AI Visibility Stack: чому фахівці доходять протилежних висновків — і обидва можуть мати рацію

💡 Усі статті, обговорення, новини про AI — в одному місці. Приєднуйтесь до AI спільноти!

За останній рік навколо AI Visibility з’явилася величезна кількість досліджень, кейсів та експериментів. І що більше їх стає, то частіше я помічаю одну дивну закономірність.

Одні експерти стверджують, що структуровані дані допомагають частіше потрапляти до відповідей ChatGPT та інших AI-систем. Інші проводять масштабні дослідження й не знаходять жодного підтвердження цього. Хтось демонструє, що digital PR суттєво збільшив присутність бренду у відповідях штучного інтелекту. Інші повторюють майже ті самі дії — і майже не бачать жодних змін.

На перший погляд здається, що хтось із них обов’язково помиляється. Але з часом у мене виникла інша думка. Можливо, проблема зовсім не в якості досліджень, а дослідники просто намагаються відповісти на різні запитання, навіть не усвідомлюючи цього. І коли я почав дивитися на результати саме з цієї точки зору, багато суперечностей раптом перестали здаватися суперечностями.

Проблема: чому навіть досвідчені фахівці доходять протилежних висновків

Якщо ви стежите за темою AI Visibility, то, напевно, вже помітили одну цікаву особливість. У цій сфері регулярно з’являються дослідження, кейси та експерименти, які суперечать одне одному.

Одні експерти стверджують, що вирішальне значення має структура контенту. Інші проводять схожі експерименти й не бачать жодного ефекту. Хтось показує, що активна PR-кампанія значно збільшила присутність бренду у відповідях ChatGPT та інших AI-систем. Інші повторюють майже ті самі дії — і місяцями не отримують помітних результатів.

Є й окрема дискусія щодо цитувань. Одні вважають, що головна мета — зробити так, щоб AI посилався на ваш сайт як на джерело. Інші наводять приклади, коли бренд суттєво впливає на зміст відповіді, хоча його взагалі не згадують серед джерел.

Найпростіше пояснення — хтось припустився помилки. Можливо, дані були недостатньо якісними. Можливо, експеримент був побудований неправильно. А можливо, хтось просто продає чергову «чарівну» методику оптимізації. Іноді це справді так. Але що більше я досліджую цю тему, то менше вірю, що саме цим можна пояснити більшість суперечностей.

Розгляньмо простий приклад. Компанія оновлює сторінку свого продукту. Минає два тижні, але ChatGPT і далі описує стару версію. Команда робить висновок, що оновлення контенту не впливає на AI.

У той самий час інша компанія оновлює сторінку з порівнянням продуктів. Уже за кілька днів AI-системи починають використовувати цю сторінку під час формування відповідей. Той самий підхід, але зовсім різні результати.

То чи справді обидві команди розв’язували одну й ту саму задачу? Мені здається, що ні. У першому випадку AI, найімовірніше, відповідав на основі знань, які вже були в моделі. У другому — звертався до актуальної інформації з інтернету безпосередньо під час формування відповіді. Це два різні механізми роботи.

І якщо сам механізм різний, то навряд чи варто очікувати, що одна й та сама стратегія оптимізації дасть однаковий результат в обох випадках.

Спостереження: AI Visibility — це не один процес

Я дійшов цього висновку не одразу. Він сформувався поступово, після багатьох випадків, які не вдавалося пояснити звичною логікою. Протягом останніх кількох років мені дедалі частіше траплялися дослідження та практичні кейси, результати яких суперечили одне одному. І в якийсь момент я поставив собі просте запитання:

На якому саме етапі роботи AI було отримано цей результат?

Саме тоді багато що стало на свої місця. Я побачив, що одна й та сама стратегія може виглядати абсолютно неефективною в одному дослідженні й дуже успішною в іншому. Не тому, що одна з робіт була правильною, а інша — ні. А тому, що вони оцінювали різні етапи одного процесу. В одному випадку дослідники перевіряли, чи потрапляє сторінка до набору джерел, з яких AI може обирати інформацію.

В іншому — аналізували, як AI використовує вже знайдені матеріали під час формування відповіді. Це не одна й та сама задача. Це різні етапи одного ланцюга. Цікаво, що схожий підхід дедалі частіше зустрічається й в академічних дослідженнях. У багатьох роботах зазначається, що значна частина суперечливих результатів перестає бути суперечливою, якщо враховувати, на якому етапі формування відповіді проводився експеримент.

Це майже повністю збіглося з тим, що я спостерігав у своїй практиці. Згодом я також почав дивитися на AI Visibility не як на єдиний процес, а як на послідовність окремих етапів. І щоразу повертаюся до одного й того самого висновку.

AI Visibility — це не один процес. Це ланцюг взаємопов’язаних, але незалежних процесів. Кожен із них має власні механізми роботи. Саме тому, коли ми сперечаємося про те, «що працює», дуже часто виявляється, що ми говоримо про різні етапи однієї системи — навіть не усвідомлюючи цього.

Модель: AI Visibility Stack

Сьогодні я уявляю цей процес як багаторівневу модель, яку умовно називаю AI Visibility Stack. Коли користувач ставить запитання ChatGPT, Gemini чи іншій AI-системі, відповідь не з’являється миттєво. Вона проходить через кілька послідовних етапів.

Я називаю їх стеком, тому що кожен наступний рівень залежить від попереднього. Якщо на одному з етапів щось іде не так, усе, що відбувається далі, вже не має значення. Одразу хочу уточнити: це не спроба описати внутрішню архітектуру ChatGPT, Gemini чи будь-якої іншої моделі.

Це практична модель, яка допомагає зрозуміти, на якому саме етапі виникає проблема і чому одна й та сама стратегія може працювати в одному випадку та не давати жодного результату в іншому. Межі між окремими етапами досить умовні. Цілком можливо, що з розвитком AI вони зміняться або стануть деталізованішими.

Але сама ідея розглядати AI Visibility як послідовність незалежних процесів, на мою думку, є корисною.

Етап 1. Рішення шукати інформацію

Перш ніж почати пошук, AI має вирішити, чи потрібен йому взагалі доступ до інтернету. Іноді система звертається до актуальної інформації. А іноді відповідає лише на основі знань, які вже містяться в моделі.

Цей етап повністю прихований від користувача, але саме він часто визначає весь подальший сценарій. Якщо AI не виконує пошук, то навіть ідеально оптимізований сайт не зможе вплинути на конкретну відповідь. Безпосередньо змінити це рішення ми практично не можемо.

Водночас можна поступово зміцнювати присутність бренду в інформаційному просторі: через новини, публікації, експертні матеріали, огляди, галузеві медіа та інші авторитетні джерела. Саме так формується інформаційне середовище, яке майбутні версії моделей можуть використовувати під час навчання.

Етап 2. Пошук джерел (Retrieval)

Якщо AI все ж вирішує звернутися до інтернету, наступний крок — знайти потенційні джерела інформації. На цьому етапі процес багато в чому нагадує роботу класичних пошукових систем. AI формує один або кілька пошукових запитів, після чого підбирає документи, які, на його думку, можуть містити потрібну відповідь.

Саме тут продовжують працювати знайомі принципи SEO. Чи можуть AI-боти отримати доступ до ваших сторінок? Чи відповідає контент реальним запитанням користувачів? Чи є інформація актуальною? Чи достатньо вона релевантна темі?

Усе це й надалі має велике значення. Водночас важливо пам’ятати, що AI використовує власні механізми пошуку. Він сам формує пошукові запити та застосовує власні алгоритми відбору документів. Тому високі позиції в Google ще не означають, що саме ваша сторінка потрапить до набору джерел, який використовуватиме AI.

Етап 3. Відбір інформації (Selection)

Після пошуку AI зазвичай отримує набагато більше матеріалів, ніж може використати. Тому наступний крок — відбір. Система визначає, які документи найбільше підходять для відповіді на конкретне запитання. На цьому етапі недостатньо просто потрапити до списку знайдених джерел.

Сторінка має максимально чітко, повно та зрозуміло відповідати саме на те запитання, яке ставить користувач. Водночас ви не можете вплинути на те, які ще матеріали AI відібрав разом із вашим. Тут конкуренція відбувається вже не з результатами пошуку, а з іншими джерелами, які система одночасно розглядає для формування відповіді.

Етап 4. Формування відповіді (Synthesis)

Після відбору AI починає створювати фінальну відповідь. Саме тут, на мою думку, виникає одна з найважливіших відмінностей, яку сьогодні часто недооцінюють.

Бути використаним AI — не те саме, що бути процитованим.

Матеріал може суттєво вплинути на зміст відповіді й при цьому отримати мінімальне посилання або взагалі залишитися без явного цитування. І навпаки — сторінка може бути зазначена серед джерел, але майже не вплинути на фінальний текст.

З моїх спостережень і з того, що показують окремі дослідження, найкраще працює контент, із якого AI легко може отримати потрібну інформацію. Чіткі визначення. Конкретні цифри. Добре структуровані пояснення. Порівняння. Таблиці. Завершені логічні блоки. Саме такий матеріал моделям найпростіше інтегрувати у власні відповіді.

Етап 5. Взаємодія користувача (Presentation & Behavior)

Останній етап починається тоді, коли готову відповідь бачить людина. Користувач читає текст. Переходить за посиланнями. Запам’ятовує бренд. Або просто закриває сторінку.

Саме тут AI Visibility перетворюється на реальну бізнес-цінність. Можна часто з’являтися у відповідях AI й не отримати жодного нового клієнта. А можна лише один раз справити правильне враження — і користувач пізніше сам знайде ваш бренд. Саме тому цей етап є найважливішим для бізнесу. І водночас — одним із найменш досліджених.

Чому саме п’ять етапів?

Чи означає це, що їх обов’язково має бути саме п’ять? Навряд чи. За потреби цю модель можна деталізувати. Наприклад, окремо виділити індексацію та обхід сторінок AI-ботами або розглядати доступність джерел як самостійний етап. Але для мене головне не кількість рівнів. Найважливіша думка значно простіша.

AI Visibility — це не один процес.

Це ланцюг незалежних процесів. Кожен із них працює за власними правилами. Кожен реагує на різні сигнали. І кожен може завершитися невдачею незалежно від інших. Саме тому одна й та сама стратегія може чудово працювати на одному етапі — і майже не давати результату на іншому.

Що змінюється на практиці

Для мене головна цінність цієї моделі полягає не в тому, що вона пояснює, як працюють AI-системи. Вона допомагає правильно визначити, де саме виникає проблема.

Замість запитання:

«Чому нас не видно в AI?»

з’являється інше, набагато корисніше:

«На якому саме етапі ми втрачаємо видимість?»

Саме відповідь на це запитання визначає, що варто робити далі.

Коли AI використовує застарілу інформацію

Припустімо, ви оновили інформацію про свою компанію, але ChatGPT й далі описує її так, як кілька місяців тому. Це зовсім не означає, що проблема у вашому сайті. Найімовірніше, AI відповідає на основі знань, які вже були в моделі, а не виконує пошук актуальної інформації в інтернеті. У такій ситуації повторне оновлення сторінок навряд чи швидко змінить результат.

Набагато важливіше поступово посилювати інформаційну присутність бренду: через новини, публікації, експертні матеріали, галузеві медіа та інші авторитетні джерела. Тут результат вимірюється радше оновленнями самих моделей, ніж швидкістю індексації сайту.

Коли AI не використовує ваш контент

Інша ситуація. Сайт технічно доступний, контент якісний, але AI майже ніколи не використовує його як джерело. У такому разі проблема, найімовірніше, виникає на етапі Retrieval або Selection. Тоді варто поставити собі інше запитання:

Чи є на сайті сторінки, які прямо й повністю відповідають на конкретні запитання користувачів?

Саме на запитання. А не просто добре розкривають тему загалом. Дуже часто саме ця різниця виявляється вирішальною.

Коли вас цитують, але не використовують ваші ідеї

Буває й інша ситуація. AI регулярно посилається на ваш сайт, але самі відповіді майже не містять ваших визначень, висновків чи підходів. Найімовірніше, проблема виникає вже на етапі Synthesis. Тобто AI знаходить ваші матеріали, але під час формування відповіді більше покладається на інші джерела.

Не тому, що вони обов’язково кращі. А тому, що інформація в них подана чіткіше, логічніше або її легше інтегрувати у відповідь. Недостатньо лише потрапити до списку джерел. Потрібно, щоб AI міг легко використати саме ваші ідеї.

Як по-іншому читати дослідження та кейси

Ця модель також змінює мій підхід до читання досліджень, кейсів і обіцянок різних сервісів.

Коли хтось говорить:

«Цей метод значно покращує AI Visibility»,

у мене одразу виникає зустрічне запитання:

На якому саме етапі це було виміряно?

Тому що успішний експеримент усередині вже знайденого набору документів ще не означає, що цей самий метод допоможе потрапити до цього набору. І навпаки — дослідження, присвячене пошуку джерел, майже нічого не говорить про те, як AI використовуватиме ці джерела під час формування відповіді.

Кожен етап відповідає на різні запитання. І саме тому, як мені здається, значна частина сучасних суперечок навколо GEO виникає через те, що фахівці аналізують різні етапи одного процесу, а потім порівнюють результати так, ніби йдеться про один і той самий експеримент.

Чому одного AI Visibility Score недостатньо

Саме тому я дедалі менше вірю в існування універсального показника на кшталт AI Visibility Score.

На практиці набагато корисніше послідовно відповісти на кілька окремих запитань:

• Чи звертається AI до пошуку інформації у нашій тематиці?
• Якщо так, чи потрапляє наш контент до знайдених джерел?
• Якщо потрапляє, чи обирає AI саме наші матеріали?
• Якщо обирає, чи використовує наші ідеї під час формування відповіді?
• І чи впливає все це на поведінку користувачів та бізнес-результати?

Це п’ять різних запитань, кожне з них описує окремий етап AI Visibility. А отже, кожне потребує власних метрик, власного аналізу та власного підходу до оптимізації.

Де я можу помилятися

Мені здається важливим одразу окреслити межу між тим, у чому я достатньо впевнений, і тим, що поки залишається лише робочою гіпотезою.

Навколо AI Visibility сьогодні надто багато категоричних тверджень, які звучать переконливо, але далеко не завжди мають достатньо доказів.

Що здається достатньо добре підтвердженим

Деякі речі сьогодні вже можна вважати досить надійно встановленими. Сучасні AI-системи не звертаються до інтернету для кожного запиту. Вони окремо вирішують, чи потрібен пошук у кожному конкретному випадку.

Також добре відомо, що пошук інформації та генерація відповіді — це різні процеси. І нарешті, численні дослідження показують, що високі позиції в Google самі по собі не гарантують появи у відповідях AI. Ці висновки підтверджуються як документацією платформ, так і незалежними дослідженнями.

Що підтверджують дослідження, але поки не остаточно

Є й результати, які виглядають переконливо, але все ще потребують обережного ставлення. Наприклад, різниця між цитуванням джерела та його реальним впливом на зміст відповіді.

Або те, що результати експериментів суттєво залежать від того, який саме етап AI-процесу досліджувався. На мою думку, ці висновки заслуговують на увагу.

Проте вони поки що базуються на відносно невеликій кількості наукових робіт, а різні AI-системи можуть поводитися по-різному. До того ж вони дуже швидко змінюються.

Що базується на моїх спостереженнях

Є також закономірності, які походять не з академічних досліджень, а з практики. Наприклад, я неодноразово спостерігав, що AI поводиться по-різному, коли відповідає на основі вже наявних знань моделі й коли використовує актуальний пошук в інтернеті.

Або те, що матеріали з чіткими визначеннями, конкретними фактами, порівняннями та завершеними логічними блоками значно частіше впливають на фінальну відповідь AI. Я регулярно бачу ці закономірності у своїй роботі. Але це все ще спостереження, а не результати контрольованих експериментів.

Що залишається гіпотезою

І нарешті, сама модель AI Visibility Stack. Важливо розуміти, що це моя робоча модель. Вона не є описом внутрішньої архітектури ChatGPT, Gemini чи будь-якої іншої AI-системи.

Я не стверджую, що сучасні моделі працюють саме так. Швидше, це спосіб упорядкувати власні спостереження й пояснити ті суперечності, які постійно виникають у дослідженнях і практичних кейсах. Цілком можливо, що з часом окремі етапи цієї моделі доведеться розділити на дрібніші.

А можливо, навпаки — деякі з них виявляться частинами одного процесу. Я відкритий до обох варіантів. Для мене головне не те, щоб ця модель виявилася абсолютно точною. Її цінність у тому, що вона допомагає ставити правильні запитання, краще інтерпретувати результати досліджень і розуміти, чому одна й та сама стратегія може чудово працювати в одній ситуації та майже не працювати в іншій.

Головна думка

Протягом останніх двадцяти років у пошуковій оптимізації був один зрозумілий орієнтир. Позиція сайту в результатах пошуку. Достатньо було подивитися, на якому місці знаходиться сторінка за потрібним запитом, щоб зрозуміти, чи рухаєтеся ви вперед.

З AI Visibility усе інакше. Тут уже немає одного універсального показника, який міг би об’єктивно описати успіх або невдачу. Замість єдиної «турнірної таблиці» ми отримуємо ланцюг взаємопов’язаних процесів. І, як у будь-якій складній системі, важливо не просто знати, що щось працює не так.

Важливо зрозуміти, де саме виникає проблема. Ніхто не оцінює виробничий чи логістичний ланцюг запитанням:

«Він взагалі працює?»

Натомість запитують:

«На якому етапі стався збій?»

Мені здається, саме такий підхід поступово стає нормою і для AI Visibility. Фахівці, які найшвидше адаптуються до нової реальності, перестають ставити загальне запитання:

«Чому нас не видно в AI?»

Натомість вони ставлять інше, набагато корисніше:

«На якому саме етапі ми втрачаємо видимість?»

Саме це запитання допомагає знайти конкретну причину. І саме воно підказує, що потрібно робити далі.

Перше запитання звучить простіше. Але, як показує практика, саме друге допомагає рухатися вперед.

Я не вважаю цю модель завершеною. Навпаки, сподіваюся, що з часом вона стане точнішою, доповниться новими спостереженнями й, можливо, зміниться.

Якщо у вашій практиці були випадки, які не вписуються в цю модель, або ви вважаєте, що окремі етапи варто розділити, об’єднати чи описати інакше, мені буде дуже цікаво почути вашу думку. Можливо, саме такі дискусії допоможуть нам краще зрозуміти, як насправді працюють сучасні AI-системи.