Дисклеймер. Кейс реальный, метрики сняты на одной и той же корзине промптов до и после изменений. Имя бренда скрыто по NDA. Цифра «+8 п. к Visibility Score» округлена; следующая итерация замеров — через месяц.
Контекст
Клиент — региональная служба доставки осетинских пирогов с собственным производством и круглосуточным графиком работы. Каналы продаж — собственный сайт, агрегаторы и мессенджеры. По SEO — хорошие позиции в Яндексе и Google по брендовым и гео-запросам. Задача, с которой клиент пришёл к нам, звучала просто: «нас почти нет в нейросетях, и непонятно, насколько это сейчас важно».
К моменту первого аудита у клиента уже был отлажен e-commerce-стек, работала Я.Метрика и собиралась корзина основных промптов в нише. Маркетинг хотел получить ответ на конкретный вопрос: где именно мы проигрываем сейчас в ИИ, и стоит ли тратить ресурс команды на закрытие этих пробелов.
Что нашёл аудит
Snapshot-аудит прогнал нишевую корзину из 30 промптов через восемь моделей (ChatGPT, Claude, Gemini, DeepSeek, Алиса (YandexGPT), GigaChat, Perplexity, AI-обзоры Google). Один из самых чувствительных gap_evidence пришёлся на Gemini:
Промпт. «Доставка осетинских пирогов круглосуточно»
Intent. vendor_search — пользователь явно выбирает сервис.
Лидеры выдачи (Gemini). Qpizza (qpizza.ru), Pirogov.ru.
Бренд А. Не упомянут.
То есть на коммерческом запросе с явным выбором поставщика бренд клиента полностью отсутствовал в ответе модели — Gemini уверенно рекомендовала двух конкурентов. При этом фактически у клиента есть и круглосуточный режим, и доставка по всему городу, и собственное производство — модели просто неоткуда было это вытащить, потому что на самом сайте информация была размазана по нескольким страницам и FAQ.
Дополнительно мы зафиксировали схожие пробелы в Алисе и DeepSeek по запросам вокруг ночной доставки, маршрутов до пригородов и условий минимального заказа. Это укладывалось в одну гипотезу — у бренда нет одной канонической страницы, с которой LLM могут процитировать «график работы службы доставки и скорость выполнения заказов».
Что сделали
Мы выдали клиенту evidence-pack PDF с приоритезированным списком рекомендаций. Ключевая рекомендация по этому конкретному пробелу звучала так:
Приоритет. Средний.
Действие. На странице
/dostavkaдобавить график работы службы доставки и скорости выполнения заказов.Прогноз эффекта. +5 п. к Visibility Score (по нашей оценке, на основе бенчмарков по нише foodtech).
Опережают сейчас. Qpizza, Pirogov.ru.
К этой рекомендации команда клиента добавила ещё две поддерживающие задачи, которые мы согласовали в 30-минутной сессии после аудита:
- FAQPage schema. На странице
/dostavkaразвернули FAQ-блок из 8 пунктов (часы, география, минимальный заказ, способы оплаты, время сборки, скорость, форс-мажоры, контакты диспетчера) и обернули его в FAQPage JSON-LD. - Канонический пассаж. В первом экране
/dostavkaпоставили один абзац на 60–70 слов в формате answer-first («Доставка X работает круглосуточно по Y, среднее время сборки — Z минут, минимальный заказ — N ₽…») — ровно та форма, которую модели охотно цитируют целиком. llms.txt. Добавили запись про страницу доставки в корневойllms.txtс короткой аннотацией — точечный сигнал для LLM-краулеров.
Никаких изменений в контент-стратегию вне /dostavka мы на этой итерации
не вносили — было важно изолировать эффект.
Что измерили через 4 недели
Через 4 недели после публикации правок мы прогнали ту же корзину промптов и сравнили показатели:
- Visibility Score по нише — округлённо +8 п. к старту. Самые сильные приросты — на vendor_search и info-intent промптах вокруг условий доставки.
- Алиса AI. Бренд начал появляться в развёрнутых ответах по запросам про круглосуточную доставку и ночные часы. Раньше его в этих ответах не было.
- Gemini. На промпте «доставка осетинских пирогов круглосуточно» бренд попал в ответ как «Альтернатива» — рядом с Qpizza, но уже с цитатой про собственное производство и время сборки. Это первый случай в наблюдаемой истории.
- Share of voice по нише в Gemini вырос с базовых единиц процентов до двузначной величины. По остальным моделям дельта меньше — там пробелы были иные и работа над ними ещё идёт.
Параллельно команда клиента увидела рост брендовых запросов в Я.Wordstat
и небольшой, но устойчивый трафик с UTM, который мы помечаем как
ai_assistant. Атрибуция в LLM-каналах остаётся спорной темой — мы это
помечаем явно и не приписываем себе чужие заслуги.
Вывод
Главный инсайт кейса прозаичен: чтобы попасть в ответы Алисы и Gemini, бренду не понадобились новые громкие публикации, гостевые посты или платные размещения — хватило одной канонической страницы с понятными фактами и правильной разметкой. Именно потому, что у конкурентов это уже было сделано, а у клиента — нет.
Дальше в работе — ещё несколько gap_evidence по комфортным временам доставки в пригороды и по сравнениям с локальными конкурентами. Следующий замер — через месяц, и мы дополним этот кейс, если дельта удержится.