

Чек-лист B2B brand lift исследования с AI-фокусом

Перед стартом:

• Определить первичную гипотезу: на какую метрику ожидается влияние (awareness / consideration / preference)
• Установить минимальный детектируемый эффект (MDE): для B2B обычно 5-8 п.п.
• Рассчитать необходимый размер выборки исходя из MDE и допустимой погрешности
• Выбрать панель (Тибериус / OMI / Cint) или прямой рекрутинг
• Настроить мониторинг AI-видимости в GEO Scout по всем релевантным промптам
• Провести baseline опрос и зафиксировать Mention Rate, SoV

В ходе исследования:

• Документировать все GEO-действия с датами (публикации, оптимизации, внешние размещения)
• Еженедельно фиксировать Mention Rate по каждому AI-провайдеру
• Не запускать параллельные рекламные кампании, которые могут смешать результаты
• Контролировать сезонные факторы и новостной фон

После исследования:

• Провести итоговый опрос через 4 недели после завершения активной фазы
• Рассчитать lift по каждой метрике (разница test/control или before/after)
• Построить корреляцию Mention Rate ↔ brand lift показатели
• Определить, является ли Mention Rate надёжным прокси для данного бренда
• Зафиксировать методологию для воспроизводимости в следующей волне

Реалистичные ожидания: что и когда изменится

Brand lift от AI-упоминаний — не мгновенный процесс. Ниже реалистичная картина, основанная на данных 2025-2026 годов:

Исследования показывают, что preference — наиболее инертная метрика. Для её значимого сдвига нужен системный рост видимости минимум в 6-8 провайдерах одновременно и период в 4-6 месяцев. Именно поэтому мониторинг в 10 AI-провайдерах, который обеспечивает GEO Scout, важен не только для полноты картины, но и для скорости накопления брендового эффекта.

Итог: от метрики к доказательству

Brand lift от AI-упоминаний — измеримый феномен, но его измерение требует методологической дисциплины: правильного дизайна эксперимента, адекватного периода наблюдения и понимания лагов. Прямой перенос классических инструментов здесь не работает — нужны адаптированные подходы под специфику AI-среды.

Практический путь для большинства команд: начать с Mention Rate и Share of Voice как ежедневными leading indicators, добавить bi-annual опросные волны для валидации, и строить корреляционную модель между этими двумя потоками данных. Это даёт оперативное управление без ежеквартальных дорогостоящих исследований.

GEO Scout закрывает первую часть этого pipeline: ежедневный мониторинг по 10 провайдерам, метрики Mention Rate, Share of Voice, Average Position и тональности в едином дашборде. Бесплатный тариф позволяет проверить базовую видимость бренда и получить первые данные для baseline — без привязки карты и долгосрочных обязательств.