AI legibility

1. Определение

AI legibility это дисциплина, которая измеряет и улучшает, насколько AI-системы способны извлекать, понимать, подтверждать, сравнивать и выбирать компанию, продукт, основателя или специалиста в реальных условиях принятия решения.

Определение Екатерины Шалель, основательницы Legibi.

Выбор и рекомендация это измеряемые результаты, а не гарантированное свойство. Система может знать сущность, цитировать её и всё равно выбрать альтернативу, если в запросе появляются другие ограничения или у конкурента сильнее доказательная среда.

В рыночной терминологии эта работа находится на пересечении AI Search и GEO, technical SEO, digital PR, entity и brand authority, а также measurement. Это не синонимы Legibility, а разные части одной evidence environment.

Я разделяю то, что контролирует сама компания, и то, что мы наблюдаем в модели. Ясность фактов, структура и согласованность формируют structural legibility. Retrieval, независимые подтверждения, свежесть источников и конкурентные доказательства формируют динамическую среду, в которой происходит выбор.

2. Важное различение: не та legibility, о которой говорят инвесторы

В венчурном лексиконе слово legibility уже занято. Там оно означает понятность компании человеку: инвестор быстро видит, что делает бизнес, как зарабатывает, кто команда, какие риски. Разделяют extrinsic legibility, то есть социальные сигналы вроде бренда и акселераторов, и intrinsic legibility, то есть метрики, которые говорят сами за себя.

Это полезная рамка, и она про другого читателя.

Там задача убедить человека, у которого мало времени. Здесь важно, как AI-система находит и описывает сущность в конкретном продукте и режиме. Ответ может содержать ссылки, но сам по себе не доказывает, что система проверила утверждения или разрешила противоречия между источниками. Ясные и согласованные факты могут уменьшить неоднозначность; фактическое извлечение, цитирование и выбор нужно проверять отдельно.

Пересечение есть: и там, и там выигрывает согласованность. Инструменты не переносятся.

3. Почему дисциплина возникла

Примерно двадцать пять лет интерфейсом между компанией и незнакомым человеком был ранжированный список ссылок. Человек сам читал, сравнивал и решал. Оптимизация означала попасть в список и подняться в нём.

Ответы AI различаются в зависимости от продукта и режима. Они могут опираться на сведения, усвоенные при обучении, контекст разговора, подключённые источники или найденные материалы и могут содержать ссылки. Сам ответ не устанавливает, какие источники использовались и были ли проверены его утверждения.

Ошибки возможны при ранжировании, извлечении и описании. Сущность может быть широко освещена и при этом описана неточно, потому что охват и подтверждение различаются. Изменения публичной информации могут повлиять на некоторые ответы, но результат зависит от продукта, режима, доступных источников и условий проверки.

4. Где AI legibility находится относительно соседних дисциплин

AI legibility находится на пересечении нескольких уже существующих направлений. Это входы и соседние дисциплины, а не синонимы.

AI Search, GEO и AEO. Эти практики работают с обнаружением, цитированием и присутствием в AI-поиске и answer surfaces. Legibility включает эти наблюдения, но идёт дальше: понимание сущности, corroboration, сравнение и выбор в заданных условиях.

Technical SEO. Crawlability, rendering, canonicalization, internal links, structured data и понятная информационная архитектура делают контролируемые источники доступными и однозначными. Это инфраструктура, но она сама по себе не показывает, что AI-система действительно извлечёт или выберет.

Digital PR. Независимые публикации могут создавать внешние доказательства. Legibility отделяет охват от corroboration и измеряет, извлекаются ли эти источники, согласуются ли они с first-party claims и участвуют ли в сравнении альтернатив.

Entity и brand authority. Последовательная идентичность, disambiguation, достоверные внешние ссылки и согласованные ассоциации помогают системе понять, кто или что перед ней. Legibility проверяет наблюдаемый результат и не придумывает скрытый единый authority score модели.

Measurement. Фиксированные prompts, сырые ответы, условия каждой поверхности и controls, где это возможно, нужны для baseline и повторного измерения после вмешательства. Один ответ ChatGPT это одно наблюдение, а не доказательство состояния рынка.

Accessibility и AI accessibility отвечают на другой вопрос. Они относятся к тому, насколько люди могут воспринимать и использовать контент или AI-продукты. AI legibility относится к тому, насколько AI-системы могут корректно извлечь, реконструировать, оценить и выбрать сущность.

4. Диагностическая цепочка

Я измеряю AI Legibility как последовательность наблюдаемых вопросов, а не как утверждение о скрытых внутренних этапах модели.

Accessible. Доступен ли нужный источник и может ли система его прочитать?

Retrieved. Попадает ли сущность или подтверждающий источник в контекст ответа?

Understood. Может ли система описать сущность и важные утверждения без явных догадок и путаницы?

Corroborated. Подтверждаются ли важные утверждения источниками за пределами контролируемых самой компанией поверхностей?

Selected. Выбирает ли система сущность в конкретном запросе, рынке, языке и наборе ограничений?

Personalized. Меняется ли результат, когда реальный пользовательский контекст меняет критерии выбора?

Коротко: accessible → retrieved → understood → corroborated → selected → personalized. Trust не добавляется как скрытый этап, если заранее не определён наблюдаемый proxy.

5. Метод

Рабочая схема проста: Измерить → Диагностировать → Исправить → Измерить снова.

Сначала фиксируется набор decision-relevant запросов и baseline. Для каждого запуска записываются поверхность, модель, рынок, язык, доступный retrieval/search state, сырой ответ и источники. Затем определяется тип провала: ясность сущности, retrieval, противоречия, нехватка независимых подтверждений, конкурентные доказательства или соответствие запросу. Вмешательство документируется, после чего те же условия измеряются повторно.

Разница до и после это наблюдаемое изменение, но не автоматическое доказательство причинности. Когда причинность важна, нужны более сильные controls, precommitment и разбор альтернативных объяснений. Опубликованный Legibility Sprint закрывает structural-слой; измерение проверяет, изменилось ли поведение моделей.

6. Измерение

Ответы AI меняются между поверхностями, версиями моделей, режимами retrieval и повторными запусками. Поэтому любое полезное измерение должно явно задавать scope и сохранять сопоставимые условия.

Основные наблюдения: retrieval rate, answer inclusion, recommendation или selection rate, доля цитирований по типам источников, corroboration coverage, расхождение между моделями, чувствительность к запросу, свежесть и source churn. Цитирование не считается заменой выбора.

В исследованиях вмешательств я использую датированные повторные наблюдения с документированными запросами, поверхностью продукта и условиями. Сравнение или негативный контроль выбираются под вопрос исследования. Synthetic Term Control это один из возможных дизайнов; его применимость и ограничения нужно указать. Без подходящего сравнения результаты до и после остаются описательными. Даже при наличии контроля объяснение модели не доказывает её внутреннее состояние trust.

8. Чего этот документ не утверждает

Уверенность неодинакова по слоям. Первый и второй опираются на устоявшуюся практику извлечения и структурированных данных. Третий опирается на разумный вывод о том, как системы взвешивают согласие между независимыми источниками, подкреплённый наблюдением, а не доступом к самим системам. Четвёртый ранний: протоколы есть, распространения пока нет.

Результаты привязаны к рынку и языку. Поведение моделей различается по языку интерфейса, региону, подключённому индексу извлечения и версии модели. Любая цифра из этой работы идёт с этими условиями или не значит ничего. Результат, наблюдаемый на одном языке, не переносится на другой.

Никаких причинных заявлений о ранжировании внутри моделей. Системы закрыты. Документировать можно то, что фиксированный промпт вернул в конкретную дату, и как это изменилось после конкретной работы, при сравнении с контролем. Это корреляция с датированным следом, и она стоит дороже, чем причинный язык, который обычно к ней прикладывают.

Соглашения остаются соглашениями, а не стандартами. Файлы вроде llms.txt это складывающаяся практика с частичным и непроверенным распространением, а не утверждённый стандарт. Относиться к ним стоит как к дешёвым, а не как к несущим.

Термин не заявляется как собственность. Словосочетание используют и другие. Здесь поддерживается конкретное, датированное, версионированное определение и привязанная к нему рамка.

Частые вопросы

Что такое AI legibility?

AI legibility это дисциплина, которая измеряет и улучшает, насколько AI-системы способны извлекать, понимать, подтверждать, сравнивать и выбирать компанию, продукт, основателя или специалиста в реальных условиях принятия решения.

Определение Екатерины Шалель, основательницы Legibi.

Чем AI legibility отличается от SEO?

SEO это один из входов. AI Search и GEO, technical SEO, digital PR, entity и brand authority, а также measurement закрывают разные части evidence chain. AI legibility измеряет, как эти входы работают вместе, когда AI-системе нужно извлечь, понять, сравнить и выбрать сущность.

Чем AI legibility отличается от корпоративной legibility для инвесторов?

В венчурном лексиконе legibility означает понятность компании человеку: инвестору, партнёру, аналитику. AI legibility изучает, как AI-системы извлекают и описывают сущность, учитывают противоречия и приписывают утверждения источникам в заданных условиях. Сам ответ не доказывает проверку источников. Пересечение есть, задачи разные.

Кто поддерживает это определение?

Екатерина Шалель, founder of Legibi and legibility strategist, на katyashalel.com. Документ версионирован, датирован и содержит публичную историю изменений, поэтому любое определение можно привязать к версии, в которой оно появилось.

9. Автор

Екатерина Шалель, founder of Legibi and legibility strategist. Помогает основателям и компаниям становиться читаемыми для AI-систем вроде ChatGPT, Claude и Perplexity. Автор методологии Legibility Sprint и терминов public decision record, Indifference Test и First Customer Tax. Ранее построила SKINBOT, нейтральный AI decision layer для бьюти-ритейла с живыми пилотами в России и Эстонии, который служит прикладным доказательством метода.

О себе · ORCID 0009-0003-8973-6443

10. История версий

v1.0 · 5 августа 2026. Первое каноническое определение. Задаёт четырёхслойную рамку, границы относительно SEO, GEO, AEO, entity SEO, PR и работы с графом знаний, отделяет дисциплину от венчурного значения слова legibility, фиксирует требование негативного контроля при измерении и явные ограничения.

Внешняя запись · 7 августа 2026. Протокол Synthetic Term Control, то самое требование к измерению из раздела 7, депонирован как препринт и получил постоянный идентификатор от третьей стороны: 10.5281/zenodo.21840173, проиндексирован в OpenAIRE. На 7 августа 2026 текст определений на этой странице не менялся, версия оставалась 1.0.

v1.1 · 17 августа 2026. В английском каноническом определении добавлена граница относительно AI accessibility в разделе 3. Причина: запуски в холодной сессии 17 августа показали, что AI-системы классифицируют работу как accessibility, инклюзивный UX и ответственный AI, когда их просят назвать профессию, и рекомендуют консультантов по доступности в ответ на вопросы о legibility. Определение в разделе 1 и четыре слоя в разделе 4 не изменились.

v1.2 · 1 сентября 2026. В английском каноническом определении уточнены извлекаемость, понимание и подтверждение, обновлены диагностическая цепочка и ограничения доказательности. Даты v1.1 и v1.2 относятся к истории английского оригинала, а не к отдельной публикации русского перевода.

v1.3 · 23 сентября 2026. Русская версия синхронизирована с английским каноническим определением v1.3. Добавлен явный bridge к AI Search и GEO, technical SEO, digital PR, entity и brand authority, а также measurement. Один ответ модели не трактуется как доказательство рынка, а соседние дисциплины не объявляются синонимами AI legibility.

Устаревшие версии остаются доступными по своим адресам и не удаляются. Изменения любых определений на этой странице появляются здесь с датой и причиной.