AI может вас найти. Но выберет ли он вас?

Видимость только начало. Более полезный вопрос начинается там, где AI должен решить, стоит ли включать вас в шорт-лист.

Последний год я работаю внутри проблемы, которой большинство компаний только начинает давать название.

Я построила собственный AI-стартап без большой маркетинговой машины за спиной. Работала с компаниями, которые пытались понять, как они выглядят внутри AI-систем. Потом начала делать то же самое с людьми: основателями, экспертами, специалистами, чья публичная идентичность не помещается аккуратно в один корпоративный домен.

Я очень много смотрела на реальные ответы.

Не на дашборды. На ответы.

Кто появился. Кто нет. Кто появляется, если спросить по имени, но исчезает, если описать потребность. На какие источники опирается AI. Что понимает правильно. В чём уверенно ошибается. Что происходит после того, как меняется что-то в публичной информации.

В какой-то момент изменился сам вопрос.

Он перестал звучать так:

Может ли AI вас найти?

И стал звучать так:

Что заставит AI выбрать вас?

Кажется, что разница небольшая. Я так не думаю.

Сейчас вокруг AI visibility строится целая новая категория. Компании хотят знать, как они выглядят в ChatGPT, Gemini, Claude, Perplexity и других системах. Маркетинговые команды хотят видеть, где выигрывают конкуренты. Агентства хотят понимать, какие источники влияют на ответ и какой контент создавать дальше.

Этот рынок реален. Некоторые продукты, которые на нём строятся, действительно сильные.

Но я думаю, что сама возможность гораздо шире маркетингового отдела.

Потому что AI рекомендует не только бренды.

Он рекомендует компании, которых стоит нанять, продукты, которые стоит купить, основателей, которых стоит знать, экспертов, которым стоит позвонить, людей, с которыми стоит работать.

И потребность понимать такие решения не начинается только тогда, когда у компании появляется большой маркетинговый бюджет.

У основателя маленькой команды тот же базовый вопрос.

У специалиста, чья экспертиза и есть продаваемый продукт, тоже.

И у человека, который сознательно строил публичное имя вокруг своей работы, тоже.

Это разные сущности. Если обращаться с ними как с одной и той же, появляются отдельные ошибки.

Основатель не равен своей компании. Компания не равна одному из своих клиентов. Профессионал не автоматически "personal brand". А текущая работа человека не обязательно совпадает с тем, чем он был известен три года назад.

AI должен разобраться со всем этим ещё до того, как начинается рекомендация.

И я видела, насколько легко он с этим не справляется.

Система может прочитать каждую страницу сайта и всё равно неверно понять, чем на самом деле является компания.

Она может отлично знать компанию, если спросить о ней по имени, а потом не включить её в ответ, когда покупатель описывает ровно ту проблему, для которой эта компания существует.

Она может найти годы информации о человеке и собрать все эти прекрасно читаемые кусочки в неправильную идентичность.

Readable не значит legible. А legible ещё не значит chosen.

Поэтому видимость всё меньше интересует меня как конечная точка.

Мне интересно, что происходит после видимости.

Когда человек описывает реальную потребность, рассматривают ли вас?

Кого рассматривают вместо вас?

Что AI, судя по ответу, считает правдой о вас?

На какие свидетельства он опирается?

Где этих свидетельств не хватает, где они противоречат друг другу или просто ведут к неправильному выводу?

И главное: что именно, если вообще что-то, нужно менять?

Вот здесь текущий разговор про "оптимизацию под AI" начинает меня раздражать.

Уже есть знакомый чек-лист.

Публикуйте больше контента. Добавьте FAQ. Добейтесь упоминаний на Reddit. Добавьте schema. Сделайте comparison pages. Получите больше цитирований.

Возможно.

Но если AI перепутал вашу компанию с вашим клиентом, ещё один пост в блоге не обязательно решит проблему.

Если система понимает, что вы делаете, но не видит достаточного независимого подтверждения конкретного утверждения, переписывание About page может не изменить ничего.

Если основатель, компания и продукт воспринимаются как три несвязанные сущности, публикация ещё большего количества той же информации может просто создать ещё больше той же проблемы.

Исправление зависит от конкретного сбоя.

Звучит очевидно. На практике это полностью меняет сам продукт.

Я не думаю, что большинству людей нужен ещё один дашборд с промптами, оценками и графиками, которые сначала надо научиться интерпретировать.

Они хотят знать:

Где меня выбирают?

Где я проигрываю?

Почему?

Что исправлять первым?

Можете ли вы помочь это исправить?

Сработало ли это?

Именно на эти вопросы я строю Legibility.

Под ними находится достаточно строгая система. Она разделяет то, что реально наблюдалось, и то, что мы выводим из наблюдений. Сохраняет исходные ответы AI и свидетельства, на которых они основаны. Считает разные модели, языки и рынки разными наблюдениями, а не смешивает всё в одну успокаивающую цифру.

И если данных недостаточно, чтобы рекомендовать изменение, ответ должен быть именно таким.

Пока ничего не менять.

Но вся эта сложность не должна становиться работой клиента.

Для меня это принципиально.

Корпоративная версия этой проблемы действительно может требовать огромного количества инфраструктуры. Большим маркетинговым организациям нужны глубокая аналитика, процессы, интеграции и команды, которые работают поверх всего этого.

Но сам вопрос появляется намного раньше.

Основателю не нужен маркетинговый отдел, чтобы понять, почему AI снова и снова выбирает трёх конкурентов.

Специалисту не нужно становиться экспертом по AI search, чтобы понять, как интерпретируется его работа.

А компания с сильной маркетинговой командой всё равно должна иметь возможность углубиться, посмотреть свидетельства и понять, что именно находится под рекомендацией.

Одна проблема. Разная глубина.

Поэтому я всё меньше думаю о Legibility как о visibility tool и всё больше как о слое для machine-mediated choice.

Visibility говорит мне, что я появилась.

Legibility должна сказать, достаточно ли система поняла обо мне, чтобы поставить меня в правильное решение, что произошло, когда это решение принималось, и что я могу разумно с этим сделать.

Потом мы измеряем снова.

Не потому, что второе измерение магически доказывает причинность. AI-системы вариативны. Делать вид, что это не так, сделало бы продукт красивее, но менее полезным.

Мы измеряем снова, потому что без проверки того, что произошло после вмешательства, "оптимизация" остаётся в основном советом.

Меня намного больше интересует цикл.

Понять. Измерить. Диагностировать. Исправить. Измерить снова.

А потом продолжать наблюдать.

Потому что публичная реальность меняется. Компании меняют позиционирование. Основатели переходят в другие проекты. Появляются новые свидетельства. Старая информация живёт гораздо дольше, чем мы думаем. Разные языки рассказывают разные версии одной и той же компании. Меняются и сами AI-системы.

Legibility должна жить внутри этого движения.

Есть ещё что-то немного смешное в названии, которое я выбрала.

Legibility это обычное английское слово.

И пока я строю продукт, который должен помогать компаниям и людям становиться более понятными для AI-систем, мне самой приходится делать Legibility legible.

Продукт должен начать ассоциироваться с проблемой, которую решает.

Моё имя должно правильно связываться с продуктом, который я строю.

Публичные свидетельства должны складываться в понятную картину.

И когда AI ошибается в любой части этой картины, я хочу видеть, где именно сломалось понимание.

Поэтому я не стою снаружи этой проблемы и не объясняю её.

Я строю внутри неё.

И именно здесь, как мне кажется, следующая часть AI-маркетинга становится намного интереснее.

Вопрос уже не только в том, может ли AI вас найти. Вопрос в том, что происходит, когда AI должен решить, заслуживаете ли вы места в шорт-листе.