Share of Voice как метрика LLM-видимости: 4 формулы и подводные камни

Share of Voice (SoV) в LLM — это доля упоминаний или цитирований бренда в ответах AI-поисковиков (ChatGPT, Perplexity, YandexGPT, GigaChat и др.) относительно конкурентов на заданном наборе промптов. Метрика звучит просто, но её главная проблема в 2026 году — отсутствие индустриального стандарта: каждый AGEO-инструмент считает SoV по-своему, формулы как правило закрытые, поэтому цифры из разных дашбордов напрямую несопоставимы. В Citerank мы пошли в обратную сторону: опубликовали формулу Absolute Prominence Score открыто, любую цифру можно пересчитать вручную по тем же входным данным. В этом материале — четыре общеотраслевые формулы расчёта SoV, как именно работает APS у нас, в чём принципиальное отличие от закрытых метрик и пять главных ошибок, из-за которых SoV вводит в заблуждение.

Главное за 30 секунд

• Share of Voice в LLM — это доля присутствия бренда в ответах AI-поисковиков на наборе релевантных промптов; меряется в процентах относительно всех брендов, которые упомянула модель.
• Базовая формула: (упоминания вашего бренда / все упоминания всех брендов) × 100, но эта версия не учитывает позицию и долю текста.
• Position-weighted SoV даёт 1.00 за 1-е место, 0.50 за 2-е, 0.33 за 3-е, 0.25 за 4-е — потому что первое упоминание получает больше внимания читателя.
• Минимальный prompt library — 50 промптов на одну LLM, прогон 3-5 раз; для надёжной картины — 100 промптов, разбитых на entity / category / comparison.
• Cross-platform aggregation (среднее SoV по ChatGPT + Perplexity + Gemini) — методологическая ошибка: только 12% цитирований ChatGPT перекрываются с топом Google SERP, источники у моделей разные.
• Closed-pool error: если считать SoV только против 3-4 заранее выбранных конкурентов, цифра завышена и скрывает реальные угрозы от брендов, которые модель «вытаскивает» из своих данных.
• Citerank публикует формулу Absolute Prominence Score открыто — клиент может пересчитать любую цифру вручную; у большинства международных инструментов формулы закрыты.

Что такое Share of Voice и откуда он пришёл в LLM

Share of Voice исторически — это PR-метрика 60-х годов, которая мерила долю упоминаний бренда в прессе относительно конкурентов в одной товарной категории. Идея простая: чем чаще ваш бренд звучит на фоне рынка, тем выше потенциальная узнаваемость и доля кошелька. В цифровую эпоху SoV перенесли в SEO (доля показов в выдаче), в платный поиск (impression share в Google Ads), в социальные медиа (доля упоминаний в Twitter/X).

В контексте LLM логика та же, но объект измерения изменился. Раньше пользователь видел десять ссылок и сам выбирал, на какую кликнуть, — и SoV считал, сколько раз ваш бренд оказывался в этих десяти. Сейчас пользователь видит готовый ответ модели, и если вашего бренда в этом ответе нет, кликать просто некуда. Поэтому SoV в LLM — это не доля «показов в выдаче», а доля брендового присутствия в синтезированных ответах AI-поисковиков.

Метрика стала одной из четырёх ключевых для AGEO-дисциплины наряду с Mention Rate (процент промптов, в ответах на которые бренд упомянут хоть раз), Citation Share (доля ваших ссылок среди всех источников, на которые модель сослалась) и Absolute Prominence Score (комплексный показатель заметности). Общий разбор всех метрик и инструментов — в нашем пилларе Лучшие AGEO-инструменты 2026: сравнение 9 сервисов.

Четыре формулы расчёта Share of Voice

В индустрии устоялись четыре формулы, и каждая отвечает на свой вопрос. Цифры по одному и тому же бренду в одних и тех же промптах могут отличаться в разы — поэтому всегда указывайте, какую формулу используете.

Mention-Based SoV (базовая): (упоминания вашего бренда / все упоминания всех брендов) × 100. Считается тупо: пробегаете 50 промптов, в каждом ответе считаете, сколько раз названы какие бренды, делите своё на сумму. Плюс — прозрачно. Минус — не учитывает, на каком месте бренд упомянут и какую долю текста занимает.

Position-Weighted SoV: (суммарный вес вашего бренда / сумма весов всех брендов) × 100. Каждой позиции присваивается вес: 1-е место — 1.00, 2-е — 0.50, 3-е — 0.33, 4-е — 0.25, дальше по убыванию. Если ваш бренд три раза упомянут первым (3.00) и два раза вторым (1.00), ваш вес = 4.00. Если конкуренты в сумме набрали 20.00, ваш SoV = 4.00 / 20.00 = 20%. Формула отражает, что верхнее упоминание получает больше внимания.

Word-Count SoV: (слова о вашем бренде / общее число слов в ответе) × 100. Меряет буквальную «долю экрана» — сколько текста модель посвятила именно вам. Полезно, когда модель не просто называет список из 10 брендов, а пишет развёрнутый абзац про каждого. Если про вас два предложения, а про конкурента — два абзаца, mention-based покажет 50/50, а word-count честно скажет 20/80.

Answer SoV (Prompt Inclusion Rate): (промпты, где бренд упомянут хоть раз / все промпты) × 100. Это про охват: в каком проценте релевантных запросов модель вообще вас вспомнила. Эта формула не считает повторные упоминания — только бинарно «был / не был». Полезна для оценки «попадаемости» в категорию, особенно на старте, когда раз попасть важнее, чем доминировать.

Почему позиция важнее количества: математика position-weighted

Простая иллюстрация показывает, насколько position-weighted формула чувствительнее к качеству размещения. Допустим, ваш бренд и конкурент оба упомянуты по 5 раз на 50 промптах. Mention-based SoV у вас 50/50.

Но конкурент упомянут 5 раз на 5-м месте (вес 5 × 0.20 = 1.00), а вы — 5 раз на 1-м месте (вес 5 × 1.00 = 5.00). При суммарном весе всех брендов на рынке 25 ваш weighted SoV = 5.00 / 25 = 20%, а у конкурента 1.00 / 25 = 4%. То есть при равном числе упоминаний разница в видимости — в 5 раз.

Это совпадает с поведением пользователя: в развёрнутом ответе человек редко дочитывает до пятого пункта списка. Бренд, который модель называет первым, получает больше кликов, доверия и запоминаемости.

В Citerank position-weighted логика встроена в Absolute Prominence Score: учитывается не только факт упоминания, но и позиция, длина блока про бренд и наличие гиперссылки. Подробнее о метрике — в материале Citerank vs Rush Analytics AI Трекер.

Открытая формула против закрытых: чем отличается APS у Citerank

Главная боль 2026 года — отсутствие отраслевого стандарта. Большинство AGEO-инструментов рассчитывают SoV по закрытым формулам: пользователь видит готовую цифру в дашборде, но не может её пересчитать и не знает, что именно учитывается. Это удобно поставщику и неудобно покупателю — особенно когда нужно защитить отчёт перед руководством или клиентом.

Absolute Prominence Score (APS) — наша открытая метрика. Формула опубликована и работает так:

APS = mention_rate × position_weight × citation_depth

— mention_rate = доля промптов, где бренд упомянут хоть раз (Answer SoV из раздела выше). — position_weight = взвешенная позиция по схеме 1.00 / 0.50 / 0.33 / 0.25 (position-weighted SoV). — citation_depth = длина блока про бренд + множитель за активную гиперссылку на ваш домен.

Любую цифру в дашборде Citerank клиент может пересчитать вручную по тем же входным данным — у нас открыты и входные ответы LLM, и логика агрегации. Это и есть «прозрачная методология», о которой мы говорим в позиционировании.

Сравнение с другими инструментами рынка. Большинство международных платформ (Profound, AthenaHQ, Rank Prompt) трекают сходные метрики — Mention Rate, Share of Voice, Position, иногда sentiment и hallucination detection, — но формулы публично не раскрывают. Покрытие LLM разное: у одних 8+ моделей с фокусом на западные, у других 2-3, у нас фокус на 4+ моделей включая русские (Claude Haiku 4.5, GPT-4o-mini, YandexGPT Lite, YandexGPT Full) с расширением в roadmap. У российских классических SEO-инструментов (типа Rush Analytics) AI-модуль обычно вторичен по отношению к основному продукту, формальный SoV в документации тоже не описан.

Подробнее о попадании в русские LLM — в гайдах Как попасть в ответы YandexGPT и GigaChat для маркетологов.

Практический вывод: если вы получаете SoV из двух разных инструментов, не складывайте и не сравнивайте напрямую. Либо используйте один инструмент как единую точку правды, либо считайте SoV вручную по фиксированной формуле, чтобы сопоставлять корректно. Открытая APS у Citerank даёт второй вариант «из коробки».

Пять главных ошибок при измерении SoV

Closed-pool error. Самая частая ошибка — считать SoV только против 3-4 заранее выбранных конкурентов, игнорируя бренды, которые модель сама вытаскивает из своих данных. В реальности AI-ответы часто содержат 8-15 брендов, и ваша «доля» против trois избранных кажется большой, а против полного списка — скромной. Правильный подход: учитывать всех упомянутых, не только тех, кого вы знаете.

Игнорирование sentiment. Высокий SoV может быть негативным сигналом, если модель упоминает бренд с пометками «дорого», «сложно внедрить», «отзывы пользователей жалуются на поддержку». В таких случаях рост SoV ухудшает репутацию, а не улучшает. Часть AGEO-инструментов подсвечивает sentiment явно, в остальных это надо проверять вручную — мы рекомендуем выборочно перечитывать сами ответы LLM, не только агрегаты дашборда.

Cross-platform aggregation. Сложить SoV из ChatGPT, Perplexity, Gemini и YandexGPT в одну усреднённую цифру — методологическая ошибка. У моделей разные источники: ChatGPT тяготеет к Wikipedia и крупным изданиям, Perplexity — к Reddit, YouTube и аналитическим отчётам, Gemini — к индексу Google, Claude — к разнообразным веб-источникам. Только 12% цитирований ChatGPT перекрываются с топом Google SERP. Среднее по разнородным выборкам — это не средняя температура по больнице, это вообще не температура. Считать SoV нужно отдельно по каждой LLM.

Single snapshot. Один прогон промпта даёт случайный результат: LLM probabilistic, температура и системный шум смещают ответы. Минимум 3-5 прогонов одного промпта в отдельных сессиях, потом среднее. Без этого SoV пляшет на ±15-30% между замерами и принимается за тренд, которого нет.

Бенчмарк без контекста. SoV сам по себе ничего не значит — 18% это много или мало? Зависит от категории, размера рынка и стадии бренда. В нише с 50 игроками 5% — это лидерство. В нише с тремя — это треть рынка, а может и провал. Всегда сравнивайте SoV с динамикой (вырос / упал относительно предыдущего месяца) и с конкретными конкурентами, а не абсолютной шкалой.

Как собрать правильный prompt library

Размер. Минимальный baseline — 50 промптов на каждую LLM, прогоняются 3-5 раз в отдельных сессиях для усреднения. Это 250-750 запросов на одну LLM в месяц. Для надёжной картины — 100 промптов и регулярный мониторинг (раз в неделю или раз в месяц в зависимости от ниши).

Три категории промптов:

• Entity prompts — «Что такое [бренд]?», «Расскажи о [бренд]» — меряют, насколько модель вообще знает ваш бренд и как описывает.
• Category prompts — «Лучшие инструменты для X», «Какой сервис выбрать для Y» — меряют, попадает ли бренд в категорийные списки.
• Comparison prompts — «X vs Y», «Чем отличается A от B» — меряют, кого модель ставит в один ряд с вашим брендом.

Сбалансированный набор — примерно по 30-35 промптов в каждую категорию. Если перекосить только в entity, получите SoV высокий, но бесполезный (модель отвечает про вас, потому что вы прямо в запросе). Если только category — рискуете не заметить, что модель путает ваш бренд с другим.

Источник промптов. Не выдумывайте из головы. Берите реальные вопросы клиентов из поддержки, SEO-семантики, выгрузок из Wordstat / Google Trends, аналитики поиска внутри продукта. Промпт должен звучать как живой запрос пользователя, а не как идеальный кейс для вашего бренда. О построении семантики под AI — в гайде GEO в России 2026: полный гайд.

Когда SoV врёт и когда работает

SoV работает, когда:

• Категория зрелая, в выдаче LLM регулярно появляется список из 5-15 брендов (CRM, аналитика, productivity-сервисы).
• Вы меряете динамику, а не абсолют — растёт ли SoV квартал к кварталу при тех же промптах.
• У вас есть прозрачная формула и один инструмент как источник правды, без смешения данных из разных вендоров.

SoV врёт, когда:

• Категория ещё формируется, модель называет 1-2 бренда или вовсе один — тогда «100% SoV» получает игрок, на которого приходится единственное упоминание в выборке, и это случайность.
• Вы сравниваете SoV из разных дашбордов (Profound vs AthenaHQ vs Otterly) — формулы и покрытие LLM разные.
• Промпты собраны под себя — например, все включают название бренда явно. В таких прогонах SoV всегда высокий и ничего не говорит о реальной видимости.
• Нет учёта sentiment — растущий SoV с негативным контекстом маскируется под рост видимости.

Практическое правило: SoV — это не метрика для отчёта руководству напрямую. Это рабочий показатель для команды, который имеет смысл только в связке с Mention Rate, Citation Share и анализом sentiment.

Citerank: открытая формула и почему это важно

Открытость методологии — главный коммерческий аргумент Citerank против закрытых международных инструментов. Absolute Prominence Score публикуется с разложением по компонентам: Mention Rate, position-weighted SoV, длина упоминания (word-count), наличие активной ссылки. Любой клиент может скачать сырые данные за промпт и пересчитать APS вручную — цифра в дашборде совпадёт.

Зачем это нужно. Если вы платите $95-3000/мес за дашборд и не понимаете, как считается цифра, у вас два риска. Первый — нельзя оспорить или объяснить динамику внутри команды («почему SoV упал?» — «модель так посчитала»). Второй — нельзя сопоставить ваши цифры с независимым ручным замером для аудита.

При открытой формуле обе проблемы решаются: команда видит, какой компонент просел, и почему это происходит. Это особенно важно для агентств, которые отчитываются перед клиентами и должны защищать цифры. Подробнее об агентском use-case — в материале GEO-инструменты для агентств.

FAQ

Чем Share of Voice отличается от Mention Rate?

Mention Rate — процент промптов, в которых бренд упомянут хоть раз (бинарно «был / не был»). SoV — доля ваших упоминаний от общего числа упоминаний всех брендов. Mention Rate отвечает на «попадаем ли мы», SoV — на «насколько мы заметны на фоне конкурентов».

Какая формула SoV правильная — mention-based или position-weighted?

Зависит от задачи. Mention-based проще и прозрачнее, подходит для отчётности и базового трекинга. Position-weighted ближе к реальному пользовательскому опыту, но требует логирования позиций — не все инструменты его поддерживают. Лучшая практика — считать обе и смотреть в связке.

Сколько промптов нужно для статистической достоверности?

Минимум 50 промптов на одну LLM, каждый — 3-5 прогонов. Это даёт стабильную картину с погрешностью ±5-7%. Для крупных брендов с большим бюджетом — 100-200 промптов, тогда погрешность падает до ±3%. Меньше 30 промптов — это уже не SoV, а гадание.

Можно ли сравнивать SoV в ChatGPT и SoV в YandexGPT?

Только в рамках одного промпта на той же выборке. Усреднять между разными LLM в одну цифру нельзя — у моделей разные источники, разное поведение, разные предпочтения по типам контента. Корректный отчёт — таблица «SoV по каждой LLM отдельно», а не одно число.

Зачем нужны открытые формулы вообще?

Чтобы цифру можно было проверить, оспорить и объяснить. Закрытая формула делает дашборд непрозрачным «чёрным ящиком»: клиент видит число, но не может ни верифицировать его, ни понять, что именно изменить, чтобы цифра выросла. Открытая формула превращает SoV из маркетингового лозунга в рабочий инструмент команды.

Как часто пересчитывать SoV?

Для быстро меняющихся ниш (AI-инструменты, e-commerce) — еженедельно. Для устоявшихся рынков (B2B SaaS, корпоративные сервисы) — раз в месяц. Реже месяца смысла нет: модели обновляются, индекс меняется, и без регулярного замера вы теряете контекст изменений.