В последние два года обсуждение AI-поиска сосредоточилось на видимости. Команды стремятся узнать, упоминается ли их бренд, где он появляется в рекомендациях, как часто упоминаются конкуренты и цитируются ли они в ChatGPT, Gemini, Claude, Perplexity, Google и других AI-платформах. Хотя эти метрики полезны, возникает вопрос, достаточно ли они для понимания бизнес-результатов.

Понимание "врат допустимости"

Два года назад я ввел термин "врата допустимости", описывающий критерии, определяющие, остается ли компания или продукт квалифицированным, когда покупатель проходит через процесс принятия решения. Позже я расширил эту идею в статье "Покрытие решений", в которой рассматривал, имеет ли организация достаточно информации и доказательств для оценки, сравнения, квалификации и уверенной рекомендации AI. Это привело к двум связанным аргументам, изложенным в предыдущих статьях. В "За пределами паритета контента" я утверждал, что использование инструментов и процессов, которые просто сопоставляют контент конкурентов, может создать паритет без создания конкурентного преимущества. В "За пределами суверенитета бренда" я поднимал вопрос о том, что знания, необходимые AI, часто находятся за пределами маркетингового сайта, разбросанные по продуктам, продажам, поддержке, инженерии, юридическим вопросам и внешним источникам.

Проблема не в видимости, а в сокращении потока клиентов

Недавний проект позволил мне протестировать эти идеи на конкретной бизнес-проблеме. У компании не было проблем с видимостью AI. Она часто появлялась в AI-сгенерированных списках рассмотрения. Однако возникла другая проблема: что происходит после этого, когда потенциальные покупатели продолжают разговор и начинают задавать более конкретные вопросы о требованиях, рабочих процессах, интеграциях, результатах, доказательствах и конкурентных различиях. Вопрос заключался не в том, как стать заметным в AI, а в том, почему, несмотря на всю эту видимость, наш поток лидов сокращается.

Результаты исследования

Мы создали 38 детализированных критериев на основе запросов по нескольким категориям продуктов и сегментам покупателей и оценили их на пяти AI-платформах, получив 190 ответов. Эти запросы были намеренно отличны от широких запросов "лучший поставщик". Они отражали требования, которые покупатели используют для сужения поля: соответствие рабочему процессу, интеграции, нормативные требования, совместимость, операционные условия, аналитика, широта платформы и другие критерии принятия решений. Первоначальные результаты выглядели отлично – даже лучше, чем текущая оценка видимости. Мы обнаружили, что компания упоминалась в 98,4% оцененных ответов и появлялась в качестве основного рекомендации или в коротком списке 93,2% случаев. Для многих программ GEO это стало бы заголовком недели и поводом для празднования. Бренд почти всегда был видим и воспринимался как серьезный вариант. Однако видимость не была проблемой, которую мы исследовали.

Недостаток доказательств

Когда мы оценили те же ответы по критериям принятия решений в запросах, 73,7% имели слабые или отсутствующие доказательства, подтверждающие важные утверждения или рекомендации о компании. В 15,8% случаев важная ассоциация, критерий принятия решения, конкурентное отличие или сигнал открытия содержали то, что мы классифицировали как значительный или критический пробел. Чем больше мы уточняли наши критерии оценки доказательств, тем выше становился этот показатель. Критическим выводом стало то, что AI-системы в целом знали, что компания должна быть в разговоре. Однако они были гораздо менее последовательны в обосновании, почему она должна оставаться там, когда покупатель начал применять конкретные критерии допустимости.

Видимость не равна готовности к принятию решений

Существует значительная разница между вопросом о том, какие поставщики работают на рынке, и вопросом о том, какие поставщики могут удовлетворить конкретное сочетание технических, операционных, нормативных и бизнес-требований. Модель может знать, что компания является законным поставщиком, понимать ее основные продукты и иметь достаточно общей информации, чтобы включить ее в короткий список. Но как только покупатель спрашивает, как работает интеграция, поддерживается ли рабочий процесс, что происходит в определенных операционных условиях, какие ограничения применяются или какие доказательства поддерживают утверждение о результате, требования к информации становятся более строгими.

Слабость часто заключалась в доказательствах, а не в возможностях

Одним из наиболее важных выводов было то, что слабые доказательства не обязательно означали, что у компании отсутствуют возможности. Во многих случаях возможности, похоже, существовали, но доступная информация не объясняла или не подтверждала их достаточно хорошо, чтобы удовлетворить уровень доверия AI. Мы обнаружили утверждения об эффективности, но не имели "доказательств" из внутренних тестов или отзывов клиентов о приросте эффективности. Иногда информация была просто фрагментированной. Модель могла потребовать соединить страницу продукта с страницей интеграции, а затем с другой страницей совместимости, прежде чем она могла сделать вывод о том, как эти элементы удовлетворяют требования покупателя.

Пределы паритета контента

Выводы подтвердили опасения, которые я поднимал в своей предыдущей работе о том, как системы генерации контента AI создают "паритет контента". Я объяснил этому бренду, что большинство усилий GEO на сегодняшний день были тем, что я бы назвал SEO-соседним GEO. Это новый переименованный процесс SEO, который использует скорость AI для традиционного анализа контентных пробелов. Команды смотрят на покрытие конкурентов, вопросы "люди также спрашивают", общие запросы и страницы, получающие цитаты, а затем создают контент, чтобы закрыть эти пробелы. В этом нет ничего плохого. В данном случае, похоже, это очень хорошо сработало для установления присутствия компании в категории.

Создание оценочной карты доказательств

Запуск запросов был относительно простым. Не существовало инструмента или готовой структуры для того, что мы пытались измерить. Нам нужно было создать многофакторную оценочную карту доказательств, способную определить, имела ли модель достаточно поддержки для оценки компании по критериям, которые действительно имели значение в процессе покупки. Это означало определение того, что считается сильным доказательством, какие документы первого лица достаточно, и когда независимая проверка становится важной.

Заключение

Важнейшим выводом этого проекта стало то, что измерение только первого ответа AI недостаточно. Широкие запросы, подобные PAA, действительно полезны для генерации списка вариантов, которые стоит рассмотреть. Однако текущие инструменты не могут поддерживать состояние, как это делает человеческий рабочий процесс, и агрегировать последовательность запросов, которые большинство пользователей используют. Это означает, что измерение GEO должно стать более сложным и учитывать как видимость, так и готовность к принятию решений. Видимость – это только отправная точка.