Recommendation Rate и позиция бренда в перечне вариантов AI
AI-система может упомянуть бренд мимоходом, а может прямо посоветовать его как решение. Это разные вещи, и для второй нужна отдельная метрика — recommendation rate. Но даже если бренд рекомендован, важно ещё одно: каким по счёту он назван среди других вариантов.
Что такое Recommendation Rate
Recommendation Rate — доля ответов AI-системы, в которых она не просто упоминает бренд или ссылается на источник с его участием, а прямо советует его как решение задачи пользователя. Разница практическая: упоминание — бренд попал в текст ответа как факт или контекст; цитирование — на бренд сослались как на источник информации; рекомендация — AI сказал условно «возьмите вот это» или включил бренд в список «рассмотрите такие варианты». Это самый сильный из трёх сигналов вовлечённости AI-системы, и для GEO-аудита он ценнее остальных именно потому, что ближе всего к реальному выбору пользователя.
Строгого отраслевого стандарта с единой формулой у термина recommendation rate нет — это рабочее определение, которым мы пользуемся в GEO-аудитах, и его стоит явно отличать от соседних метрик. Про одну из них, citation rate, мы писали отдельно: там речь именно о том, как часто AI-система ссылается на бренд как на источник, без оценки, советует она его или нет. Если для полноты картины нужна разница между «сослались» и «посоветовали», это разбирает статья про Citation Rate.
Почему важна не только рекомендация, но и позиция в перечне
AI-система редко ограничивается одним вариантом. На запрос «что выбрать для...» она чаще перечисляет несколько решений, и здесь появляется вторая переменная — позиция бренда в ответе нейросети. Быть названным первым в перечне из пяти вариантов и быть последним из тех же пяти — формально одна и та же рекомендация, но по практическому эффекту это разные ситуации: пользователь читает ответ сверху вниз и с большей вероятностью остановит внимание на первых пунктах, а до последних может просто не дойти или воспринять их как менее приоритетные.
Здесь работает та же логика, что в органической поисковой выдаче: позиция в списке результатов всегда влияла на то, заметит ли пользователь вариант вообще, а не только на факт присутствия в выдаче. У AI-ответов эта логика даже острее, потому что вариантов в принципе меньше — пользователь не видит десять органических ссылок, он может увидеть три рекомендованных решения, два процитированных источника или один синтезированный ответ. Когда общее число позиций сокращается с десяти до трёх-пяти, каждое конкретное место в списке начинает весить больше. Прямых поведенческих измерений именно для AI-ответов пока немного, но данные по позициям брендов в сторонних листиклах показывают, что первое место в таком списке коррелирует и с более ранним появлением бренда внутри самого AI-ответа, и с заметно более высокой видимостью — так что аналогию с позицией в выдаче можно считать обоснованной, а не умозрительной.
Как отслеживать рекомендацию и позицию на практике
Чтобы получить рабочую картину, а не разовое наблюдение, оба сигнала нужно фиксировать вместе и на регулярной основе:
- Собрать набор реальных пользовательских запросов, с которыми потенциальный клиент мог бы обратиться к AI-системе за решением, а не абстрактных формулировок «про бренд».
- Прогнать этот набор через несколько AI-платформ — например, ChatGPT, Perplexity, Gemini и Copilot: у каждой своя логика ответа, и картина по одной платформе не отражает ситуацию в целом.
- По каждому ответу зафиксировать первый параметр: рекомендован ли бренд явно — да или нет, по чётким и заранее согласованным критериям того, что считается рекомендацией, а что нет.
- Если AI перечисляет несколько вариантов, зафиксировать второй параметр — порядковый номер бренда в этом перечне.
- Повторять замер регулярно: ответы AI-систем меняются от обновления к обновлению, и разовый снимок быстро устаревает.
Критерии того, что засчитывать рекомендацией, важно проговорить заранее и применять одинаково от запроса к запросу — иначе результат теряет повторяемость. Мы используем именно такой двухпараметровый замер в GEO-аудитах: через него прошло больше 150 проектов, мы отслеживаем ответы на 7 AI-платформах, а за плечами команды 12 лет практики в digital — и мы открыто показываем клиентам, как считается каждая цифра, а не выдаём готовый отчёт без объяснений.
Формат аудита — GEO-диагностика, полноценный GEO-аудит или совмещённый SEO+AI аудит, в зависимости от того, что нужно проверить.
Recommendation Rate в системе метрик AI-видимости
Recommendation Rate — не единственный и не самостоятельный показатель: он имеет смысл рядом с другими замерами присутствия бренда в ответах AI. Если хочется сравнить прямую рекомендацию с более широкой картиной — какую долю голоса вообще занимает бренд среди конкурентов в ответах на тематические запросы, — эту сторону вопроса разбирает статья про Share of Voice в AI-ответах.
А если результаты замеров выглядят нестабильно или противоречат ожиданиям, прежде чем делать выводы стоит проверить саму методику измерения: в этом помогает материал «Почему ваши замеры AI-видимости врут: 8 искажений», который разбирает типовые ошибки мониторинга AI-видимости.
Бесплатная диагностика покажет, рекомендуют ли нейросети ваш бренд и на каком месте — 0 ₽ и 24 часа.
FAQ
Чем рекомендация отличается от упоминания и цитирования?
Упоминание — бренд попал в текст ответа как факт или контекст, без оценки. Цитирование — на бренд сослались как на источник информации, обычно со ссылкой. Рекомендация — AI прямо посоветовал бренд как решение задачи пользователя, условно «возьмите вот это». Это самый сильный из трёх сигналов вовлечённости AI-системы, потому что ближе всего к реальному выбору пользователя.
Есть ли единая отраслевая формула Recommendation Rate?
Строгого отраслевого стандарта с единой формулой нет — это рабочее операционное определение, которым пользуются в GEO-аудитах, и его стоит явно отличать от соседних метрик вроде Citation Rate, которая измеряет только факт ссылки на источник, без оценки, советует ли AI бренд или нет.
Почему важна не только сама рекомендация, но и позиция бренда в перечне?
AI-система редко ограничивается одним вариантом и часто перечисляет несколько решений. Быть названным первым из пяти вариантов и быть последним — формально одна и та же рекомендация, но пользователь читает ответ сверху вниз и с большей вероятностью обратит внимание на первые пункты. Когда число позиций в AI-ответе меньше, чем в органической выдаче, каждое конкретное место весит больше.
Как отслеживать Recommendation Rate и позицию бренда на практике?
Собрать набор реальных пользовательских запросов, прогнать его через несколько AI-платформ (ChatGPT, Perplexity, Gemini, Copilot), по каждому ответу зафиксировать, рекомендован ли бренд явно по заранее согласованным критериям, и если AI перечисляет варианты — зафиксировать порядковый номер бренда в перечне. Оба параметра нужно фиксировать вместе и повторять регулярно, потому что ответы AI-систем меняются от обновления к обновлению.