AI Visibility Audit: як за 1 годину перевірити, чи бачить ваш бренд AI

TL;DR

AI Visibility Audit — це системний 5-крокий процес: (1) скласти query set із 15–25 промптів навколо бренду; (2) виконати кожен промпт на 3 LLM (ChatGPT, Perplexity, Gemini); (3) класифікувати кожну відповідь у 4 категорії gaps; (4) звести у Coverage Matrix брендів × платформ × intent-типів; (5) сформулювати топ-3 gaps і priority roadmap. Перший аудит займає ~1 годину для self-brand і 4–8 годин для повного клієнтського проєкту. Це найфундаментальніший навик AI Visibility-спеціаліста (S1 у канонічних 8 скілах школи) і вхідна точка у платні engagement-моделі від €500 до €2500.

Орієнтири доходу базуються на відкритих ринкових даних EU/US digital-послуг. Не є гарантією доходу.

Ключові терміни

Query set — структурований набір з 15–25 промптів навколо бренду, розкласифікованих за 4 типами intent (informational, comparison, recommendation, transactional).

Gap classification — таксономія з 4 категорій, у які можна віднести кожну AI-відповідь: бренд не згаданий / згаданий правильно / згаданий неточно / згаданий гірше за конкурента.

Coverage Matrix — фінальна зведена таблиця формату «бренд × платформа × intent» з gap-маркуванням кожної клітинки.

Citation rate — головна метрика audit-у: відсоток відповідей AI, де ваш бренд процитований (по 3 платформах × N запитів).

Sentiment — емоційне забарвлення згадки бренду: positive / neutral / negative. Замірюється окремо від факту citation.

Що таке AI Visibility Audit і коли його робити?

Це базова operation, з якої починається будь-яка AI Visibility робота. Без audit-у неможливо ні зрозуміти стартову точку, ні поставити цілі, ні виміряти прогрес. Якщо SEO-спеціаліст починає роботу з website audit, AI Visibility-спеціаліст починає з AI Visibility Audit. Це той самий рівень фундаментальності.

Коли його робити:

• Перед стартом будь-якої AI Visibility-роботи — це baseline для всіх майбутніх рішень
• Раз на квартал для регулярних клієнтів — реальні зміни в AI-видимості видно за 60–90 днів
• Перед сезонним піком (e-commerce) або перед launch-кампанією (SaaS) — щоб зрозуміти, чи AI «знає» новий продукт
• При ребрендингу або зміні positioning — щоб зʼясувати, чи AI вже асоціює бренд з новою категорією
• При появі видимого конкурента — щоб побачити, чи він уже зʼявився в AI-відповідях

Що audit не є: це не «спитайте у ChatGPT про себе і подивіться, що буде». Це methodologically structured процес з фіксованим query set, повторюваним протоколом і classified output. Без структури результат непридатний для business-рішень — це просто скріншоти.

Інструменти, які потрібні

Хороша новина: повний audit можна зробити безкоштовно. Достатньо інструментів, які вже є у кожного digital-маркетолога.

Якщо ти професійно надаєш audit-послуги клієнтам у retainer-моделі, на 2–3 місяці варто додати paid GEO-tracking сервіси для автоматизації. Вони знімають manual bottleneck (запуск 25 промптів × 3 платформ = 75 ручних дій), але для першого audit-у не потрібні. Сильна порада: не залазь у paid стек, поки не зробив 3–5 manual audits — інакше пропустиш intuition про те, як LLM реально відповідає.

Крок 1 — Скласти query set із 15–25 промптів

Це найважливіший крок. Якість усього audit-у залежить від якості query set-у. Виконуй методично, не наскоком.

Як думати про query set

Уяви свою ICP, яка йде в ChatGPT і пише прицільний запит. Не «що таке ваша категорія» — а реальні decision-orientated запити. Принцип: кожен запит має бути таким, на який реальний потенційний клієнт міг би шукати рішення.

Структуруй query set за 4 типами intent:

Тип 1 — Informational (5–7 запитів) «Що таке X», «Як працює Y», «Поясни концепт Z»

Приклади:

• «Що таке AI Visibility?»
• «Як працює retrieval-augmented generation?»
• «Чим відрізняється GEO від SEO?»

Це низько-комерційні запити, але важливі: бренд, який цитується тут, отримує authority в категорії на long-term.

Тип 2 — Comparison (4–6 запитів) «X vs Y», «що краще для Z», «alternatives to A»

Приклади:

• «HubSpot vs Salesforce для невеликих SaaS»
• «Які альтернативи Mailchimp існують у 2026?»
• «Що краще для B2B-контенту — Webflow чи WordPress?»

Comparison-запити — золота жила AI Visibility. Якщо AI цитує конкурента, а тебе ні — це найгостріший business pain.

Тип 3 — Recommendation (4–6 запитів) «Порадь X», «найкращий Y для Z», «який обрати»

Приклади:

• «Порадь українські e-commerce платформи для fashion-бренду»
• «Який найкращий CRM для агенції до 20 співробітників?»
• «Які найкращі AI Visibility агенції в Європі?»

Це найбільш decision-orientated тип запитів. Citation тут — пряма дорога до ліда.

Тип 4 — Transactional / Validation (3–5 запитів) «Чи варто купувати X», «чи дійсно Y робить Z», «огляд A»

Приклади:

• «Чи варто купувати HubSpot Marketing Hub за €890/міс?»
• «Чи правда, що Webflow дешевший за WordPress на enterprise-level?»
• «Огляд інструмента X — чи варто він своєї ціни?»

Це validation-стадія customer journey. Citation тут — фінальний удар перед покупкою.

Розподіл у фінальному query set

Базова рекомендація на 20-запитний audit:

Звідки брати запити

Чотири робочі джерела (не покладайся тільки на одне):

1. Customer interviews + sales calls — реальна мова клієнтів. Записуй формулювання, які вони використовують.
2. Reddit, Quora, профільні форуми — там люди прямо пишуть свої запити повними реченнями.
3. ChatGPT в reverse-mode — спитай у ChatGPT «Які питання найчастіше задають про [твоя категорія]?» — отримай 15+ кандидатів.
4. Existing SEO-keywords як вхідна точка — візьми топ-20 commercial keywords, переформулюй у природні промпт-фрази.

Пастка: не використовуй формулювання, які звучать як SEO-запит («best crm 2026»). Реальний користувач пише природно («який CRM мені обрати для my 30-person SaaS»). LLM розрізняє ці два режими — і відповідає по-різному.

Крок 2 — Виконати кожен промпт на 3 LLM

Тепер найрутинніша частина: пройти 20 запитів × 3 платформи = 60 actions. На це йде ~45–60 хвилин, якщо рухатись методично.

Протокол виконання

Робиш одну вкладку браузера на платформу. Послідовність:

1. Вставляєш промпт у ChatGPT
2. Чекаєш повної відповіді (важливо — не переривай)
3. Робиш screenshot цілої відповіді
4. Копіюєш text-відповідь у відповідну клітинку Google Sheets
5. Вмикаєш звичайний browsing-режим, не «think longer» — це впливає на citation behavior
6. Переходиш до Perplexity → той самий промпт → screenshot + копія
7. Переходиш до Gemini → той самий промпт → screenshot + копія
8. Наступний промпт

Що зберігати

Для кожної відповіді у Sheet ти зберігаєш:

• Дату і час запиту (важливо — результати можуть змінюватись день за днем)
• Повний text відповіді (не resume — full text)
• Список згаданих брендів у відповіді (включаючи свій, якщо є)
• Конкретні посилання, які платформа показала
• Screenshot з імʼям файлу типу chatgpt_q01_2026-05-18.png

Контрінтуїтивний момент

Не запитуй кілька разів у режимі чату. Кожен audit-запит має бути у fresh-сесії (новий чат), без preceding-контексту. Інакше попередні запити впливають на відповідь — і ти отримуєш забруднені дані.

У ChatGPT: тиснеш «New chat» перед кожним промптом. У Perplexity: «New thread». У Gemini: «New conversation».

Це додає 5 секунд на запит, але без цього audit-дані не валідні.

Крок 3 — Класифікувати кожну відповідь

Тепер у тебе 60 текстових відповідей. Час перетворити їх з raw-data на classified data, на якій можна приймати рішення.

4 категорії gap classification

Кожну відповідь маркуєш одним з 4 кольорів:

Розширення для повного audit-у

У professional-режимі додаєш ще 3 атрибути для кожного запису:

• Sentiment — positive / neutral / negative (для категорій A, B, C)
• Position у списку — якщо у відповіді кілька брендів, на якому місці згаданий ваш
• Source quality — звідки LLM витягла info (Wikipedia, корпоративний сайт, форум, news)

Це дає глибший рівень insight, але для першого audit-у достатньо basic 4-категорійної classification.

Приклад класифікації

Запит: «Порадь українські AI Visibility агенції»

Висновок одного рядка: ваш бренд видимий на 1/3 платформ — і це чітко countable gap.

Крок 4 — Звести у Coverage Matrix

Тепер усе зведене у формат, який можна одразу показувати клієнту або керівнику.

Структура Coverage Matrix

Це таблиця, де рядки — запити (з вашого query set-у), а колонки — платформи. Кожна клітинка містить gap classification (A/B/C/D) + position.

Що читається з Matrix

З цієї таблиці одразу видно:

• Citation rate by platform — на якій з 3 платформ присутність найслабша
• Citation rate by intent type — у яких типах запитів gap найгостріший
• Worst-case коефіцієнт — у скількох % запитів бренд взагалі не зʼявляється на жодній з 3 платформ
• Best-case коефіцієнт — у скількох % зʼявляється на всіх 3

Приклад показника

Якщо у 12 з 20 запитів бренд у категорії D на 2 з 3 платформ — це citation rate ~33% і AI Visibility Score ~20/100. Це baseline. Через 90 днів цілеспрямованої роботи Score має зрости до 40–60. Через 6 місяців — до 60–80.

Крок 5 — Сформулювати топ-3 gaps + roadmap

Останній крок — найбільш стратегічний. Маса insight з Coverage Matrix має перетворитись на дії.

Правило топ-3 gaps

Не пиши 15 рекомендацій. Виокремлюй максимум 3 priority gaps. Чому 3:

• Психологічно це actionable — клієнт або team може утримувати 3 пріоритети
• Економічно — реальні ресурси завжди обмежені
• Стратегічно — інші gaps часто розвʼязуються як побічний ефект роботи над топ-3

Як обрати топ-3

Скоринг кожного gap за трьома критеріями:

1. Business impact — чи цей запит на decision-стадії покупки (Recommendation > Comparison > Transactional > Informational)
2. Volume potential — чи запит масовий, чи нішевий (запитується часто чи рідко)
3. Closability — наскільки реально закрити цей gap за 60–90 днів (інколи треба 6+ місяців)

Спершу формуй long-list з 5–8 gaps, потім скоринг, потім фінальні 3.

Структура recommendation

Для кожного з топ-3 gaps пишеш short-form recommendation у форматі:

GAP #1 [PRIORITY]
What: [одне речення опису]
Why: [бізнес-логіка — чому це болить]
Action: [3–5 конкретних кроків]
Timeline: [реалістичний горизонт]
Owner: [хто це робить]
Success metric: [як заміряти]

Це готовий артефакт, який можна одразу відправляти клієнту або керівнику. Без додаткового форматування.

Шаблон Google Sheets

Структура шаблону, який копіюється для кожного нового audit-у:

Tab 1: Brief — Brand · ICP · Поточні позиції в Google · Цілі audit-у · Назва персони клієнта

Tab 2: Query Set — # · Запит · Intent · Priority · Notes

Tab 3: Raw Responses — Q# · Platform · Date · Full response · Mentioned brands · URL sources · Screenshot link

Tab 4: Coverage Matrix — Q# · Query · Intent · ChatGPT class · Perplexity class · Gemini class · Sentiment · Notes

Tab 5: Findings — Top-3 gaps з action structure · Top-3 wins for protect · Strategic observations

Tab 6: Roadmap — 60-day plan з 4 фазами (Quick wins 0–14d · Content updates 15–30d · Citations build 31–45d · Monitor + iterate 46–60d)

Готовий шаблон Google Sheets — у мінікурсі школи (€19) у вигляді Make a copy лінка.

Приклад audit-у — anonymized SaaS-бренд

Щоб показати, як це працює на реальному кейсі. Бренд — український B2B SaaS у HR-tech, target EU-ринок, ~50 співробітників, 2 роки на ринку.

Query set (20 запитів):

• 6 informational про категорію (HR-tech, recruitment software)
• 5 comparison (vs Workable, vs Greenhouse, vs Personio)
• 5 recommendation для різних use-cases (50-person company, growing startup, EU compliance)
• 4 validation (pricing transparency, EU GDPR compliance, support quality)

Виявлено після Coverage Matrix:

• Citation rate ChatGPT: 5%
• Citation rate Perplexity: 25%
• Citation rate Gemini: 15%
• Overall AI Visibility Score: 15/100

Топ-3 gaps:

1. Бренд не присутній у comparison-запитах — Personio і Greenhouse цитуються, бренд X — ні. Action: 4 long-form comparison articles за 6 тижнів.
2. Wikipedia-entity відсутня — у Perplexity знаходиться, але описана неточно. Action: створення Wikipedia-entry + Wikidata sameAs за 30 днів.
3. Низький recommendation citation у Gemini — Google AI Overviews не показує бренд у локальних UA-search. Action: structured data audit + schema markup за 14 днів.

Realistic outcome за 90 днів: AI Visibility Score з 15 до 45 ± 10.

Це не гарантований результат — реальна динаміка залежить від competitor activity, content quality виконання, recency LLM-індексів. Але це реалістичний target, не маркетинговий хайп.

Скільки можна за це брати у клієнта?

Якщо ти робиш audit як freelance-послугу клієнтам, цінові орієнтири для EU/US-ринку 2026:

Орієнтири взяті з ринкових даних EU/US digital-послуг. Не є гарантією доходу. Реальна ставка залежить від попереднього досвіду, рівня клієнта, конкретного ринку.

Якщо ти ще не продавав AI Visibility як окрему послугу, окрема стаття «AI Visibility як retainer-послуга — playbook для freelance-консультанта» розкладе процес від першого pitch-у до підписаного contract-у.

60-денний roadmap після audit-у

Audit — це baseline. Без roadmap-у audit залишається текстовим документом. Формат, який працює:

Тиждень 1–2 — Quick wins (high impact, low effort)

• Виправлення factual помилок у згадках бренду
• Додавання schema markup до 5–10 ключових сторінок
• Wikidata entity create або update
• LinkedIn/X consistency check

Тиждень 3–4 — Content updates (medium impact, medium effort)

• 2–3 priority pages переписати з TL;DR + definitions + comparison-структурою
• Author entity на головних сторінках (founder bio + schema Person)
• FAQPage schema на top transactional pages

Тиждень 5–6 — Citations build (high impact, high effort)

• Wikipedia article (якщо немає) або підсилення існуючої
• Outreach до 5–7 industry directory listings
• 1–2 third-party citation pieces (HARO, Featured.com, expert quotes)

Тиждень 7–8 — Monitor + iterate

• Re-run audit на тому самому query set-і
• Compare scores проти baseline
• Adjust roadmap на наступний quarter

Якщо ти системно проходиш цей цикл — citation rate реалістично зростає на 25–45 пунктів за 60 днів. Не магія, але і не лінійна функція — деякі engines оновлюються повільніше, тому partial-результат у Perplexity (real-time) видно швидше, ніж у ChatGPT (training-based).

Поширені помилки першого audit-у

Я зробив ~30 audits для різних клієнтів і помітив 5 повторюваних помилок новачків:

01. Замала query set (5–10 запитів). Це не audit, це snapshot. Мінімум — 15, бажано 20+.

02. Запити в SEO-стилі («best CRM 2026»). LLM відрізняє SEO-формулювання від conversational — і твій audit перекошений у сторону keyword-логіки.

03. Не fresh-сесії. Якщо контекст у чаті накопичується, попередні запити впливають на наступні. Чисті результати — тільки в new chat сесіях.

04. Чисто manual screenshot без classification. Це archive, не audit. Без gap classification і Coverage Matrix — даних, на яких можна діяти, немає.

05. Recommendations без priority. 15 рекомендацій = 0 рекомендацій. Завжди топ-3. Інші — у backlog.

Що з цим робити сьогодні?

Якщо ти дочитав до цього місця — у тебе вже є повна methodology, щоб зробити свій перший AI Visibility Audit. Три природні наступні кроки:

По-перше, виділи годину в calendar-і у найближчий тиждень. Скопіюй шаблон Google Sheets з мінікурсу школи (€19). Зроби audit для свого власного бренду (або бренду знайомого, або відомого українського SaaS — для practice). Перший audit — це training-experience, не commercial виконання.

По-друге, прочитай статтю «Як AI обирає, які бренди рекомендувати» — там розкладено 12 ranking-сигналів, які пояснюють, чому саме ці gaps виявилися у твого бренду. Без розуміння mechanism неможливо системно розвʼязувати gaps.

По-третє, якщо хочеш системно — у школі програма Professional дає всі 8 канонічних навичок з куратор-led перевіркою audit-у на твоєму реальному бренді. Audit — це лише S1 з 8. Без S2–S8 audit залишається діагнозом без лікування.

FAQ

Чи треба робити audit на всіх 4 LLM-платформах? Для першого audit-у достатньо 3 (ChatGPT, Perplexity, Gemini). Google AI Overviews треба додавати, коли вони доступні у твоєму regional Google (UA — у режимі rolling deployment). Для retainer-роботи — обовʼязково всі 4.

Як часто повторювати audit? Раз на квартал — мінімум. Для активного engagement з клієнтом — раз на місяць на тих самих 20 запитах + 5 нових seasonal queries.

Скільки часу займає реальний клієнтський audit? Standard audit (20 × 3) — 4–8 годин: 2 години query set development, 1 година execution, 1 година classification, 2–4 години reporting. Орієнтир ціни клієнту — €800–1500 за такий обсяг.

Чи можна автоматизувати audit? Частково — через спеціалізовані GEO-tracking сервіси або власний скрипт через OpenAI/Anthropic API. Manual execution все ще корисний для якісного insight на classification і sentiment стадіях. Auto-only audit пропускає nuance.

Чи можна давати клієнту тільки Google Sheets без презентації? Технічно — можна. Practically — це downgrade твоєї роботи. Sheet — це raw data. Клієнт платить за insight + recommendations. Тому стандарт: Sheet + 5–12 page PDF/docx + 30–60 min call.

Що робити, якщо AI Visibility Score дуже низький (нижче 10)? Це нормально для бренду, який ніколи не робив AI Visibility-роботи. У 60% audits для українських брендів початковий score — 5–15. Це baseline, не вирок. Реалістична динаміка — +25 пунктів за 60 днів і +40 за 120 днів.

Дисклеймер. Методологія audit-у базується на власній практиці і відкритих research-публікаціях про AI search behavior. Конкретні результати залежать від ринку, ICP, поточної brand presence і платформ-специфічних змін. Усі цифри (citation rates, prices, timelines) — орієнтовні, не гарантія результату.