Перевірте видимість своєї компанії у ШІ
Безкоштовно, без кредитної картки.
Основні результати дослідження Semly
Видимість бренду в ШІ варто досліджувати з огляду на потреби людини, яка ставить питання, та перебіг її розмови з моделлю. Поява бренду у відповіді на загальний запит ще не означає, що система рекомендує його користувачеві, якому підходить пропозиція. У методі Semly Леон бере на себе роль користувача, описаного персоною, і формує контекст у розмові, перш ніж поставити цільове питання про купівлю.
У Semly ми розвиваємо цей підхід із ШІ-агентом Леоном. Протягом шести місяців ми проводили дослідження й експерименти із запитами до ChatGPT і Gemini. Наданий для звіту набір даних охоплює 1,2 млн запитів, 24 агреговані записи та 12 порівняльних пар. Аналіз включає шість когорт і два підходи до підготовки контенту: без персони та з персоною.
Середній час досягнення тієї самої цілі видимості становив 100 днів без персони й 70 днів із персоною. Це скорочення на 30%, тобто в середньому на 30 днів. Релевантність контенту зросла з 61,5% до 77,5% - на 16 відсоткових пунктів. В обох системах спостерігаємо однаковий напрям різниці.
Результати підтримують застосування персон у плануванні контенту й аналізі видимості. Вони дають основу для конкретнішого брифу: для кого створюється матеріал, які критерії вибору він має пояснювати та на які заперечення відповідати. Повторюваність відповідей і вплив на конверсію потребують окремих показників; цей набір даних не дозволяє чисельно оцінити їхній ефект.
| Інформація | Значення | Основа |
|---|---|---|
| Обсяг робіт | Шість місяців, ChatGPT і Gemini | Опис дослідження Semly |
| Запити в наборі даних | 1 200 000 | Сума лічильників на початку та наприкінці вимірювання |
| Структура порівняння | 24 записи, 12 пар | 6 когорт × 2 системи × 2 підходи |
| Середній час до цілі | 100 проти 70 днів | Скорочення на 30% |
| Релевантність контенту | 61,5% проти 77,5% | 16 відсоткових пунктів; 1200 оцінок на підхід |
| Повторюваність і конверсія | Немає числового показника в даних | Окремі напрями оцінювання |
Чому саме питання не описує потреб клієнта
Запит «Де купити зручне взуття для бігу?» не визначає покриття, досвід, бюджет чи спосіб використання. Рекомендація може стосуватися широкої категорії товарів, тоді як бренду потрібно знати, чи він охоплює любителя бігу в лісі, початківця на асфальті або учасника змагань.
Інформація «Я бігаю для задоволення переважно лісовими стежками й шукаю взуття для коротких тренувань» звужує ситуацію. У підході Semly Леон може представити цей контекст на початку розмови, а після інтерпретації відповіді перейти до цільового питання. Основна потреба в купівлі залишається тією самою, але умови вимірювання охоплюють персону, намір і попередні повідомлення. Це важливо для інтерпретації зростання чи зниження видимості.
Персона визначає роль і сценарій користувача, які Леон використовує в розмові з моделлю. Агент формує власний контекст, наближаючи дослідження до того, як людина користується чатом. Це не відтворення історії конкретного реального користувача. Варто починати з потреб і обмежень, пов’язаних із продуктом. Вік, стать та інші демографічні ознаки мають бути обґрунтовані досліджуваним сценарієм.
Офіційні рекомендації OpenAI і Google вказують, що релевантний контекст допомагає визначити завдання та його обмеження [1][2]. Це основа для проєктування запитів.
Як ШІ-агент Леон поєднує знання про бренд із контекстом користувача
Леон створює персони на основі знань про бренд, його продукти, послуги та наявний контент. Потім у дослідженні виконує роль користувача з обраним профілем. Починає розмову, представляється моделі й інтерпретує отриману відповідь. На цій основі визначає, коли може поставити цільовий запит із контекстом і наміром. Результат відповідає на практичне питання: чи враховує ШІ бренд у розмові людини, чиї потреби відповідають пропозиції?
Така роль Леона поєднує моніторинг із плануванням контенту. У відповідях можна шукати критерії вибору, заперечення та інформацію, якою модель обґрунтовує рекомендації. Якщо на сайті бренду бракує даних для певного сценарію, аналіз може привести до брифу щодо доповнення контенту.
Леон веде розмову в ролі користувача
Дослідження Леона має форму розмови. Спочатку агент представляється моделі в ролі досліджуваного користувача відповідно до обраної персони. Так він вводить ситуацію та потреби людини. Отримавши відповідь, читає її й інтерпретує щодо мети розмови.
Інтерпретація відповіді є частиною роботи агента. Леон оцінює, чи вже може перейти до цільового питання. Його момент визначається перебігом розмови й отриманою відповіддю. Цільовий запит містить контекст і намір користувача та з’являється в розмові, де модель уже має попередні відомості про нього.
Цей спосіб запитування ближчий до користування чатом людиною. Користувач описує ситуацію, читає відповідь і на її основі формулює наступне питання. Леон виконує цю роль у дослідженні, тому рекомендацію бренду можна аналізувати в контексті розмови, що розвивається.
Намір визначає рішення, яке хоче ухвалити користувач. У прикладі з бігом контекстом може бути любительський біг лісовими стежками, а наміром - вибір і купівля відповідного взуття. Леон просить рекомендацію, коли інтерпретував попередню відповідь і визначив, що може поставити цільове питання.
Для інтерпретації результату важлива вся історія розмови. Однаковий текст фінального питання може давати різні відповіді, якщо попередні повідомлення вводять різні потреби. Тому в дослідженні слід ідентифікувати і цільовий запит, і розмову, у якій його поставили.
Опис процесу пояснює роль Леона та причину наближення дослідження до взаємодії в чаті. Проте надані агрегати не відокремлюють ефект представлення, інтерпретації відповіді чи вибору моменту питання. Ми не приписуємо результати 30% і 16 відсоткових пунктів окремо жодному з цих етапів.
| Етап розмови | Дія Леона | Значення для дослідження |
|---|---|---|
| Представлення | Бере роль користувача відповідно до персони й починає розмову | Вводить ситуацію та потреби |
| Відповідь моделі | Отримує та інтерпретує відповідь | Враховує перебіг розмови |
| Рішення про наступне питання | Визначає, коли може поставити цільовий запит | Пристосовує момент до відповіді |
| Запит із наміром | Ставить цільове питання з контекстом і наміром у цій розмові | Дозволяє оцінити рекомендацію в контексті користувача |
Що означає скорочення часу на 30 відсотків
Набір даних передбачає спільну початкову видимість 20% і спільну ціль 40%. Видимість визначено як кількість відповідей, що рекомендують бренд, поділену на кількість запитів. Це приріст на 20 відсоткових пунктів. Підходи описують підготовку контенту, а результати оцінюються щодо тієї самої цілі та панелі питань, відповідно до припущень набору даних.
Середній час до цілі становить 100 днів без персони та 70 днів із персоною. Скорочення обчислюємо як (100 - 70) / 100 × 100%, тобто 30%. Різниця - 30 днів. Точне формулювання: «на 30% менше часу для досягнення тієї самої цілі».
Для команди, яка підвищує видимість, це потенційно означає коротший цикл від визначення потреб до запланованого результату. Операційна інтерпретація важлива: точніше спрямований контент може зменшувати потребу в подальших правках. Однак дані не відокремлюють час роботи редакції та окремі причини різниці, тому ми не приписуємо весь ефект лише автоматизації Леона.
Дані містять початковий рівень, кінцевий рівень і час до цілі, без щоденного ряду видимості. Тому графік показує час до спільного результату. На цій основі ми не будуємо криву, яка створювала б враження рівномірного наростання ефекту.
Графік 1. Середній час до спільної цілі 40% видимості: 100 і 70 днів. Основа: 12 порівняльних пар у даних Semly. Різниця: 30 днів, тобто скорочення на 30%.
Релевантність контенту й точність відповідей - різні показники
Релевантність контенту означає частку оцінених матеріалів, визнаних відповідними потребам персони. Кожен запис містить 100 оцінок. Без персони сумарно маємо 738 релевантних матеріалів із 1200, із персоною - 930 із 1200. Це відповідно 61,5% і 77,5%.
Різниця становить 16 відсоткових пунктів. Відносне зростання щодо початкових 61,5% - приблизно 26,0%. Це два способи описати ті самі дані, але різні одиниці. У тексті й на графіку основною мірою залишається різниця у відсоткових пунктах.
Релевантність контенту не дорівнює правдивості відповіді моделі. Відповідь може відповідати потребам і водночас містити неправильну характеристику продукту. Точність варто оцінювати окремо: чи враховує модель вимоги, чи доречна рекомендація й чи підтверджують джерела наведену інформацію?
Результат 77,5% показує вищу частку матеріалів, що відповідають потребам, у підході з персоною. Він дозволяє говорити про релевантніший добір контенту в цьому наборі даних. Оскільки доступні лише агрегати без індивідуальних оцінок і детальної рубрики, звіт не заявляє статистичної значущості й не ототожнює релевантність із фактичною правильністю всіх відповідей ШІ.
Графік 2. Релевантність контенту: 61,5% і 77,5%, різниця 16 відсоткових пунктів. Основа: 1200 оцінок на підхід у даних Semly. Показник описує відповідність потребам персони, а не коефіцієнт конверсії.
Результати для ChatGPT і Gemini
Для ChatGPT середній час до цілі - 95 днів без персони та 66,5 дня з персоною. Для Gemini - 105 і 73,5 дня. В обох системах це скорочення на 30%. Порівняння показує однаковий напрям різниці в аналізованих групах.
Релевантність у записах ChatGPT становить 60,5% без персони й 76,5% із персоною. Для Gemini - 62,5% і 78,5%. У кожній системі різниця дорівнює 16 відсотковим пунктам. Кожна комбінація системи й підходу містить 600 оцінок контенту.
Поділ результатів за системами допомагає перевірити, чи загальне середнє не приховує різних результатів. У цьому наборі різниці між підходами узгоджуються в ChatGPT і Gemini. Це не рейтинг якості самих моделей: час і релевантність описують досліджувані дії та контент.
На практиці варто вести окремі профілі видимості для кожної системи. Ті самі матеріали й потреби можуть подаватися по-різному. Тоді рекомендації Леона можна оцінювати для конкретної системи та сценарію, не зводячи всю присутність бренду до одного числа.
Графік 3. Середній час до спільної цілі в ChatGPT і Gemini. Основа: 6 порівняльних пар на систему, дані Semly. Результат описує аналізовані підходи, а не рейтинг якості моделей.
| Система ШІ | Час без / з персоною | Релевантність без / з персоною |
|---|---|---|
| ChatGPT | 95 / 66,5 дня | 60,5% / 76,5% |
| Gemini | 105 / 73,5 дня | 62,5% / 78,5% |
Результати в шести когортах
Набір охоплює когорти M1-M6. Середній час, обчислений у кожній когорті для двох систем, без персони становить 75, 85, 95, 105, 115 і 125 днів. Із персоною - 52,5, 59,5, 66,5, 73,5, 80,5 і 87,5 дня.
Різниця помітна як за коротких, так і за довгих строків. У M1 вона становить 22,5 дня, у M6 - 37,5 дня. В усіх наданих парах час із персоною дорівнює 70% часу без неї. Ми прямо показуємо цю сталу залежність і не трактуємо її як міру повторюваності відповідей моделей.
M1-M6 - це когорти, а не шість послідовних вимірювань видимості одного бренду. Зростання часу не слід читати як погіршення ефективності в наступні місяці. Для аналізу сезонності й змін потрібні календарні дати та щоденні або щотижневі вимірювання.
Повна оцінка часу до цілі має також показувати випадки, що не досягли порога до завершення спостереження. Надані дані не виокремлюють таких випадків. Це слід враховувати під час проєктування наступних порівнянь.
Графік 4. Час до цілі в шести когортах, середнє двох систем, дані Semly. M1-M6 не є щомісячним рядом видимості одного бренду.
Те саме питання для кількох персон
У межах робіт Semly ми також досліджували те саме базове питання для кількох персон. Леон бере роль користувача кожного профілю й веде розмову перед цільовим питанням. Це дозволяє визначати вплив потреб, наміру й попереднього контексту на рекомендації та корисну для купівлі інформацію. Для бігового взуття можна порівняти початківця на асфальті, любителя бігу в лісі та користувача тривалих тренувань на пересіченій місцевості. Матриця нижче ілюструє метод і не є транскриптом відповідей дослідження.
У кожній відповіді варто фіксувати рекомендовані бренди, аргументи вибору, технічні вимоги, заперечення й цитовані URL. Порівняння показує інформацію, спільну для різних сценаріїв, і ту, що стосується лише конкретної потреби. Бриф може містити спільне ядро теми та додаткові розділи для відмінностей.
Semly використовує ці спостереження для релевантніших контентних рекомендацій. Проте надані дані не містять ідентифікаторів персон, повних запитів чи відповідей моделей. Тому звіт не приписує числовий ефект конкретній персоні й не ранжує рекомендовані нею бренди.
| Ілюстративний сценарій | Питання для аналізу відповіді | Можливий контент |
|---|---|---|
| Початківець, короткі маршрути асфальтом | Чи згадуються зручність і посадка? | Вибір першої пари, розмір і використання |
| Любительський біг лісовими стежками | Чи враховує відповідь покриття та зчеплення? | Умови місцевості й порівняння підошов |
| Тривалі тренування на пересіченій місцевості | Які обмеження та характеристики називає модель? | Порівняння рішень для тривалого навантаження |
Як відповіді кількох персон перетворюються на контентний бриф
Розмова може дати інформацію для брифу ще до фінальної рекомендації. Попередня відповідь моделі може виявити критерії, які слід пояснити, а цільове питання Леона пов’язує їх із наміром користувача. Аналіз усього діалогу допомагає знайти контент для різних етапів ухвалення рішення.
Спочатку треба відокремити критерії вибору від назв брендів. Перелік рекомендованих компаній сам по собі не пояснює їхньої появи. Для редакції корисніше знати, що користувач потребує порівняння застосувань, пояснення сумісності чи зрозумілих умов повернення.
Далі ці потреби слід зіставити з матеріалами бренду. Відсутня відповідь може обґрунтувати оновлення наявної сторінки. Відмінності між групами користувачів можуть виправдовувати окремий розділ чи порівняння. Рішення має виходити з користі для людини, а не механічного множення сторінок для кожної персони.
Бриф може включати сценарій користувача, рішення, яке треба ухвалити, головні критерії, перевірювані дані про продукт, заперечення та джерела. Якщо аналіз стосується лісових маршрутів, матеріал має пояснювати використання й обмеження продукту.
Такий контент може бути релевантнішим для людини, яка прийшла з відповіді ШІ. Це обґрунтовує гіпотезу кращої конверсії. Проте її підтвердження потребує порівняння поведінки користувачів і результатів продажів після впровадження.
Повторюваність потребує повторних вимірювань
Сталий опис персони й узгоджені правила розмови полегшують порівняння вимірювань. Оскільки Леон інтерпретує відповідь перед цільовим питанням, слід контролювати історію розмови та правила рішення. Повторюваність процесу й узгодженість фінальних відповідей варто вимірювати окремо.
У запропонованому тесті треба зберігати версію моделі, режим пошуку, мову, локацію та правила початку сесії. Варто порівнювати і повні розмови з тією самою персоною та метою, і відповіді за ідентично відтвореного контексту. Перше порівняння оцінює мінливість усього процесу, друге - фінальної відповіді. Базову панель і панель із персонами слід вести паралельно.
Можна вимірювати стабільність присутності бренду, узгодженість множин рекомендованих брендів і збіг цитованих джерел. Для множин A і B простою мірою є частка спільних брендів у множині всіх брендів з обох відповідей. Якщо обидві множини порожні, потрібне окреме правило звітування.
Повторюваність усередині однієї персони та відмінності між персонами відповідають на різні питання. Стабільні рекомендації для профілю можуть співіснувати з чіткими відмінностями між профілями. Упорядковані описи Леона допомагають зберігати узгоджені умови запитування. Але дані не містять міри збігу послідовних відповідей, тому ми не визначаємо величину покращення повторюваності.
Як перевірити вплив на конверсію
Бізнес-вимірювання має розрізняти появу бренду у відповіді, цитування його сайту, перехід користувача та виконання дії. Кожен етап потребує власного показника. Кількість рекомендацій не є кількістю відвідувань, а відвідування - не кількість покупок.
Після впровадження контенту варто відстежувати сесії з розпізнаваних джерел ШІ, залученість, комерційні запити, транзакції та дохід. Частина трафіку може не мати однозначної позначки джерела, тому охоплення визначених сесій потрібно описати. Коефіцієнт конверсії має чіткий знаменник, наприклад кваліфіковані сесії.
Надійнішу оцінку дає порівняння схожих сторінок чи груп контенту за однакового визначення конверсії та періоду спостереження. Треба фіксувати інші зміни: акції, ціни, доступність товарів і кампанії. Інакше зростання продажів можна помилково приписати контентній стратегії.
Отже, звіт висуває конкретну гіпотезу: контент, пов’язаний із реальними потребами, може допомагати ухвалювати рішення. Величину впливу на продажі ще треба виміряти. У таблиці немає сесій, лідів чи транзакцій.
Що зміна методології означає для результату видимості
Персони та розмови Леона змінюють умови запитування моделей. Відповідь на цільовий запит також враховує попередні повідомлення. Результат може зрости, якщо бренд краще відповідає потребам, або знизитися, якщо система обере іншу пропозицію. Порівняння мають враховувати і текст питання, і формування контексту розмови.
Найпрозоріше рішення - показувати результати базової панелі та панелі з персонами поруч. Якщо потрібне спільне середнє, ваги персон мають випливати з явних припущень про аудиторію. Рівні ваги є простим аналітичним варіантом, але не доводять однакової частки кожної групи в реальному попиті.
Відповідність потребам важлива також у виборі персон. Профіль лише з погляду пропозиції може оминати бар’єри купівлі чи ситуації, у яких продукт не підходить. Варто включати складні сценарії, а не формувати панель тільки з користувачів, яким легко рекомендувати бренд.
Підсумок звіту
Дослідження Semly показує, що персони допомагають краще пристосовувати контент до потреб і скорочувати час підвищення видимості в ШІ. У проаналізованих даних середній час до спільної цілі становив 100 днів без персони й 70 днів із персоною - на 30% менше. Релевантність зросла з 61,5% до 77,5%, тобто на 16 відсоткових пунктів. Такий самий напрям різниці зафіксовано в ChatGPT і Gemini.
Леон надає цьому підходу форми розмови. Агент діє як користувач: представляється відповідно до персони, інтерпретує відповідь моделі й визначає момент для цільового питання з контекстом та наміром. Semly аналізує рекомендації в умовах, ближчих до користування чатом людиною.
Те саме базове питання для кількох персон допомагає визначити різні критерії вибору, заперечення та інформаційні потреби. З цих спостережень можуть виникати конкретніші брифи, порівняння й матеріали для ухвалення рішень. Вища релевантність підтримує цей підхід; вплив на конверсію потребує окремого вимірювання поведінки та бізнес-результатів.
Узгоджені персони й правила розмови створюють основу для порівнюваного моніторингу. Проте повторюваність відповідей треба оцінювати в подальших вимірюваннях із урахуванням історії та умов запитування. Результати не визначають числового покращення повторюваності чи зростання конверсії.
Практичний висновок для брендів зрозумілий: досліджувати, кому й у якій ситуації ШІ рекомендує пропозицію, та використовувати цю інформацію для розвитку контенту. Так Semly поєднує моніторинг видимості з дослідженням контексту, наміру й рекомендацій моделей.
Джерела
Матеріал Semly: «Понад мільйон запитів, шість місяців досліджень. Чому Semly впроваджує персони в моніторинг видимості в ШІ» та доповнення про розмови Леона - джерела опису агента й дослідницьких робіт.
[1] OpenAI, Prompt engineering. Рекомендації щодо релевантного контексту в запитах. https://developers.openai.com/api/docs/guides/prompt-engineering
[2] Google AI for Developers, Prompt design strategies. Рекомендації щодо контексту й обмежень завдання. https://ai.google.dev/gemini-api/docs/prompting-strategies
[3] Franziska Weeber, Vera Neplenbroek, Jan Batzner, Sebastian Padó, One Persona, Many Cues, Different Results: How Sociodemographic Cues Impact LLM Personalization, ACL 2026. https://aclanthology.org/2026.acl-long.2079/
Поділитися:
