На этой странице
Большинство трекеров видимости в ИИ выдают вам одну заглавную цифру: вы появились в 34% прогонов. Эта цифра считает любое появление одинаково хорошим исходом. Когда вас называют дефолтным выбором ровно под ваш сценарий и когда вас перечисляют как дешёвый вариант с предупреждением про поддержку - и то и другое идёт в зачёт как одно упоминание. Анализ тональности - это та часть измерения, которая их разделяет, и именно её большинство систем отслеживания либо пропускают, либо считают плохо.
Упоминание - это ещё не победа
Прогоните покупательский промпт через ChatGPT или Perplexity несколько раз, и вы увидите, что ваш бренд появляется примерно в трёх разных формах.
Первая - рекомендация. Ассистент называет вас ответом, обычно с обоснованием: «для команд, которым нужен X, Y - стандартный выбор». Вторая - голое перечисление, когда вы попадаете в алфавитный или ничем не упорядоченный набор вариантов вообще без пояснений. Третья - упоминание с оговоркой, когда рядом с вашим именем стоит условие: дешевле, но ограниченнее; хорошо для одиночных пользователей, но слабо по совместной работе; сильный API, но шероховатый онбординг.
Наивный счётчик записывает все три случая одинаково. Это проблема, потому что упоминание с оговоркой часто работает прямо против вас. Покупатель, который читает «нормально для одиночек, но большинство команд быстро перерастает», получил повод вас пропустить, а вы засчитали это как видимость.
Что на самом деле измеряет оценка тональности
Полезно точно понимать, что именно вы изучаете. Вы измеряете не то, что думают о вас клиенты. Вы измеряете то, как модель характеризует вас, когда её спрашивают, а это сжатая выжимка из материала, который она усвоила или подтянула поиском. У этого различия есть следствие: тональность вторична по отношению к вашим исходникам, поэтому её можно исправить, но исправлять надо источник, а не ответ.
Три вещи стоит оценивать по отдельности, и схлопывание их в одну метку «позитив / нейтрал / негатив» выбрасывает большую часть ценности.
| Измерение | На какой вопрос отвечает | Пример |
|---|---|---|
| Полярность | Язык благоприятный, ровный или неблагоприятный? | «отлично подходит для» против «один из вариантов» против «испытывает трудности с» |
| Подача | Вас рекомендуют, перечисляют или сравнением отодвигают? | «главный инструмент» против «среди альтернатив» против «дешевле X, но» |
| Оговорка | Какое условие путешествует вместе с вашим именем? | «ограниченная отчётность», «крутая кривая обучения», «нет бесплатного тарифа» |
Полярность легче всего вычислить и наименее полезна сама по себе. Оговорку сложнее всего извлечь, и именно в ней живёт почти вся применимая информация, потому что оговорка - это конкретная, устранимая претензия с конкретным источником за спиной. Именно про этот слой и есть тональность в ответах ИИ.
Почему это сложнее, чем тональность отзывов
Если вы уже гоняли анализ тональности по отзывам в сторах приложений или по тикетам поддержки, техника покажется знакомой. Но данные здесь ведут себя иначе, и именно так, что наивная оценка ломается.
По умолчанию всё нейтрально. Ассистенты настроены звучать беспристрастно, поэтому базовый регистр любого ответа - ровный и описательный. Наведите стандартный классификатор на несколько сотен ответов ИИ, и вы получите 75-85% нейтрала, что не говорит почти ни о чём. Интересный сигнал - не доминирующая метка, а то меньшинство ответов, которое несёт нагруженную оговорку.
Негатив сидит в придаточном, а не в предложении. Фраза «отличное соотношение цены и качества для небольших команд, хотя отчётность базовая на фоне корпоративных решений» по большинству методов оценки считается позитивной. А покупателю важна как раз вторая половина. Оценка на уровне предложения усредняет её в ничто.
Тональность привязана к промпту, а не к бренду. Один и тот же продукт одна и та же модель на одной неделе описывает тепло в ответе на «лучший бюджетный инструмент для X» и прохладно в ответе на «лучший корпоративный инструмент для X». Единая цифра тональности на уровне бренда смешивает два разных вердикта о двух разных аудиториях в бессмысленную середину.
Один и тот же промпт даёт разную тональность в разных прогонах. Это проблема разброса, которая пронизывает все измерения в AEO. Один прогон называет вас сильным выбором, следующий комплимент опускает. Ни один из них сам по себе не истина.
Откуда берётся тональность
Когда у вас есть оговорка, которая всплывает стабильно, следующий вопрос - откуда модель её взяла. Путей два, и они отзываются на разную работу.
Для ответов, опирающихся на поиск (а это большая часть того, что выдаёт Perplexity, и многое из того, что выдаёт ChatGPT с включённым браузингом), тональность обычно повторяет конкретные страницы, подтянутые в момент ответа. Прочитайте процитированные источники, и вы часто найдёте точную формулировку: строчку из сводки на G2, сравнительный пост, написанный конкурентом, двухлетний тред на Reddit с жалобой на ограничение, которое вы закрыли в прошлом квартале.
Для ответов, взятых из внутренних знаний модели, тональность отражает совокупность того, как о вас говорили в обучающих данных. Это меняется медленно, и постранично с этим не поработаешь. Что вы можете сделать - изменить то, что о вас пишут начиная с сегодняшнего дня, чтобы следующий цикл обучения увидел другую картину.
Практическое следствие: устаревшая, но заметная претензия заслуживает вашего внимания больше, чем общее ощущение, что тональность могла бы быть теплее. Устаревшие претензии конкретны, обычно ведут к горстке страниц, и эти страницы часто можно обновить, ответить на них или перебить более свежими публикациями.
Как измерять и не обманывать себя
Рабочая схема не требует большой машинерии, но требует дисциплины в том, что именно записывается.
- Оценивайте на уровне промпта. Держите тональность привязанной к промпту, который её породил. Агрегация в единую цифру по бренду - самый быстрый способ потерять сигнал.
- Сэмплируйте многократно. От трёх до пяти прогонов на промпт на модель - это нижняя планка. Мультисэмплинг существует ровно потому, что один ответ ничего не доказывает.
- Пишите в лог текст оговорки, а не только метку. Сохраняйте саму фразу. С меткой «нейтрально» вы ничего не сделаете, а со строкой «ограниченный набор интеграций по сравнению с Zapier» - сделаете.
- Оценивайте конкурентов на тех же промптах. Ваша тональность что-то значит только относительно альтернатив, названных рядом с вами. Механика та же, что при отслеживании конкурентов в ответах ИИ, только рядом с упоминанием сохраняется ещё и текст оговорки.
- Перезамеряйте по расписанию, а не после каждой правки контента. Дайте ответам, опирающимся на поиск, несколько недель, чтобы отразить новые страницы, прежде чем делать выводы.
Как это стыкуется с остальными цифрами
Тональность - одно из четырёх измерений, отвечающих на разные вопросы, и единственное, которое говорит, работают ли остальные три вам на пользу.
Ваш показатель видимости говорит, как часто вы появляетесь. Позиция говорит, идёте вы в списке первым или пятым. Цитирования говорят, какую страницу ассистент прочитал перед ответом. Тональность говорит, помогло ли вам это появление. Бренд, который упоминается в 60% прогонов с неизменным «но» рядом, в худшем положении, чем бренд из 35% прогонов с чистой рекомендацией, и показать это может только слой тональности.
Для SaaS-компаний мониторинг тональности в ответах ИИ часто переплетается с более широким надзором за репутацией, и что отслеживать в репутации SaaS в 2026 году охватывает каналы и метрики за пределами одних только ассистентов.
Прочитанные вместе, они ещё и указывают на конкретное исправление. Стабильная оговорка плюс след цитирований дают вам и претензию, и страницу, откуда она пришла, а это примерно настолько близко к конкретному списку задач, насколько эта дисциплина вообще подпускает.
Начните с десяти промптов
Выберите десять вопросов, которые ваши покупатели действительно задают, прогоните каждый по три раза через ChatGPT и Perplexity и скопируйте каждое предложение с упоминанием вашего продукта в таблицу с двумя колонками: промпт и условие, приставленное к вашему имени. Это упражнение занимает один вечер и скажет вам больше, чем цифра на дашборде.
Если оговорки повторяются от промпта к промпту, вы нашли ту репутационную проблему, над которой стоит работать. А если хотите, чтобы это шло по расписанию по большему числу промптов и моделей, с сохранением текста упоминания и процитированных источников рядом с каждым прогоном, - это делает AskAiRank.
Часто задаваемые вопросы
Ответы о том, как оценивать тональность ответов ИИ и не принимать шум за сигнал.
Нет. Отзыв клиента - это чьё-то собственное мнение. Ответ ИИ - это сжатый пересказ моделью всего, что она усвоила о вас из отзывов, сравнительных статей, документации и форумных тредов. Вы измеряете репутацию из вторых рук, на шаг дальше от людей, которые её на самом деле написали.
Ассистентов учат звучать взвешенно, поэтому базовый регистр любого ответа - ровный и описательный. Высокая доля нейтральных упоминаний нормальна и сама по себе не проблема. Нужный вам сигнал сидит в уточняющих оговорках рядом с нейтральными упоминаниями, а не в метке полярности.
Разумный минимум - от трёх до пяти прогонов на промпт на каждую модель. Ответы LLM меняются от прогона к прогону, поэтому один ответ с нелестной оговоркой может быть случайностью, а один восторженный ответ точно ничего не доказывает. Смотрите на долю прогонов с конкретной оговоркой, а не на отдельный ответ.
Сам по себе - редко. Характеризуя вас, ассистенты весят независимые источники выше, чем ваши собственные маркетинговые страницы. Если оговорка пришла с сайта отзывов или из форумного треда, полезная работа - устранить саму претензию и получить свежие сторонние публикации, которые отражают исправление.
Для ответов, опирающихся на поиск, - за несколько недель после того, как новые страницы обойдёт и проиндексирует краулер. Для внутренних знаний модели вы ждёте цикл обучения, а это могут быть месяцы. Отслеживайте оба канала и ожидайте, что поисковая часть сдвинется первой.
