Когда потенциальный работодатель спрашивает искусственный интеллект о специалисте, сам специалист в этом разговоре не участвует. Когда инвестор просит ИИ объяснить, чем занимается компания, её руководитель не выбирает источники и не может поправить ответ. То же самое происходит с университетами, фондами, общественными организациями, брендами и публичными людьми.

Раньше между человеком и объектом его интереса обычно лежал список ссылок. Нужно было открыть сайт, прочитать публикации, сравнить источники и сделать вывод самому. Теперь ИИ всё чаще выдаёт уже собранную версию: кто перед нами, чем известен этот человек или организация, с кем связан и насколько ему можно доверять. В этом и состоит новая проблема.

Новая индустрия возникает прямо сейчас

Ещё недавно разговор о цифровой видимости почти неизбежно сводился к SEO – насколько хорошо сайт находится и ранжируется в поисковых системах. Затем появились AEO и GEO. Первый подход сосредоточился на прямых ответах, второй – на присутствии и использовании контента в ответах генеративных систем.

GEO уже получил академическую формализацию. В работе, представленной на KDD 2024, он описан как подход, помогающий создателям контента повышать его видимость в ответах генеративных систем. Но это по-прежнему прежде всего разговор о контенте: насколько он заметен, используется и цитируется. 

Параллельно начинает формироваться другой рынок: измерение AI Visibility. В августе 2026 года Interactive Advertising Bureau (IAB) сообщил, что более двадцати компаний в мире уже предлагают такие инструменты. При этом общего стандарта пока нет. Разные поставщики используют разные наборы вопросов, разные платформы и разные способы расчёта, поэтому два сервиса могут показать существенно разные результаты для одного и того же бренда.

Сам IAB называет измерение AI Visibility дисциплиной, которая всё ещё формируется. Это довольно точное описание момента: рынок уже существует, инструменты уже продаются, а договорённость о том, что считать надёжным измерением, ещё только складывается.

И здесь возникает неудобный, но важный вопрос. Прежде чем спорить о том, кто измеряет лучше, нужно договориться о том, что вообще является объектом измерения.

Не «видят ли вас», а «что именно считают вами»

Один из проектов, работающих с этой проблемой – европейский исследовательский стартап QuorumLab. Его подход начинается не с вопроса о том, сколько раз компания появилась в ответах ИИ, а с более неудобного: что именно система считает этой компанией, человеком или организацией?

Машина может знать название компании, но связывать его со старым юридическим лицом. Может правильно распознать человека, но приписать ему деятельность однофамильца. Может знать продукт, но считать его частью другого бренда или продолжать использовать описание, которое давно устарело.

Поэтому в QuorumLab AI Visibility рассматривается шире простой частоты упоминаний. Исследуется то, как ИИ обнаруживает объект, идентифицирует его, связывает с другими сущностями, характеризует и в итоге представляет пользователю. Предметом становится не отдельная ссылка или цитата, а целостная машинно сформированная картина.

В этой модели SEO, AEO и GEO не отменяются. Они остаются полезными инструментами, но работают с отдельными участками задачи: SEO помогает информации быть найденной, AEO и GEO – становиться частью ответа. AI Visibility задаёт более широкий вопрос: какое представление в итоге получает человек и почему оно получилось именно таким.

Это не общепринятая академическая лестница терминов. Научная литература пока не оформила AI Visibility как завершённую дисциплину, но исследования уже показывают, что генеративный поиск отличается от классического настолько, что прежних способов оценки недостаточно. Авторы работы, опубликованной в Findings of ACL 2026, прямо отмечают что генеративный поиск создаёт новые измерения, которых прежние модели оценки не учитывают.

Один ответ ещё ничего не доказывает

Допустим, человек спрашивает ChatGPT о своей компании и получает странный ответ. Самая естественная реакция – сохранить снимок экрана и решить, что проблема найдена. С исследовательской точки зрения это только начало.

Тот же вопрос при повторе может дать другой результат. Ответ меняется от формулировки, языка, платформы, используемого устройства, времени, географии, доступных источников и обновлений самой системы. Поэтому один ответ это наблюдение, но ещё не измерение.

IAB формулирует это предельно прямо: один ответ нельзя считать полноценным измерением. Нужны повторы, понимание нормальной изменчивости и зафиксированное исходное состояние, с которым можно сравнивать последующие результаты.

QuorumLab проводит ту же границу. Измерение начинается там, где условия определены заранее, проверка повторяется, а результат можно сопоставлять во времени. При этом проект не заявляет универсального индекса AI Visibility. Полноценная количественная методика остаётся отдельной исследовательской задачей.

Что можно исследовать, если внутрь модели не заглянуть?

Внешний исследователь не знает, что именно происходит внутри закрытой системы. Поэтому попытка объяснять каждый ответ тем, что якобы происходило «в голове модели», быстро превращается в гадание.

QuorumLab вместо этого работает с наблюдаемой информационной средой вокруг объекта, а именно с тем, что называют сегодня машинным слоем. В него входят сайты и данные, идентификаторы, связи между компаниями, брендами, продуктами и людьми, независимые публикации, публичные обсуждения, структурированные данные, а также языковые и рыночные версии информации.

Это ограничение принципиально. Если ИИ показывает старое описание компании, нельзя автоматически заключить, что виноват сайт. Если система путает двух людей, нельзя сразу решать, что проблему нужно исправлять через Wikidata. Ошибка – это только симптом, для выяснения причины нужно исследовать машинный слой.

От измерения к новой дисциплине

Именно для таких случаев QuorumLab использует Навигационный метод: измерить, составить карту возможных причин, изменить управляемое, измерить снова и скорректировать курс. Сначала фиксируется исходная картина, затем исследуются возможные причины и только после этого меняются те элементы среды, на которые действительно можно повлиять.

Но самое интересное в AI Visibility, возможно, вообще не связано с маркетингом. ИИ постепенно становится ещё одним посредником между реальным человеком или организацией и тем, кто пытается о них что-то узнать.

Отсюда и возникает новая исследовательская задача: не заставить машину говорить нужные слова и не обещать контроль над внешними системами, а научиться наблюдать их представление о реальном объекте, проверять его устойчивость и понимать, что происходит после изменений в окружающей информационной среде.

Это гораздо менее эффектное обещание, чем «управлять ответами ИИ». Но для молодой области, в которой даже базовые правила измерения ещё только складываются, именно с таких ограничений обычно и начинается серьёзная наука.