1. Введение: проблема измерения ИИ-выдачи
Традиционные методы поисковой аналитики опирались на условно-детерминированные показатели: позицию в ТОП-10/20, видимость по частотному ядру, CTR сниппета и профиль обратных ссылок (PageRank).
Появление генеративных поисковых интерфейсов — Яндекс.Нейро («Обзор от Алисы»), ChatGPT Search (с нативным веб-поиском) и Google AI Overviews (SGE) — привело к трем фундаментальным проблемам измерения:
- Стохастичность и температурный шум LLM: В отличие от классических поисковых баз данных, языковые модели генерируют ответ на основе вероятностного распределения токенов при температуре генерации T > 0. Один и тот же бренд может быть процитирован в первой итерации и опущен во второй.
- Search-Citation Gap (SCG) — разрыв видимости: Нахождение сайта на 1–3 месте в классической органической выдаче больше не гарантирует попадание в ответ нейросети. Генеративный RAG-модуль отсекает страницы с классической переоптимизацией в пользу структурированных первоисточников и сводных данных.
- Точность поверхности измерений: Парсинг обычных ссылок поисковой выдачи и парсинг синтезированного генеративного блока (AI Answer) — разные срезы одной и той же видимости, и для итоговой оценки цитирования приоритет у второго: именно он и его явный массив источников (citation graph) ближе всего к тому, что реально видит пользователь ИИ-поиска.
Стандарт FastUp GAS (Generative Audit System) v1.4 — открытый, математически формализованный протокол для измерения присутствия, полноты знаний и фактологической точности отображения брендов и экспертов в генеративных системах. Стандарт зарегистрирован в мировом графе знаний Wikidata (сущность Q141063189).
2. Архитектура стандарта FastUp GAS v1.4 и внедрение в GEO-продвижение
2.1. Контур из трех поисковых сред
Замер производится параллельно по трем изолированным генеративным движкам:
- Яндекс.Нейро / «Обзор от Алисы»:
- Поверхность замера: блок генеративного ответа
<ai>и структурированный массив ссылок-источников<item>(через Yandex Cloud Search API v2 / XMLRiver). - Особенность: жесткая локальная привязка к региону поиска (lr=157 для Беларуси/Минска) и графу Яндекса.
- ChatGPT Search:
- Поверхность замера: генеративный ответ OpenAI Responses API с активным инструментом
web_search. - Особенность: семантическая декомпозиция поисковых запросов в реальном времени с обращением к глобальному и локальному веб-индексу.
- Google AI Overviews:
- Поверхность замера: блок AI Overview и сопутствующий граф источников (Google Search API).
- Особенность: строгий E-E-A-T фильтр и опора на сущности Google Knowledge Graph.
FASTUP GAS v1.4 PIPELINE
│
Пул запросов (queries.json)
(Коммерческие non_branded | Экспертные non_branded | Brand | Person)
│
┌─────────────────────┼─────────────────────┐
▼ ▼ ▼
Яндекс.Нейро ChatGPT Search Google AIO
(API v2 / AI) (web_search) (AI Overview)
│ │ │
└─────────────────────┼─────────────────────┘
│
▼
Температурный фильтр: k=3 прогона
-> Медианная дискретизация баллов
│
▼
5 МАТЕМАТИЧЕСКИХ МЕТРИК FASTUP GAS
[ NVI_comm | NVI_edit | CBK ]
[ PKS | PCL | SCG ]
2.2. Геолокационная калибровка
Для всех небрендовых промптов стандартом устанавливается обязательная фиксация локации:
— В региональных модулях: явное задание параметра региона в API (например, lr=157 для Минска / Беларуси в Яндексе).
— В промптах для глобальных LLM: включение обязательного топонимического маркера («в Беларуси», «в Минске», либо в целевом регионе аудита).
2.3. Температурный фильтр: медиана трех прогонов
Для устранения стохастического шума генерации применяется процедура мультипрогона:
— Каждый запрос направляется в систему 3 раза.
— Для каждого прогона фиксируется дискретный балл.
— Итоговым значением балла является медиана:
Score(q_i) = Median(S_{i, 1}, S_{i, 2}, S_{i, 3})
Медианная свертка отсекает случайные разовые выбросы модели и гарантирует воспроизводимость замера.
3. Базовые оценочные шкалы
3.1. Шкала A: Оценка цитирования в небрендовом ответе (для NVI)
Применяется для запросов, где бренд не фигурирует в вопросе.
| Балл | Условие в ответе | Аналитический смысл |
|---|---|---|
| 3 | Домен бренда — первый / главный источник в массиве цитирований | Опорный источник ответа (Primary Anchor) |
| 2 | Домен бренда присутствует в списке источников (позиция 2 и далее) | Валидный источник выборки (Cited Reference) |
| 1 | Бренд явно упомянут в тексте, но активной ссылки нет | Сущностное знание модели (Entity Mention) |
| 0 | Домен и название бренда полностью отсутствуют в ответе | Нулевая видимость в генеративном блоке |
Примечание: Присутствие сайта в обычной органической выдаче под генеративным блоком баллом не оценивается и цитированием не считается.
3.2. Шкала B: Оценка фактологической точности знаний о сущности (для CBK и PKS)
Применяется для прямых запросов о компании или персоне.
| Балл | Состояние генерации | Описание фактологического соответствия |
|---|---|---|
| 3 | Полное знание и прямая рекомендация | Модель детально описывает компанию, называет точные факты и рекомендует как отраслевого эксперта |
| 2 | Фактологическая точность | Модель безошибочно называет услуги, город, реквизиты и продукты без галлюцинаций |
| 1 | Поверхностное знание | Модель знает название, но генерирует общие фразы без конкретики |
| 0 | Отсутствие информации | Модель заявляет об отсутствии сведений («нет данных») |
| -1 | Галлюцинация / Смешение сущностей | Штрафной балл: модель путает компанию с одноименным брендом из другой сферы, приписывает чужие услуги или факты |
4. Математический аппарат: 5 метрик FastUp GAS
4.1. Метрика NVI (Non-branded Visibility Index)
Измеряет вероятность и глубину рекомендации компании нейросетью по запросам услуг, где название бренда неизвестно пользователю.
Пул запросов разделяется на два независимых слоя:
1. Коммерческий слой (Q_comm): прямые транзакционные интенты («заказать разработку сайта в Минске», «SEO продвижение цена»).
2. Экспертно-редакционный слой (Q_edit): проблемные, сравнительные и методологические интенты («как настроить RAG структуру сайта», «критерии выбора подрядчика»).
NVI_comm = ( ∑ Score_A(q_i) [для q_i ∈ Q_comm] ) / ( |Q_comm| × 3 ) × 100%
NVI_edit = ( ∑ Score_A(q_j) [для q_j ∈ Q_edit] ) / ( |Q_edit| × 3 ) × 100%
NVI_total = ( ∑ Score_A(q) [для всех q] ) / ( (|Q_comm| + |Q_edit|) × 3 ) × 100%
4.2. Метрика CBK (Company Brand Knowledge)
Измеряет полноту и корректность знаний нейросети о компании при прямом брендовом запросе.
Для каждого поискового движка E:
CBK_E = ( ∑ Score_B(q_b) [для q_b ∈ Q_brand] ) / ( |Q_brand| × 3 ) × 100%
CBK_total = ( CBK_Yandex + CBK_ChatGPT + CBK_Google ) / 3
Триггер галлюцинаций: Если хотя бы для одного запроса зафиксирован штрафной балл Score_B = -1, в отчете активируется статус HALLUCINATION_DETECTED. Балл -1 не «размывается» средним числом, а требует немедленного устранения разрыва сущностей через Schema.org и справочники.
4.3. Метрика PKS (Person Knowledge Score)
Определяет вес персонального бренда ключевых экспертов или фаундеров.
Методологическое правило: В промптах пула Q_person строго запрещено упоминать название компании («Кто такой Егор Воронов в маркетинге Беларуси?»).
PKS_E = ( ∑ Score_B(q_p) [для q_p ∈ Q_person] ) / ( |Q_person| × 3 ) × 100%
PKS_total = ( PKS_Yandex + PKS_ChatGPT + PKS_Google ) / 3
4.4. Метрика PCL (Person-Company Link)
Фиксирует способность нейросети связать эксперта и компанию в режиме слепого двухшагового диалога.
Протокол:
— Шаг 1: Кто такой [Имя Фамилия] в [Отрасли]? -> Если компания названа сразу = 2 балла.
— Шаг 2 (если не названа): С какой компанией он связан? -> Если названа после наводки = 1 балл, если нет = 0 баллов.
Метрика PCL суммируется по 3 движкам и принимает значение от 0 до 6:
PCL = Score_PCL(Yandex) + Score_PCL(ChatGPT) + Score_PCL(Google)
- 6 / 6: Абсолютная связность сущностей в графе знаний.
- 3–5 / 6: Частичная связность.
- 0–2 / 6: Разрыв графа знаний (персона и компания изолированы в весах LLM).
4.5. Метрика SCG (Search-Citation Gap)
Вычисляет процент потерь присутствия: долю запросов, по которым сайт входит в ТОП-10 органической выдачи SERP, но отсутствует в генеративном блоке нейросети.
SCG = ( Количество запросов [ТОП-10 SERP, но НЕТ в ИИ-ответе] ) / ( Всего запросов [ТОП-10 SERP] ) × 100%
Матрица 4 квадрантов FastUp GAS:
| Процитирован в ИИ (Score_A >= 2) | Не цитируется в ИИ (Score_A < 2) | |
|---|---|---|
| В ТОП-10 SERP | Квадрант 1: Норма (Alignment) Сайт авторитетен в поиске и валиден для RAG | Квадрант 2: Разрыв (Citation Gap) Сайт в ТОП-10, но RAG отвергает контент |
| Вне ТОП-10 SERP | Квадрант 3: Внешнее цитирование Модель берет данные со сторонних платформ | Квадрант 4: Вакуум (Total Absence) Полное отсутствие видимости |
4.6. Принцип отказа от линейного «Super-Score»
Стандарт FastUp GAS v1.4 запрещает сведение пяти метрик в единый композитный балл (например, Total = 0.3*NVI + 0.2*CBK...).
Линейная свертка маскирует критические дефекты: высокий индекс NVI может скрывать факт того, что модель галлюцинирует при брендовом запросе (CBK = -1), а нулевой PCL блокирует передачу персонального авторитета основателя компании. Все 5 метрик являются независимыми ортогональными векторами.
5. Инструментарий и воспроизводимость
Референсная реализация стандарта опубликована в виде CLI-пакета с открытым исходным кодом.
5.1. Установка пакета
pip install fastup-gas --upgrade
Исходный код и документация: GitHub FastUpBy/fastup-gas.
5.2. Пример запуска замера
# Запуск аудита по Яндекс.Нейро
fastup-gas --queries queries.json --engine xmlriver-yandex --out report_yandex.md
# Запуск аудита по ChatGPT Search
fastup-gas --queries queries.json --engine proxyapi-chatgpt --out report_chatgpt.md
Медианная свёртка трёх прогонов (раздел 2.3) на сегодня — часть методики, выполняется
запуском команды три раза подряд и ручным вычислением медианы; отдельного флага --runs
в CLI v1.4 нет.
5.3. Эталонный срез (132 контрольные точки)
В рамках открытого бенчмарка по матрице из 44 целевых запросов в 3 средах (132 замера) были зафиксированы следующие базовые показатели:
================================================================================
FASTUP GAS v1.4 CONSOLIDATED AUDIT REPORT
================================================================================
Целевой домен: fastup.by
Бренд / Персона: FastUp / Егор Воронов
Выборка: 44 запроса × 3 поисковые среды = 132 контрольные точки
--------------------------------------------------------------------------------
МЕТРИКА ИТОГО ЯНДЕКС.НЕЙРО CHATGPT SEARCH GOOGLE AIO
--------------------------------------------------------------------------------
NVI_comm 13.9% 41.7% 0.0% 0.0%
NVI_edit 24.5% 45.0% 1.8% 26.7%
NVI_total 19.2% 43.3% 0.9% 13.3%
CBK 100.0% 100.0% 100.0% 100.0%
PKS 88.9% 91.7% 75.0% 100.0%
PCL (0..24) 12 / 24 4 / 8 1 / 8 7 / 8
SCG (Gap %) 58.3% 41.7% 100.0% 33.3%
--------------------------------------------------------------------------------
ДЕТЕКЦИЯ АНОМАЛИЙ:
- Фактологические галлюцинации (CBK = -1): 0 инцидентов (чистый граф)
- Разрыв связки персоны (MISLINKING): 0 инцидентов
- Попадание в Search-Citation Gap (SCG): 7 из 12 органических позиций
================================================================================
6. Выводы
- Видимость в нейросетях измерима: Стохастичность LLM успешно подавляется медианой трех прогонов, а разрыв между поиском и ответом оцифровывается метрикой SCG (подробнее о синергии каналов — в статье SEO внутри GEO).
- Граф сущностей защищает от штрафов: Наличие подтвержденных записей в Wikidata и разметки Schema.org обеспечивает 100% показатель CBK и исключает галлюцинации (Score = -1).
- Открытость стандарта: Любые заявления об эффективности оптимизации под ИИ должны подтверждаться открытым JSON-манифестом и протоколом по стандарту FastUp GAS.
