GEO своими руками: собираем трекинг видимости бренда в ИИ-ответах на n8n [+ воркфлоу]

В GEO обычная позиция в поиске не гарантирует попадания в ИИ-ответ: Google может использовать query fan-out и искать по переформулированным запросам, а в контекст модели попадает лишь небольшая выборка документов. Поэтому автор предлагает смотреть на Mention rate и Citation rate: первый показывает, как часто модель называет бренд, второй — как часто использует его сайт как источник. Разрыв между ними помогает отличить ситуации, когда модель знает бренд из своих данных, от случаев, когда она находит его через поиск.

Мониторинг состоит из 43 нод и использует общий конфиг и Google Sheets вместе с другими SEO-воркфлоу. Яндекс GenSearch работает через собственный индекс Яндекса, а GPT, Gemini и Qwen получают одинаковые результаты поиска Exa через OpenRouter, чтобы различия между ответами можно было связывать именно с моделями. Актуальное состояние хранится отдельно от append-only истории, а сырые ответы архивируются, чтобы позже можно было пересчитать метрики.

В тестовом прогоне Qwen упоминал бренд в 53% успешных запросов, но ни разу не цитировал сайт; GPT показал 33% упоминаний и 47% цитирований, Gemini — 13% и 7%, Яндекс GenSearch — 7% и 14%. Для 16 категорий автор оценивает один прогон примерно в 81 ₽ за Яндекс и $0,34 за 48 запросов через OpenRouter. При этом метод не измеряет трафик и продажи: это мониторинг присутствия бренда в ИИ-ответах, а не полноценная атрибуция бизнес-результата.