Отслеживание видимости бренда в AI‑поиске перестало быть экспериментом — это новая обязанность для SEO‑специалистов. Коммерческие инструменты по этой задаче стоят сотни долларов в месяц и часто не покрывают специфические тесты и кастомную методику оценки. Решение нашлось в создании собственного трекера: человек без опыта разработки за пару вечеров настроил рабочий инструмент с месячными затратами ниже $100 и выложил пошаговый план, который пригодится практикам.
Основные детали новости
Цель проекта — автоматизировать протокол тестирования для AEO (AI engine optimization) и собрать данные с пяти ключевых поверхностей искусственного интеллекта:
- ChatGPT (через API)
- Claude (через API)
- Gemini (через API)
- Google AI Mode — опыт Google с использованием Gemini 3 для сложного рассуждения и мультимодальной обработки
- Google AI Overviews — сводки вверху SERP, которые к концу 2025 года появлялись почти в 16% запросов
Кроме мультисервисного парсинга, инструмент оценивает ответы по кастомной 5‑балльной рубрике: включение бренда, точность, корректность цен, практичность рекомендаций и качество цитирования источников. Ни один готовый SaaS‑продукт не сочетал все эти требования, поэтому автор пошёл по пути DIY.
Технологии и методика
Проект собран по принципу vibe coding — подхода, при котором задачи описываются на естественном языке, а агент генерирует код и собирает приложение. Для репликации потребуются три компонента:
- Replit Agent — браузерная среда разработки с AI‑агентом. План, использованный в проекте, стоит $20 в месяц.
- DataForSEO APIs — центральный источник данных: единый интерфейс для получения ответов от моделей (ChatGPT, Claude, Gemini), а также для сбора Google AI Mode и AI Overviews. Платёж по факту использования.
- Прямые LLM API (опционально) — OpenAI, Anthropic, Google: полезны для валидации и отладки результатов.
Автор подробно описал пошаговый плейбук для работы с AI‑агентом, который помогает избежать классических ошибок при создании продукта с нуля.
Пошаговый план (ключевые шаги)
- 1. Документ требований: сначала текстовый blueprint с описанием проблемы, функций (CSV‑загрузка, кастомный скоринг, экспорт), данных и требуемых API.
- 2. Спросить агента: «Что я упускаю?» — особенно важно выяснить технические риски и требования к хранению данных, чтобы не потерять результаты.
- 3. Инкрементальная разработка: реализовать и тестировать одну функцию за раз — это упрощает отладку.
- 4. Дать агенту документацию API: при подключении DataForSEO или других сервисов нужно направлять агента на конкретные страницы документации для корректной аутентификации и методов.
- 5. Сохранять рабочие версии: форки в Replit помогают откатиться, если новая фича ломает старую.
Дополнительные факты и типовые проблемы
Автор перечисляет типичные поломки и способы их устранения:
- Сбой аутентификации — решение: дать агенту ссылку на точную инструкцию по auth.
- Данные исчезают — причина: отсутствие базы данных; решение: задать постоянное хранилище на старте.
- API‑ответы есть в дэшборде поставщика, но не в приложении — обычно баг парсинга; полезно вставить сырой JSON в чат агента для локализации ошибки.
- Короткие или урезанные ответы модели — проверять лимиты токенов после обновлений.
- Различия между публичным сайтом модели и API — нужно явно включать опции (например, веб‑поиск) в вызове API.
- Некорректные ссылки в цитатах (закодированные редиректы) — добавить пост‑обработку для разрешения редиректов.
- Новые фичи не отображаются в продакшене — различать dev и prod, явно публиковать изменения.
Финансовый итог: автор собрал рабочую систему примерно за $80 в месяц (Replit $20 + API‑использование около $60), по сравнению с $500 в месяц за средний SaaS‑план. Главная скрытая статья расходов — время на разработку и поддержку.
Почему это важно для SEO
AI‑поиск меняет правила видимости: сводки и ответы от моделей теперь формируют значительную часть результатов, и стандартные SEO‑инструменты ещё не покрывают всех поверхностей. Возможность строить кастомные трекеры позволяет агентствам и профильным командам:
- контролировать присутствие бренда в ответах AI и в специализированных AI‑блоках Google;
- проверять точность и актуальность данных (особенно цены и ссылки) в ответах моделей;
- разрабатывать собственные рубрики оценки релевантности, которые отражают бизнес‑цели клиента;
- экономить на подписках, в обмен приняв на себя ответственность за поддержку и масштабирование.
Для многих SEO‑специалистов вариант DIY становится рабочей альтернативой: он открывает доступ к глубокой кастомизации тестов и формирует конкурентное преимущество в эпоху AI‑поиска. При этом выбор между самостоятельной разработкой и SaaS останется компромиссом между стоимостью времени и потребностью в корпоративном уровне сервиса.
