Как мы за два дня собрали инструмент для попадания брендов в рекомендации LLM

Когда CTR из Google начал заметно падать на запросах с AI Overviews, стало понятно: классический SEO больше не покрывает всю воронку. Часть лидов теряется на уровне, до которого Google вообще не доходит — клиенты спрашивают ChatGPT и получают список из трёх компаний. Мы в AI MAP собрали для NCTeam бесплатный инструмент, который показывает, что и где нужно делать, чтобы в этот список попадать. Дальше — как мы его делали и почему именно так.

Задача от заказчика

NCTeam — сервисная команда, делает чат-ботов и AI-решения для бизнеса под ключ. У них основной канал лидов — органика и сарафан. Запрос был такой: нужен лёгкий контентный актив, который соберёт внимание на новой теме (LLM-видимость) и приведёт лидов, которых интересует внедрение под ключ.

Сама идея — серия мини-инструментов под актуальные темы. В индустрии это часто называют lead magnet, но мы предпочитаем формулировку lead MVP: пользователь не оставляет email за PDF, а сразу получает рабочий продукт. Это даёт другую интенсивность лида — приходит не «скачаю-почитаю», а «попробовал, понравилось, нужна помощь во внедрении».

Что выбрали в качестве темы

Тренд должен был отвечать четырём критериям:

• обсуждается прямо сейчас (есть рост запросов и упоминаний);
• релевантен услугам NCTeam (чтобы лиды были целевые);
• у читателя есть конкретное действие, которое он может совершить;
• конкуренции по русскоязычным инструментам почти нет.

LLM-видимость попадала во все четыре пункта. Тема разогналась в англоязычной среде в начале 2026 года, до русскоязычного B2B дошла позже, инструментов под рынок СНГ не было.

Почему отказались от «честного» аудита через API

Первая очевидная архитектура: пользователь вводит бренд, мы дёргаем API всех LLM, парсим ответы, показываем «вас упоминают в 3 из 5». Это умеют делать западные SaaS-сервисы, и стоит это от $99/мес.

Мы от неё отказались по трём причинам.

Цена. Запрос в API LLM стоит денег. Каждый прогон по пяти моделям и нескольким запросам — это несколько центов. Для бесплатного инструмента, который должен выдерживать массовый трафик с LinkedIn, это плохая экономика.

Время отклика. Запросы к API занимают секунды. Если пользователь ждёт 15–20 секунд результата, конверсия падает в разы.

Ценность ответа. «Вас упоминают в 3 из 5» — это диагноз, а не действие. Пользователь получает отчёт и не знает, что с ним делать. А нам нужно было, чтобы он закрыл инструмент с пониманием «иди туда, делай это».

Поэтому решили строить иначе: ноль запросов к LLM на основном шаге, статическая карта источников, ноль регистраций.

Карта источников — главный актив

Карта — это таблица действий, где для каждого действия указано: в какие LLM оно попадает, в каких регионах применимо, какое влияние, сколько усилий, сколько времени, куда конкретно идти и почему это работает.

Сразу скажем главное: состав обучающих данных у основных LLM закрыт. OpenAI, Anthropic, Google и Yandex не публикуют детальный список источников, веса и приоритеты. Это значит, что любая «карта откуда LLM берёт информацию» — это гипотеза, а не точный технический документ.

Собирая карту, мы опирались на то, что доступно публично:

Документация открытых корпусов. Common Crawl, Wikipedia, открытые наборы данных GitHub и Reddit. Известно, что они входят в обучающие корпусы большинства основных моделей — это упоминается в research papers OpenAI (GPT-3), Anthropic (Constitutional AI), Google (PaLM, Gemini).

Архитектура свежих ответов. Perplexity работает поверх индекса Bing — это они сами заявляют. AI Overviews Google и режим поиска в Gemini — поверх индекса Google. ChatGPT в режиме поиска — тоже Bing. Эти источники легко проверяются, потому что в ответах есть ссылки.

Заявления вендоров. Yandex говорит про обучение на «русскоязычной части интернета», без конкретики. По этому утверждению мы предположили, что сервисы внутри экосистемы Яндекса (Дзен, Кью) индексируются плотнее и попадают в обучение чаще, чем внешние ресурсы — но прямого подтверждения этому нет.

Наблюдения SEO-комьюнити. Открытые исследования и тесты по тому, какие сайты цитируются в Perplexity, AI Overviews и Gemini. Это коллективный опыт практиков, а не научные публикации, но он даёт сигнал, на какие источники модели ссылаются чаще.

В инструменте мы зашили оговорку, которую считаем критически важной: план показывает приоритеты на основе открытых данных, но не гарантирует попадание в ответы LLM. Это честнее, чем продавать «гарантированный способ оказаться в ChatGPT за две недели».

Технический стек

По нашему стандарту вайбкодинга это малый проект, поэтому стек простой:

• Frontend и backend: Next.js (App Router) + Tailwind;
• БД: SQLite, только для аналитики событий;
• Хостинг: внутри основного домена ncteam.io/tools/llm-visibility/;
• Разработка: Claude Code в VS Code, методология vibecoding-ncteam.

Сборка заняла два дня: один день на карту источников и логику, второй — на верстку, ревью и интеграцию в дизайн ncteam.io.

Что получилось

Инструмент работает в три шага. Пользователь выбирает регион (Россия, СНГ, Европа, США), выбирает LLM, в которых хочет быть видимым, вводит свою нишу. Получает список действий, отсортированных по силе — сверху самые мощные и универсальные, ниже — более нишевые.

Каждое действие раскрывается в карточку: куда идти, что конкретно делать, почему это работает для выбранных LLM. Никаких форм, регистраций, отчётов на email. Открыл — сделал — закрыл с пониманием, что делать дальше.

Где всё-таки задействован AI

Статическая карта решает задачу «куда идти всем». Но универсальный список даёт пробелы: GitHub полезен айтишникам и бесполезен стоматологии, медицинские порталы нужны клинике и не нужны разработчикам.

Поэтому после статической фильтрации мы делаем один лёгкий запрос к Claude Haiku. Модель получает на вход выбранную нишу и текущий список действий, и возвращает две вещи: какие пункты из карты для этой ниши лучше скрыть, и какие 3–4 нишевых ресурса стоит добавить дополнительно (отзовики, профильные каталоги, отраслевые СМИ).

Дополнения показываются отдельной секцией с пометкой «Подобрано AI» и явным дисклеймером — мы не выдаём гипотезу LLM за проверенные данные.

Стоимость такой доработки — копейки. Один запрос на Haiku обходится примерно в три тысячных доллара, плюс кеширование по нормализованному ключу «ниша + регион + набор LLM» снижает реальное число запросов к API в 5–10 раз. При вирусном пике в десятки тысяч проверок счёт за API остаётся в десятках долларов.

CTA внизу страницы ведёт в Telegram NCTeam — для тех, кому проще делегировать весь план под ключ.

Где этот подход работает

Lead MVP (рабочий инструмент вместо PDF-чеклиста) — это не одноразовый трюк, а формат, который мы рекомендуем там, где есть три условия:

1. Тема острая, обсуждается прямо сейчас, и под неё нет нормального русскоязычного инструмента.
2. У продукта или услуги длинный цикл сделки — нужен механизм первого контакта без давления.
3. Аудитория практичная — ей важно «попробовать», а не «почитать о возможностях».

Под эти условия мы делаем такие инструменты в связке: статья + рабочее MVP.

Главное — что это MVP, а не финальная истина

Мы хотим быть прямыми. Этот инструмент решает узкую задачу: дать непрофильному специалисту ответ «куда идти и что делать», чтобы его бренд начал появляться в ответах LLM. Это полезно фаундеру, разработчику или владельцу малого бизнеса, у которого нет своего маркетолога.

Но мы — не маркетологи. И не SEO-эксперты. Мы инженеры, которые увидели тренд, разобрались в нём на уровне «достаточно, чтобы собрать рабочую карту», и упаковали это в инструмент. Карта построена на открытых данных и логике, а не на эмпирическом исследовании цитируемости в каждой LLM.

Что это значит:

— Инструмент уверенно отвечает на вопрос «с чего начать». Wikipedia, профильные СМИ, структурированные данные на сайте — это база, которая работает практически для всех ниш.

— Инструмент не отвечает на вопросы более тонкого уровня: с какой частотой публиковать материалы, какие конкретные форматы конвертируют лучше, как мерить прогресс LLM-видимости в динамике, какие стратегии работают в конкретной B2B-нише.

Здесь мы открыты к коллаборации. Если вы — маркетолог, SEO-специалист, GEO-эксперт или фаундер платформы для отслеживания LLM-видимости, и у вас есть методология, данные или гипотезы, которые сделают этот инструмент сильнее — давайте делать вместе. Мы готовы вкладывать инженерный ресурс, доступ к нашей аудитории и площадку (NCTeam + AI MAP). Если результат окажется громким, его можно превратить в совместное исследование, статью, продукт или серию.

Что дальше

Это первый инструмент в серии. Под актуальные тренды мы планируем выпускать новые: безопасность AI-агентов в проде, оценка ROI автоматизации, диагностика готовности компании к AI-внедрению. Под каждый — связка «статья на AI MAP + рабочий инструмент на NCTeam».

Если у вас есть тема, под которую такая связка может сработать в вашей нише, или вы хотите коллаборироваться по одному из планируемых инструментов — пишите.

Инструмент в работе: ncteam.io/tools/llm-visibility

AI MAP — AI-решения и бизнес-автоматизация, Ереван