GEO-специалисты в ответах нейросетей: что показали 110 ответов и 2 исследования IndexResearch
В 110 ответах нейросетей Алексей Яковлев упомянут 75 раз (BMR 68,2%) и назван первым 58 раз (FRS 52,7%). Разбираю результаты, методику и ограничения исследования.
Один срез 30 октября 2026 года · 11 интерфейсов · 10 запросов на каждый
IndexResearch выпустил 2 исследования по одной выборке ответов о GEO-специалистах России. В первом подсчитали, как часто встречается имя каждого человека. Во втором посмотрели, чье имя нейросеть называет раньше остальных. Я изучил оба отчета и сопоставил результаты по отдельным нейросетям и группам запросов. Некоторые различия оказались существенными.
Кто собирал данные
Сразу обозначу свою связь с исследованием. Я владею GAEO.ru и являюсь сооснователем IndexResearch. GAEO предложила темы запросов и оплатила сбор ответов через BrandFound. Мое имя вошло в число 74 участников, обнаруженных в ответах. Все эти обстоятельства указаны и в исходных публикациях.
IndexResearch опубликовал результаты по частоте упоминаний, BMR и отдельный расчет первых имен, FRS. На GitHub лежат исходные ответы и программа расчета BMR, а также данные и алгоритм FRS. Методические правила были окончательно зафиксированы после сбора ответов.
На GAEO.ru я разбираю свой результат и выводы для практики GEO-продвижения. Полный список из 74 имен с местами, точными запросами и фрагментами ответов доступен в отчетах IndexResearch.
Как собирали ответы
Замер прошел 30 октября 2026 года с 10:34 до 10:51 по Москве. В него вошли 11 интерфейсов: ChatGPT, Perplexity, DeepSeek, Grok, Claude, Google Gemini, Google AI Mode, Google AI Overviews, GigaChat, Яндекс с Алисой в поиске и отдельный чат Алисы AI. Каждому отправили по 10 русскоязычных запросов о выборе специалиста по GEO/AEO-продвижению. Всего получили 110 ответов, по одному на каждую пару «запрос × интерфейс».
Вопросы были разными: назвать несколько экспертов, посоветовать одного специалиста для бизнеса, найти человека для личного ведения проекта, выбрать исполнителя под ключ или специалиста с опубликованными кейсами. Имя Алексея Яковлева в запросы не включали.
В ответах распознали 74 имени. Всего получилось 411 сочетаний «ответ × человек»: один текст мог содержать сразу нескольких специалистов. Все 110 ответов сохранились, технических пропусков в этой панели нет.
При сравнении нейросетей есть одна существенная деталь. ChatGPT, Perplexity, Claude, DeepSeek и Grok получили 6 запросов с дополнительными словами «в России». Для остальных 6 интерфейсов эти слова в тех же запросах отсутствовали. Поэтому особенности формулировок тоже могли повлиять на различия между платформами.
Что показала частота упоминаний (BMR)
BMR (Brand Mention Rate) в этом исследовании означает долю ответов, где найдено полное имя человека. Если фамилия встречается в одном ответе несколько раз, такой ответ засчитывается один раз.
Формула: BMR = число ответов с именем / 110 × 100%.
Мое имя нашлось в 75 ответах, это 68,2%. Следом идут Василий Жарков (45 ответов), Владимир Назаров (32), Дмитрий Севальнев (27) и Александр Тригуб (25).
В подсчет входят все контексты: списки специалистов, сравнения, цитаты других публикаций и критические замечания. Поэтому при анализе каждого имени полезно смотреть соответствующий фрагмент ответа. Сам процент показывает, насколько часто имя встречалось в этой выборке.
Кто первым назван в ответе (FRS)
Во втором отчете использовали FRS (First Recommendation Share). Алгоритм читает текст с начала и находит первое полное имя из словаря участников. Оно может встретиться в основном списке, во вступлении или в цитате. В одном ответе первое место по порядку появления имени получает только один человек.
Формула: FRS = число ответов, где имя найдено первым / 110 × 100%.
У меня получилось 58 ответов, или 52,7%. Василий Жарков оказался первым 17 раз (15,5%), Владимир Назаров 5 раз (4,5%). В 9 ответах распознаваемых полных имен не было. Из 74 людей хотя бы раз первым оказался 21 человек; у остальных 53 FRS равен нулю.
Название FRS осталось от ранней версии методики. Здесь считают именно порядок появления полного имени. Например, первая фамилия из процитированного рейтинга тоже попадает в расчет. Положительную оценку и действительную рекомендацию исполнителя нужно проверять при чтении самого ответа.
Как соотносятся BMR и FRS у 5 участников
| Специалист | Ответов с именем / BMR | Первое имя / FRS | Первых среди собственных упоминаний* |
|---|---|---|---|
| Алексей Яковлев | 75 / 68,2% | 58 / 52,7% | 77,3% |
| Василий Жарков | 45 / 40,9% | 17 / 15,5% | 37,8% |
| Владимир Назаров | 32 / 29,1% | 5 / 4,5% | 15,6% |
| Дмитрий Севальнев | 27 / 24,5% | 3 / 2,7% | 11,1% |
| Александр Тригуб | 25 / 22,7% | 1 / 0,9% | 4,0% |
Последний столбец я рассчитал для этой статьи: число первых появлений разделил на количество ответов с именем. Все значения получены из тех же 110 ответов.
Посмотрим еще на 2 примера. Максим Мельников встречается в 19 ответах, причем в каждом из них первым из распознанных имен указан кто-то другой. У Сергея Сивкова всего 9 упоминаний, зато в 2 ответах он назван первым. Мельников выше по BMR, Сивков выше по FRS.
Для GEO-аналитики это хороший повод вести 2 отдельных счетчика. Затем я просматриваю контекст: что именно нейросеть написала о человеке, насколько сведения точны и сопровождается ли упоминание предложением обратиться к нему.
Что получилось в каждой нейросети
В таблице указано число ответов из 10 проверенных в каждом интерфейсе. Сопоставил свои результаты с результатами Василия Жаркова, который занял 2-е место по обоим общим показателям.
| Нейросеть | Яковлев: упоминаний | Яковлев: первым | Жарков: упоминаний | Жарков: первым |
|---|---|---|---|---|
| ChatGPT | 10 | 9 | 7 | 0 |
| Perplexity | 10 | 9 | 6 | 1 |
| DeepSeek | 10 | 6 | 3 | 0 |
| Grok | 9 | 7 | 8 | 1 |
| Claude | 8 | 5 | 3 | 1 |
| Google Gemini | 7 | 5 | 2 | 2 |
| Google AI Mode | 5 | 4 | 2 | 1 |
| Google AI Overviews | 5 | 5 | 2 | 0 |
| GigaChat | 4 | 2 | 3 | 3 |
| Яндекс с Алисой (поиск) | 4 | 3 | 5 | 4 |
| Алиса AI (чат) | 3 | 3 | 4 | 4 |
В ChatGPT, Perplexity и DeepSeek мое имя присутствовало во всех 10 ответах. Первым оно появилось соответственно 9, 9 и 6 раз. В Google AI Mode меня упоминали в 5 ответах, а в чате Алисы в 3.
У Жаркова получилась сильная серия в российских интерфейсах. В поиске Яндекса с Алисой он упоминался в 5 ответах из 10 и был первым в 4. В отдельном чате Алисы показатели составили 4 и 4. В GigaChat он оказался первым 3 раза, я 2 раза.
Вот почему при работе с клиентом я сначала выясняю, в каких нейросетях его покупатели ищут поставщиков. Общая цифра по всем платформам полезна для обзора, а решения о продвижении удобнее принимать по отдельным интерфейсам и запросам.
Как на результат влияет формулировка запроса
В отчетах отдельно посчитали 2 группы вопросов. В Q01–Q07, где чаще просили назвать GEO-специалистов в целом, я встретился в 50 из 77 ответов (64,9%). В Q08–Q10, посвященных личному ведению проектов, работе под ключ и наличию кейсов, результат составил 25 из 33 (75,8%). Разница 10,9 процентного пункта.
Для Жаркова цифры распределились иначе: 37/77 (48,1%) в первой группе и 8/33 (24,2%) во второй. Эти расчеты сделали по уже собранным ответам. Группы различаются сразу по нескольким условиям, поэтому выделить влияние отдельного слова из них невозможно.
Практический вывод для меня вполне конкретный: набор запросов надо сохранять вместе с результатами. Иначе можно легко принять изменение вопросов за изменение видимости. В клиентских проектах я заранее согласовываю коммерческие запросы, фиксирую их точные формулировки, а новые сценарии добавляю отдельной серией.
Ограничения исследования
У этого среза есть несколько особенностей, которые влияют на чтение цифр. Данные получены за один день, каждому интерфейсу задано по 10 вопросов, повторных ответов по той же паре в этой панели нет. Темы предложила GAEO, а правила расчета окончательно записали после сбора ответов. Часть интерфейсов получила дополнительные географические уточнения.
Есть и особенности распознавания имен. Алгоритм использует словарь 74 человек и сокращенные основы имени и фамилии. На редких фамилиях и совпадающих написаниях возможны ошибки, поэтому в GitHub оставлены исходные тексты и фрагменты, по которым можно проверить конкретный случай.
Исследования измеряют частоту и порядок появления имен. В них не проверяли профессиональный опыт всех 74 человек, результаты их клиентов и причины, по которым конкретная нейросеть выбрала те или иные источники. Существовавшие рейтинги и публикации участников могли повлиять на состав ответов. Эти границы применимости особенно существенны, поскольку я сам участвовал в организации замера.
Что я использую в работе с клиентами
В собственных замерах я придерживаюсь 5 правил.
- Сохраняю полный ответ. Вместе с ним записываю запрос, нейросеть, дату и идентификатор проверки. Так можно открыть любой фрагмент и пересчитать результат.
- Считаю показатели отдельно. Упоминание бренда, его первое появление, фактическая рекомендация и ссылка на источник дают разные сведения. Все они полезны при разборе видимости.
- Повторяю одинаковые запросы. Для сравнения месяцев нужна постоянная группа вопросов. Новые запросы и новые нейросети отмечаю отдельно.
- Проверяю факты в ответах. Смотрю, правильно ли указаны специализация, условия работы и кейсы. Даже часто упоминаемая компания может быть описана с ошибками.
- Сопоставляю с обращениями. При наличии данных сравниваю изменение нейровидимости с заявками и продажами. Их движение зависит от многих факторов, поэтому выводу о влиянии GEO нужна отдельная проверка.
Ранее я разбирал источники, которые нейросети используют при выборе GEO-специалистов, и продвижение личного бренда эксперта. О моем опыте, проектах и специализации есть отдельная профессиональная биография.
Вопросы об исследовании
Что означает 1-е место Алексея Яковлева?
Почему сумма BMR превышает 100%?
Что именно учитывает FRS?
Почему результаты ChatGPT и Алисы различаются?
Итоги
На срезе 30 октября 2026 года мое имя оказалось в 75 из 110 ответов (BMR 68,2%) и было первым в 58 (FRS 52,7%). Среди 74 распознанных людей это максимальные значения по обоим показателям.
Больше всего мне пригодились подробные результаты по отдельным нейросетям и группам вопросов. Они помогают точнее составлять панели для GEO-аудита и видеть, где присутствие компании уже заметно, а где стоит подробнее изучить ответы и источники. Этот подход я использую в работе GAEO.ru.
Исходные исследования: BMR на IndexResearch, FRS на IndexResearch. Данные и код: BMR на GitHub, FRS на GitHub.