AI Visibility in Property Search 2026: какие платформы недвижимости рекомендуют AI-системы в России

100 API-ответов, четыре AI-системы, десять сценариев покупки квартиры и 775 цитат. Я исследовал, какие российские платформы недвижимости чаще попадают в AI-рекомендации, кто занимает первую позицию, насколько меняется выдача при повторе одного и того же запроса и какие источники сопровождают ответы.

Если пользователь вместо обычного поиска задаёт AI-системе вопрос «где лучше искать квартиру», для него результат выглядит как готовый список рекомендаций. Для бренда этот же ответ гораздо сложнее. Недостаточно знать, упомянули ли площадку хотя бы один раз: важно, вошла ли она именно в рекомендательный список, на какой позиции оказалась, повторится ли тот же набор при следующем запуске и в каком информационном окружении система сформировала ответ.

Именно поэтому в этом исследовании я сознательно не пытался построить ещё один рейтинг «лучших площадок для AI». Его задача другая: разложить AI-видимость на измеримые компоненты и посмотреть, насколько они согласуются между собой.

Главный вывод оказался достаточно простым: AI-видимость — это не одно число. Бренд может часто появляться в ответах, но редко открывать список; система может стабильно воспроизводить общий набор площадок, но менять первую тройку; собственный сайт бренда может часто цитироваться, но оставаться небольшой частью общего массива источников вокруг его рекомендаций.

Коротко: что получилось

В выборке сформировалось выраженное ядро из четырёх платформ. ЦИАН рекомендовался в 87 из 100 API-ответов, Домклик — в 81, Авито Недвижимость — в 75, Яндекс Недвижимость — в 69. Пятая платформа, Этажи, появилась в рекомендациях 28 раз, а все остальные — не более чем в 13 ответах.

Концентрация первой позиции оказалась ещё сильнее. Из 91 ответа, где первая рекомендация определялась однозначно, ЦИАН занимал её 62 раза — 68,1%. Авито Недвижимость было первым 9 раз, Домклик — 8.

При этом сами списки нельзя назвать полностью детерминированными. Общая повторяемость состава рекомендаций между запусками одного и того же запроса составила macro Jaccard 0,694, а совпадение состава первой тройки — 0,561. Разброс по сценариям был ещё шире: от Jaccard 0,471 до 0,917.

Наконец, 93 из 100 ответов содержали ссылки. Всего в коллекции было 775 отдельных цитирований, которые после нормализации свелись к 191 домену и 628 уникальным парам «ответ × домен». Порталы недвижимости и маркетплейсы дали 41,7% этих пар. При этом собственные домены рекомендуемых брендов во всех случаях оставались меньшинством сопровождающих источников: максимальный Owned Source Share по всей выборке не превышал 15%.

Эти числа описывают конкретную выборку API-ответов, а не качество площадок и не поведение потребительских приложений ChatGPT, Claude, Perplexity или Grok.

---

1. Исследовательский вопрос и методика

Рабочий исследовательский вопрос был сформулирован так:

Какие онлайн-платформы генеративные AI-системы рекомендуют пользователям для поиска и покупки квартиры в России, насколько устойчивы эти рекомендации и какие источники сопровождают ответы?

В исследование вошли четыре конкретные API-системы с поиском:

• anthropic/claude-sonnet-5;
• openai/gpt-5.6-terra;
• perplexity/sonar-pro-search;
• x-ai/grok-4.5.

Это уточнение принципиально. Я не тестировал пользовательские интерфейсы ChatGPT, Claude, Perplexity или Grok и не переношу на них результаты. Исследовательская единица здесь — конкретный API-ответ конкретной системы в зафиксированной конфигурации в период сбора.

Десять пользовательских сценариев

Чтобы не свести эксперимент к одной формулировке «какие сайты посоветуешь», я использовал десять сценариев с разной пользовательской задачей:

Пять сценариев — RU_001, RU_002, RU_004, RU_006 и RU_010 — запускались по три раза на каждую систему. Остальные пять — по два раза. В результате получилось 25 ответов на систему и 100 API-наблюдений всего.

Повторные запуски были нужны не для увеличения «массы» данных сами по себе. Они позволили проверить второй слой AI-видимости: насколько система воспроизводит собственный ответ, если пользователь повторяет тот же вопрос.

Как ответы превращались в данные

Сначала из ответов были выделены все возможные упоминания сервисов, после чего разные варианты написания были приведены к единым названиям брендов. Например, нужно было отличить М2 от отдельного сервиса «Квадратный метр» и не принять обычную фразу «цена за квадратный метр» за название площадки. После автоматической обработки и ручной проверки в финальном наборе осталось 476 уникальных сочетаний «ответ × бренд»: 452 рекомендации и 24 нейтральных упоминания.

Из них 118 были размечены как явные рекомендации, 334 — как бренды, включённые в рекомендованный список, и 24 — как нейтральные упоминания. Финальных отрицательных или неопределённых единиц не осталось. То есть в основной рекомендательный массив вошло 452 единицы, а ещё 24 упоминания сохранились отдельно как нейтральные. Это важно: простое присутствие названия бренда в тексте не автоматически считалось рекомендацией.

Для ранговых показателей порядок удалось доказанно восстановить у 446 из 452 рекомендаций — 98,67%. Шесть единиц находились в структурно параллельных, неупорядоченных группах. Я не назначал им искусственные места: они учитывались как рекомендации, но исключались из метрик, где требуется точный ранг.

Как я защищался от подгонки результата

До расчёта результатов я заранее зафиксировал правила подсчёта основных показателей. Это было нужно, чтобы методика не менялась уже после того, как стали видны лидеры. Позже потребовалось уточнить два частных случая: как учитывать рекомендации без однозначного порядка и как именно рассчитывать показатели по источникам. Эти правила также были записаны до расчёта соответствующих метрик, а не подстроены под получившиеся числа.

Я сознательно не строил единый составной индекс AI Visibility и не назначал веса частоте, первой позиции, стабильности или источникам. Статистическая значимость и доверительные интервалы также не рассчитывались. Задача исследования — дать прозрачный описательный профиль, а не искусственно свести разные свойства в одно место в рейтинге.

---

2. Четыре платформы сформировали отдельный верхний ярус

Первый показатель — Recommendation Share, доля из 100 API-ответов, где платформа была рекомендована явно или входила в рекомендованный список.

Результат разделил выборку на очень заметные уровни. ЦИАН получил 87 рекомендаций из 100, Домклик — 81, Авито Недвижимость — 75, Яндекс Недвижимость — 69. После четвёртого места возникает резкий разрыв: Этажи — 28, N1 — 13, Restate и Юла — по 12, М2 и Мир квартир — по 11.

То есть разница между четвёртым и пятым результатом составляет 41 процентный пункт: 69% против 28%. По этой выборке корректнее говорить не о плавной лестнице из десятка конкурентов, а о верхнем ядре из четырёх брендов и длинном хвосте остальных платформ.

У этой четвёрки есть ещё одно общее свойство: каждый бренд был рекомендован хотя бы раз во всех десяти сценариях и всеми четырьмя системами. Это не делает их «лучшими» сервисами, но показывает высокую широту наблюдаемой AI-видимости внутри данного эксперимента.

Показательно, что сама частота рекомендации ещё не говорит о позиции внутри списка. Домклик почти догоняет ЦИАН по Recommendation Share — 81% против 87%, — но следующая метрика показывает совсем другую степень концентрации.

---

3. Первая позиция концентрируется сильнее, чем простое присутствие

Для First Recommendation Share знаменатель отличается от 100. В девяти ответах система вообще не сформировала список рекомендуемых платформ, поэтому они не входят в расчёт. Неупорядоченные группы также не превращались в фиктивное «первое место». В итоге первая рекомендация однозначно определялась в 91 ответе.

ЦИАН был первым в 62 из 91 случаев — 68,1%. Авито Недвижимость открывало список 9 раз — 9,9%, Домклик — 8 раз, или 8,8%. Яндекс Недвижимость и Юла получили по 3 первых позиции, Novostroy-M и БН.ру — по 2, Restate и М2 — по одной.

Разрыв между первым и вторым брендом по этой метрике намного сильнее, чем по Recommendation Share. ЦИАН рекомендован в 87% ответов против 81% у Домклика, но по первой позиции разница уже 68,1% против 8,8%.

Средний ранг подтверждает ту же картину, хотя показывает её с другого угла. У ЦИАН средняя позиция среди ранжированных рекомендаций — 1,55 при n=87, у Авито Недвижимость — 2,83 при n=75, у Яндекс Недвижимость — 3,16 при 67 ранжированных случаях из 69 рекомендаций, у Домклика — 3,23 при n=81.

В результате Домклик оказывается хорошим примером того, почему нельзя описывать AI-видимость одной долей присутствия. Он второй по общей частоте рекомендаций, но только третий по числу первых позиций и уступает трём другим лидерам по среднему рангу. Бренд может быть почти обязательным элементом списка и при этом редко его открывать.

---

4. Разные AI-системы дают похожее ядро, но разную плотность рекомендаций

Если Recommendation Share посчитать отдельно внутри каждой системы, четыре лидирующих бренда сохраняются, но частота заметно меняется.

У Claude ЦИАН появляется в рекомендациях 22 раза из 25, Домклик — 20, Авито Недвижимость — 18, Яндекс Недвижимость — 11. У OpenAI значения составляют 20, 19, 15 и 18 соответственно. У Perplexity — 21, 18, 18 и 17. У Grok три первых бренда встречаются по 24 раза из 25, а Яндекс Недвижимость — 23 раза.

На уровне картинки легко сделать слишком сильный вывод: например, что Grok «предпочитает» эти бренды. Данные этого не показывают. Системы отличаются не только выбором конкретных площадок, но и длиной формируемых списков. В 25 ответах Grok было закодировано 163 рекомендательных единицы, тогда как в 25 ответах OpenAI — 76. Поэтому высокая доля сразу нескольких брендов у Grok частично отражает более широкий набор рекомендаций, а не скрытое отношение системы к конкретной площадке.

Именно поэтому рисунок 3 полезнее читать как карту видимости, а не как соревнование моделей. Он показывает, что общий верхний ярус воспроизводится всеми четырьмя системами, но плотность и состав списка вокруг этого ядра различаются.

---

5. Один и тот же вопрос не гарантирует один и тот же список

До этого момента исследование отвечало главным образом на вопрос «кого рекомендуют?». Благодаря повторным запускам можно проверить более сложную вещь: получим ли мы примерно тот же ответ, если задать системе абсолютно тот же вопрос ещё раз?

Для этого я использовал две метрики. Первая — коэффициент Jaccard, который сравнивает весь набор брендов. Вторая — Top-3 overlap, который смотрит только на состав первых трёх рекомендаций.

Что именно показывает коэффициент Jaccard

Представим два ответа одной системы на один и тот же запрос. В первом система рекомендует ЦИАН, Домклик, Авито Недвижимость и Яндекс Недвижимость, во втором — ЦИАН, Домклик, Яндекс Недвижимость и Этажи.

Пересечение двух наборов — три бренда: ЦИАН, Домклик и Яндекс Недвижимость. Объединение — пять брендов: к этим трём добавляются Авито Недвижимость и Этажи. Коэффициент Jaccard равен размеру пересечения, делённому на размер объединения: 3 / 5 = 0,60.

Если два набора полностью совпали, Jaccard равен 1. Если у них нет общих брендов — 0. Порядок внутри списка коэффициент не учитывает: для него важно только, какие платформы вошли в набор.

Один вопрос запускался либо два, либо три раза. При двух запусках получалось одно сравнение ответов, при трёх — уже три: первый со вторым, первый с третьим и второй с третьим. Всего таким образом получилось 80 попарных сравнений.

Но просто усреднить все 80 значений было бы неправильно: вопросы с тремя повторами получили бы втрое больший вес, чем вопросы с двумя. Поэтому сначала я рассчитывал одно среднее значение для каждой комбинации «AI-система × вопрос». Таких комбинаций было 40 — четыре системы × десять вопросов. И только затем усреднял их между собой. Благодаря этому каждый сценарий для каждой системы одинаково влиял на итоговый показатель.

Чем Top-3 overlap отличается от Jaccard

Jaccard смотрит на весь рекомендованный набор. Но начало ответа может вести себя иначе, поэтому отдельно измерялся Top-3 overlap — совпадение состава первой тройки между повторами.

Если обе тройки состоят из тех же трёх брендов, результат равен 3/3 = 1, даже если внутри тройки они переставлены местами. Если совпали два бренда — 2/3 ≈ 0,67, один — 1/3 ≈ 0,33, ни одного — 0.

Это принципиально не метрика точного ранга. Она отвечает на вопрос, насколько сохраняется состав верхней тройки. Если два ответа содержат ЦИАН, Домклик и Авито в Top-3, но меняют их местами, overlap остаётся равным 1.

Общий результат: множество устойчивее своей верхушки

В среднем по 40 ячейкам macro Jaccard составил 0,694. Парно-взвешенное значение, приведённое только как дополнительное, — 0,712. В заранее выделенном трёхповторном подмножестве из 20 ячеек macro Jaccard оказался 0,731.

Для Top-3 итог ниже: macro Top-3 overlap = 0,561.

Иными словами, при повторе одного и того же запроса системы часто возвращали значительную часть того же набора брендов, но состав верхних трёх позиций менялся сильнее. Это важное различие: AI-система может сохранять ядро списка, но перестраивать его верх.

Есть и технический крайний случай. В трёх ячейках оба сравниваемых ответа не содержали ни одной рекомендации. Для Jaccard это два идентичных пустых множества, поэтому значение равно 1; для Top-3 сохранять было нечего, поэтому overlap равен 0. Это не ошибка расчёта: две метрики отвечают на разные вопросы.

---

6. Повторяемость зависит от AI-системы — но не так, как можно ожидать по одному показателю

У OpenAI GPT-5.6 Terra самый высокий macro Jaccard — 0,822. Следом идут Grok — 0,723, Claude — 0,686, Perplexity — 0,545. Если бы мы смотрели только на этот показатель, можно было бы сказать, что полный состав рекомендаций OpenAI в этой выборке повторялся чаще всего.

Но Top-3 меняет картину. У Claude совпадение первой тройки — 0,700, самое высокое среди четырёх систем. У OpenAI и Grok — по 0,544, у Perplexity — 0,456.

То есть OpenAI лучше остальных воспроизводил весь набор, но не верхнюю часть списка. Claude, наоборот, показывал менее стабильное множество, зато чаще сохранял те же бренды в Top-3. Две метрики не конфликтуют: они измеряют разные свойства.

Именно здесь особенно важно не подменить повторяемость качеством. Более высокий Jaccard не делает ответ правильнее, полезнее или надёжнее для покупателя. Система может стабильно повторять один и тот же неудачный набор; другая — менять список, оставаясь при этом содержательно полезной. В этом эксперименте оценивается только воспроизводимость состава.

---

7. Формулировка запроса влияет на повторяемость сильнее, чем кажется

Если сгруппировать те же метрики не по системам, а по сценариям, разброс становится ещё шире.

Самым устойчивым оказался RU_010 — просьба назвать две-три платформы, которыми лучше пользоваться одновременно. Macro Jaccard здесь равен 0,917, Top-3 overlap — 0,944. Почти столь же стабилен RU_009, посвящённый поиску по карте, фильтрам, цене и району: Jaccard 0,908, Top-3 — 1,000.

В противоположной части находятся сценарии с заметно меньшей повторяемостью. RU_007 — дистанционный выбор квартиры при переезде — получил Jaccard 0,471 и Top-3 0,417. RU_003, где пользователь впервые покупает квартиру, — Jaccard 0,500 и Top-3 0,167. Для новостроек Москвы RU_004 значения составили 0,540 и 0,361.

Диапазон Jaccard по запросам — 0,471–0,917, тогда как по системам — 0,545–0,822. Это не доказывает, что сценарий «важнее» модели в причинном смысле, но показывает: в этой выборке различия между постановками задачи были как минимум не меньше различий между системами.

Можно предложить интуитивную гипотезу, что запросы с более узким ожидаемым форматом — например, «назови 2–3 платформы» — оставляют системе меньше пространства для вариативности. Но данные исследования сами по себе этого механизма не устанавливают, поэтому в выводы такая причинная интерпретация не включается.

---

8. Источники: 93 ответа из 100 содержали ссылки

Третья часть исследования касается не брендов как таковых, а информационного окружения ответов.

93 из 100 API-ответов содержали хотя бы одну ссылку. Всего системы привели 775 отдельных ссылок на источники. Все они имели разбираемый URL. После нормализации получилось 191 канонический домен.

При этом для анализа частоты доменов я не использовал сырое число цитат. Если один и тот же домен встречался в одном ответе три раза, он не должен автоматически весить втрое больше. Поэтому была создана дополнительная единица — пара «ответ × домен». Таких уникальных пар получилось 628.

Эта разница важна. 775 — число отдельных цитат, а 628 — число уникальных присутствий домена в конкретном ответе. Второй уровень лучше подходит для анализа структуры источников, потому что не вознаграждает домен за повторение нескольких ссылок внутри одного текста.

---

9. Какие типы источников сопровождают ответы

Каждый из 191 домена был отнесён к одной категории. Категория описывает тип источника, но не его владельца. Это две независимые оси: например, cian.ru одновременно является порталом недвижимости по типу и собственным доменом ЦИАН по принадлежности.

Самая крупная категория — порталы недвижимости и маркетплейсы: 262 пары из 628, или 41,7%. На втором месте широкая категория other — 108 пар, 17,2%. Далее идут рейтинги и отзывы — 81 пара, 12,9%, отраслевые медиа — 65, 10,4%, деловые и новостные медиа — 62, 9,9%.

Категория «прочие» объединяет разнородные коммерческие, справочные и корпоративные ресурсы, которые не подошли ни под одну из основных категорий. Поэтому её не стоит интерпретировать как единый тип источника.

Меньшие категории: форумы и сообщества — 18 пар, 2,9%; государственные и регуляторные ресурсы — 14, 2,2%; социальные платформы — также 14, 2,2%; видео — 4, 0,6%.

На уровне структуры видно, что AI-ответы не замыкаются только на самих агрегаторах недвижимости. В информационном контексте присутствуют рейтинговые проекты, медиа, государственные источники, магазины приложений, сообщества и другие типы ресурсов. Но по этим данным нельзя установить, какие из них стали причиной выбора конкретной платформы.

---

10. Самые частые домены: собственные сайты лидеров заметны, но не единственны

Если посмотреть уже не на категории, а на отдельные домены, первое место занимает cian.ru — он был процитирован в 46 из 100 ответов. Далее идут domclick.ru — 41, rskrf.ru — 38, realty.yandex.ru — 33, всеостройке.рф — 24. Затем realty.rbc.ru — 13, avito.ru и etagi.com — по 12.

Сам факт, что cian.ru и domclick.ru находятся наверху, не позволяет сделать вывод «модели рекомендуют бренды из-за их собственных сайтов». В одном ответе может присутствовать сразу несколько источников: собственный сайт платформы, отраслевое медиа, рейтинг, другой портал и государственный ресурс. Чтобы понять, какую долю этого окружения занимают именно собственные домены рекомендуемого бренда, нужна отдельная метрика.

---

11. Owned Source Share: что именно показывает доля собственных доменов

Owned Source Share — одна из метрик, которую особенно легко трактовать неправильно. Она не измеряет «вклад сайта бренда в рекомендацию». Она описывает только состав источников вокруг тех ответов, где бренд уже был рекомендован.

Механика расчёта выглядит так. Возьмём ЦИАН: он рекомендован в 87 ответах. В этих ответах встречается 577 уникальных пар «ответ × домен». Из них 47 пар относятся к доменам, принадлежащим ЦИАН. Следовательно, Owned Source Share составляет 47 / 577 = 8,1%. Иными словами, если рассмотреть весь набор доменов в ответах, где рекомендовался ЦИАН, примерно 8% уникальных присутствий домена приходятся на собственные ресурсы бренда, а остальные — на внешние по отношению к нему источники.

Среди брендов, показанных на графике, самая высокая доля у Яндекс Недвижимости — 8,4%: 39 собственных пар из 463. Далее ЦИАН — 8,1%: 47/577, Домклик — 7,5%: 40/534, N1 — 7,4%: 7/95, Restate — 5,9%: 7/118, Мир квартир — 5,3%: 6/113, Этажи — 3,5%: 8/230, Авито Недвижимость — 2,2%: 11/511, М2 — 1,2%: 1/80, Юла — 0 из 83.

Рисунок 7 показывает только бренды с не менее чем десятью рекомендациями, чтобы маленькие выборки не занимали центральное место в визуализации. Во всём полном наборе максимальный Owned Source Share был у Novostroy-M — 15,0%, но это 6 собственных пар из 40 при всего семи рекомендациях бренда. Поэтому сравнивать такой процент с крупными площадками без указания знаменателя было бы вводяще в заблуждение.

Главный наблюдаемый результат здесь другой: ни у одного бренда собственные домены не составляли большинство источников вокруг его рекомендаций; максимум по полной выборке — 15%. Это позволяет говорить, что рекомендации существуют в широком внешнем информационном окружении. Но это по-прежнему не доказывает, что внешние сайты влияют на рекомендацию сильнее собственных.

---

12. Почему cian.ru может быть самым частым доменом, а Owned Source Share ЦИАН — только 8,1%

На первый взгляд эти два результата выглядят противоречиво: cian.ru встречается в 46 из 100 ответов — чаще любого другого домена, — но доля собственных источников ЦИАН среди ответов с рекомендацией бренда составляет всего 8,1%.

Противоречия нет, потому что знаменатели разные. Domain Citation Share спрашивает: «в скольких из 100 ответов встречался конкретный домен?» Поэтому один частый домен может получить высокий результат. Owned Source Share спрашивает: «среди всех уникальных доменов во всех ответах, где рекомендован конкретный бренд, какую долю составляют домены самого бренда?» В одном ответе с рекомендацией ЦИАН могут одновременно присутствовать cian.ru, Роскачество, профильное медиа, другой портал и ещё несколько ресурсов. Все они входят в знаменатель.

Поэтому часто цитируемый собственный домен вполне может быть глобально заметным и одновременно занимать небольшую долю в более широком источниковом окружении бренда. Для анализа AI visibility это важное различие: частота отдельного источника и структура источников вокруг бренда — не одно и то же.

---

13. Ключевое ограничение анализа источников: цитата не является следом рассуждения модели

Source-анализ даёт много привлекательных формулировок, которые данные не поддерживают. Например: «AI рекомендует ЦИАН, потому что часто цитирует cian.ru» или «модель больше доверяет сторонним источникам». Ни одно из этих утверждений из исследования не следует.

Цитата показывает, что источник присутствовал в видимом API-ответе. Ссылка не показывает внутренний механизм формирования ответа и не доказывает, что именно этот источник стал причиной выбора бренда.

Техническое ограничение усиливает эту осторожность. У 537 из 775 цитат провайдер не сообщил пригодную локальную позицию ссылки внутри текста. Для ссылок Anthropic и Perplexity провайдер не передал информацию о том, к какому конкретному фрагменту ответа относится источник. OpenAI предоставил такую привязку для всех 76 ссылок, а Grok — для 162 из 259.

Поэтому для значительной части материала можно уверенно установить только соприсутствие в одном ответе. Локально связать конкретную цитату с конкретной рекомендацией возможно лишь на ограниченном подмножестве, главным образом OpenAI и Grok. Поэтому основные показатели по источникам рассчитывались на уровне всего ответа, а не исходя из предположения, что конкретная ссылка подтверждает конкретную рекомендацию.

---

14. Что исследование говорит об AI-видимости — и почему одного рейтинга недостаточно

Если смотреть только на рисунок 1, можно было бы закончить материал фразой «ЦИАН первый, затем Домклик, Авито и Яндекс». Но остальные слои показывают, насколько мало информации даёт такая формулировка.

Частота рекомендации. Здесь существует верхний ярус из четырёх платформ: 87%, 81%, 75% и 69%. Это самый очевидный слой видимости.

Первая позиция. Картина намного более концентрированная: ЦИАН получает 62 из 91 первых мест, тогда как ближайшие бренды — 9 и 8. Значит, общая частота и доминирование в начале ответа существенно расходятся.

Покрытие систем и сценариев. Все четыре лидера встречаются во всех десяти сценариях и у всех четырёх систем, но интенсивность видимости внутри систем неодинакова.

Повторяемость. Один и тот же вопрос не гарантирует идентичный список. Общий macro Jaccard — 0,694, а Top-3 overlap — 0,561. При этом повторяемость меняется и между системами, и ещё сильнее между сценариями.

Источниковый контекст. Ссылки присутствуют в 93% ответов, но собственные домены рекомендуемых брендов остаются меньшинством среди всех сопровождающих доменов.

Ни одна из этих осей не является «главной» по определению. Чтобы получить единый рейтинг, пришлось бы самостоятельно решить, сколько баллов дать частоте, сколько — первой позиции, сколько — устойчивости и сколько — source-профилю. Такие веса отражали бы уже не данные, а моё субъективное решение.

Поэтому в исследовании нет составного AI Visibility Score. Я считаю более корректным описывать бренд как профиль по нескольким измерениям.

---

15. Что из этого можно использовать на практике

Из исследования нельзя вывести универсальную инструкцию «сделайте X, и AI начнёт рекомендовать бренд чаще». Исследование показывает, какие источники сопровождали ответы, но не устанавливает, влияли ли они на выбор бренда. Чтобы проверить причинное влияние источников, потребовался бы отдельный контролируемый эксперимент — например, сравнение результатов до и после изменения доступности конкретных источников.

Но исследование позволяет сформулировать более прикладной вывод о самом измерении AI visibility. Если компания мониторит присутствие бренда в генеративном поиске, одного показателя «сколько раз нас упомянули» недостаточно. Минимальный профиль должен разделять:

• доля ответов, где бренд рекомендован;
• первая позиция и средний ранг;
• присутствие в разных системах и пользовательских сценариях;
• повторяемость ответов;
• структура сопровождающих источников.

Такой мониторинг позволяет описывать, какие источники присутствуют рядом с рекомендациями, но не превращает их присутствие в доказательство влияния на выбор бренда. Бренд может стабильно присутствовать везде, но редко быть первым; быть первым в одном сценарии и исчезать в другом; иметь высокую частоту на одном временном срезе, но низкую воспроизводимость между повторами.

Для GEO/AEO-практики это, на мой взгляд, и есть более полезная единица анализа: не «позиция бренда в AI», а профиль его наблюдаемой видимости.

---

16. Ограничения исследования

Результаты относятся к 100 API-наблюдениям одного периода — август 2026 года. AI-системы, поисковые индексы, способы вызова поиска и внутренние стратегии провайдеров могут меняться. Поэтому повтор того же протокола через месяц или год не обязан воспроизвести те же значения.

Исследованы четыре конкретные API-системы в зафиксированной конфигурации, а не потребительские приложения. Нельзя корректно заменить в выводах openai/gpt-5.6-terra на «ChatGPT» или перенести результаты на интерфейс Claude, Perplexity или Grok.

Исследование не измеряет объективное качество платформ недвижимости. Частая рекомендация не означает, что сервис лучше для покупателя, безопаснее, удобнее или выгоднее. Повторяемость также не равна правильности: высокий Jaccard показывает устойчивость набора, но не качество ответа.

Ранговые метрики покрывают 446 из 452 рекомендательных единиц. Шесть структурно неупорядоченных единиц не получили искусственного ранга. First Recommendation Share рассчитан по 91 ответу с однозначно определяемой первой позицией.

У 537 из 775 цитат отсутствует пригодная локальная позиция в тексте, поэтому локальный анализ «какая ссылка относится к какой рекомендации» ограничен. Соприсутствие источника и бренда не трактуется причинно.

Статистическая значимость и доверительные интервалы не рассчитывались. Исследование носит описательный характер и не претендует на статистическую генерализацию на весь рынок AI-поиска.

---

Методологическая справка

• Период сбора: август 2026 года.
• Наблюдений: 100.
• AI-систем: 4.
• Пользовательских сценариев: 10.
• Финальных единиц «ответ × бренд»: 476.
• Рекомендательных единиц: 452.
• Нейтральных упоминаний: 24.
• Рекомендаций с доказанным порядковым рангом: 446 из 452.
• Ответов с однозначно определимой первой рекомендацией: 91.
• Попарных сравнений повторов: 80.
• Комбинаций «AI-система × запрос» в анализе повторяемости: 40.
• Отдельных ссылок на источники: 775.
• Канонических доменов: 191.
• Уникальных пар «ответ × домен»: 628.
• Ссылки с известной позицией в тексте: 238 из 775.
• Составной индекс AI Visibility: не строился.
• Причинное влияние источников: не оценивалось.

---

Правила для перепубликации и адаптации

Этот текст является первоисточником исследования. При адаптации для других площадок допустимо сокращать объём и упрощать методологические объяснения, но нельзя менять числовые значения и знаменатели, превращать повторяемость в «качество», переносить результаты API на потребительские приложения, называть частоту цитирования «влиянием» источника или представлять порядок Recommendation Share как рейтинг качества платформ.