Клиент спросил нейросеть. Что она рассказала о вашей компании?

Покупатель всё чаще начинает знакомство с брендом с разговора с ИИ. К этому моменту нейросеть уже может выбрать конкурента, неверно объяснить специализацию компании или описать её так, будто бизнес застрял в прошлом.

В январе 2025 года маркетинговая команда американской энергетической компании Ameresco решила проверить, как искусственный интеллект представляет её бизнес потенциальным клиентам и инвесторам.

Команда подготовила 50 запросов и изучила ответы ChatGPT, Claude и других ИИ-систем. Нейросети описывали Ameresco преимущественно как компанию из сферы чистых технологий и возобновляемой энергетики. Между тем бизнес развивался в сторону более широкой энергетической инфраструктуры, включая объекты для дата-центров, военных баз и муниципальных учреждений.

Компания менялась, а её образ в ответах ИИ отставал от реальности.

Вместе с PR-агентством Greenough Ameresco составила список из 47 улучшений. Команда пересмотрела формулировки на сайте, публикации в социальных сетях, пресс-релизы и коммуникацию руководителей. Изменилось даже описание самой компании. Вместо акцента на чистых технологиях оно стало отражать роль Ameresco в энергетической инфраструктуре.

По данным компании, доля релевантных ИИ-ответов, в которых появлялся её бренд, выросла с 43% в 2025 году до 61% в 2026-м. Органический трафик на сайт за 12 месяцев увеличился на 50%.

Ameresco одновременно меняла позиционирование, контент и фирменную идентичность. Поэтому выделить вклад каждого действия в этот рост по опубликованным данным трудно. Однако сама постановка задачи показательна. Компания проверила, как её воспринимают системы, к которым потенциальный клиент обращается за объяснением рынка.

Для маркетолога появился новый вопрос. Как бренд выглядит в ответе нейросети, который человек читает ещё до посещения сайта?

Представим человека, которому нужна платформа для запуска ИИ-моделей. Он может открыть поисковик, перейти на сайты нескольких сервисов и сравнить условия. А может сначала попросить ChatGPT назвать подходящие варианты.

Во втором случае первый контакт с брендом происходит внутри ответа нейросети. Пользователь видит несколько названий, краткие описания и аргументы в пользу каждого решения. До перехода на сайт у него уже складывается предварительное представление о рынке.

Для компании здесь важны три вещи. Попасть в ответ, получить корректное описание и оказаться среди подходящих вариантов. Упоминание бренда ещё не гарантирует интереса покупателя. Имеет значение контекст, в котором нейросеть его рекомендует.

Исследование Semrush, опубликованное в июне 2026 года, показывает, что маркетологи уже сталкиваются с такими проблемами. Среди 481 опрошенного специалиста и владельца бизнеса 30% сообщили о неточном описании своего бренда в ИИ-ответах. Ещё 37% заметили, что нейросети чаще упоминают конкурентов, а 29% считают, что ИИ представляет их позиционирование слишком обобщённо.

Опрос охватывал американских специалистов и владельцев бизнеса, поэтому его результаты нельзя автоматически переносить на весь рынок. Но он показывает, какие проблемы компании замечают в ответах ИИ: потерю отличительных особенностей, ошибки в описании и преимущество конкурентов.

Раньше маркетолог в первую очередь следил за тем, как бренд представлен на сайте, в поисковой выдаче, СМИ и социальных сетях. Теперь приходится проверять ещё и то, какой образ из этих сведений складывают генеративные системы.

Американский сервис Runpod, предоставляющий облачные GPU для обучения и запуска моделей, подошёл к задаче с позиции performance-маркетинга.

В начале 2025 года команда уже работала над присутствием в ИИ-поиске. Однако привлечение новых платящих клиентов через ChatGPT держалось примерно на уровне 300–400 человек в месяц. Маркетологи отслеживали 50 запросов и не всегда понимали, почему материалы компании отсутствуют в ответах нейросети.

В апреле 2025 года Runpod расширила мониторинг до 300 запросов и начала детальнее изучать технические проблемы сайта. Проверка выявила страницы, содержимое которых ИИ-системы читали лишь частично. В некоторых случаях нейросеть получала заголовок статьи, но не основной текст.

Команда исправила метаданные, структуру страниц и форматирование. Одновременно маркетологи расширили набор запросов, ориентируясь на реальные вопросы технической аудитории, и стали использовать данные мониторинга для планирования контента.

Через 90 дней Scrunch, поставщик платформы, сообщил о четырёхкратном росте числа новых платящих клиентов в месяц. По опубликованному кейсу, ChatGPT приводил около 40 новых клиентов ежедневно, а конверсия ИИ-трафика достигала 8%.

Цифры опубликованы самой Scrunch, которая участвовала в работе над каналом. Независимой оценки причин такого роста в кейсе нет. Зато описание процесса даёт полезный пример: команда проверяла конкретные запросы, доступность страниц и путь от ответа ИИ до покупки.

История Runpod интересна ещё и тем, что проблема оказалась частично технической. Материал мог быть полезен человеку, но его структура мешала ИИ-системам извлекать содержимое. Работа с видимостью бренда началась с проверки того, что именно доступно моделям.

Для бизнеса это означает, что контент-маркетинг приходится оценивать сразу с нескольких сторон. Статья должна отвечать на вопрос покупателя, содержать понятные сведения о продукте и корректно отображаться на сайте. А её эффективность стоит оценивать по результатам, которые имеют значение для компании.

У GEO, или Generative Engine Optimization, уже есть собственная индустрия консультаций, аналитических платформ и обещаний роста видимости. Но насколько надёжно подтверждены методы, которые она предлагает?

В июле 2026 года Оливье Мартинес опубликовал на arXiv критический обзор 45 исследований GEO, охватывающих период с ноября 2023-го по июль 2026 года. Автор сопоставил экспериментальные результаты и коммерческие аудиты, чтобы выяснить, какие выводы выдерживают проверку.

Один из самых известных результатов ранних исследований GEO часто пересказывают как возможность увеличить видимость в ИИ-ответах на 40%. В критическом обзоре объясняется важная деталь. В исходном эксперименте документы уже были отобраны и переданы модели. Исследователи проверяли, как изменение текста влияет на его использование в готовом контексте.

Это полезный результат, но он отвечает на более узкий вопрос. Если нейросеть уже получила страницу, может ли её содержание повлиять на ответ? Да. Гораздо меньше доказательств того, что та же редактура заставит систему чаще находить страницу в открытом интернете, а затем стабильно увеличит переходы и продажи.

Мартинес разделяет несколько этапов, которые маркетинг часто объединяет словом «видимость». Система должна решить, искать ли информацию, обнаружить страницу, включить её в контекст, использовать её содержание и, возможно, сослаться на неё. После этого пользователь может перейти на сайт или продолжить путь внутри самого ответа.

На каждом этапе возникают собственные проблемы. Страница может индексироваться, но редко попадать в подходящие ответы. Бренд может упоминаться без ссылки. Ссылка может вести на источник, который не подтверждает приписанные ему сведения. А рост цитирований может вообще не изменить поведение покупателей.

В рассмотренном корпусе исследований автор не обнаружил метода, который демонстрировал бы устойчивый долгосрочный причинный эффект на органическую обнаруживаемость и поведение пользователей сразу на разных платформах. При этом обзор опубликован как препринт на arXiv, а не как окончательный консенсус всей научной области. Его выводы стоит воспринимать как критическую оценку имеющихся данных.

Для маркетолога отсюда следует практический вывод. GEO имеет смысл рассматривать как набор проверяемых гипотез, а не как готовую формулу продвижения. Улучшение структуры страницы, публикация экспертных материалов и работа с упоминаниями могут оказаться полезными. Эффект каждого действия нужно измерять отдельно.

Российская статистика показывает, почему нельзя оценивать ИИ-поиск по одному общему показателю.

В исследовании UIS, опубликованном 24 сентября 2026 года, проанализированы данные 2 443 клиентов из пяти отраслей: автомобильного бизнеса, недвижимости, медицины, мебельного рынка и фитнеса. За период с октября 2025-го по июль 2026 года аналитики изучили 180 081 посещение и 6 824 обращения из ChatGPT, Алисы AI, Gemini, Perplexity и Qwen.

За десять месяцев число переходов из ИИ-источников выросло на 119,49%. Но интереснее то, как изменилось распределение между сервисами.

ChatGPT занимает 43,78% трафика из нейросетей, включённых в исследование UIS. За период наблюдений этот показатель вырос примерно вдвое. Почти догнала его Алиса AI с долей 40,24% и ростом в 4,5 раза. На Perplexity приходится 13,08% такого трафика, на Gemini и Qwen — по 1,5%. При этом трафик из Gemini вырос втрое, а из Qwen — в шесть раз.

Источник данных — исследование UIS. Доли показывают распределение переходов между включёнными в анализ ИИ-источниками, а не долю каждого сервиса во всём поисковом трафике России.

Алиса почти сравнялась с ChatGPT по доле переходов и росла быстрее остальных крупных источников. В течение исследуемого периода лидер менялся: в начале 2026 года Алиса выходила вперёд, а с мая лидерство снова перешло к ChatGPT.

Это важно для российских компаний, особенно работающих с локальным спросом. Пользователь может искать клинику, мебельный салон, фитнес-клуб или автомобильного дилера и получить адрес, цену, отзывы и часы работы прямо в интерфейсе ассистента. В таком сценарии ценность ответа заключается в решении задачи на месте, а не обязательно в переходе на сайт.

Данные UIS позволяют сравнить не только объём переходов, но и конверсию посещений в обращения. За весь период исследования средняя конверсия ИИ-трафика составила 3,9%. Для SEO показатель равнялся 2,8%, для контекстной рекламы — 2,3%.

Однако результаты отдельных ИИ-источников заметно различались. В июле 2026 года конверсия трафика из Gemini составляла 4,44%, из ChatGPT — 4,43%, из Perplexity — 4,15%, а из Алисы AI — 3,06%. За исследуемый период конверсия снизилась у большинства источников, кроме Gemini.

Получается, что почти сравнявшаяся с ChatGPT по объёму переходов Алиса приносила обращения с меньшей частотой. Это не обязательно делает её слабым каналом. Если ассистент показывает пользователю нужные сведения прямо в ответе, часть задач решается без посещения сайта. Такая работа может поддерживать узнаваемость и влиять на дальнейший выбор, хотя стандартная веб-аналитика не всегда позволяет это увидеть.

Но объяснение через сценарии использования остаётся гипотезой, если компания не исследовала собственных клиентов. Низкая конверсия может зависеть от отрасли, типа запроса, предложения и качества посадочной страницы. Нельзя автоматически считать весь трафик Алисы «холодным», а весь трафик Perplexity — «горячим».

Есть и ограничение самой выборки. UIS анализировала данные своих клиентов из пяти отраслей. Результаты дают полезные ориентиры для этих сегментов, но не описывают каждый российский бизнес. Например, распределение трафика у застройщика может отличаться от распределения у ремонтной компании, хотя обе относятся к недвижимости.

Первый шаг — проверить, какие ассистенты уже приводят посетителей именно в вашей категории. Для локального B2C-бизнеса особенно важно отслеживать Алису и данные бизнес-карточек в экосистеме Яндекса. Для сложного выбора и B2B стоит отдельно изучить запросы, которые приводят аудиторию из ChatGPT и Perplexity. Доли из исследования UIS можно использовать как ориентир для постановки гипотез, но не как готовый прогноз.

Второй шаг — сопоставить источники с типами обращений. Посещения из ИИ-сервисов стоит сравнивать по конверсии, качеству лидов, среднему чеку и доле продаж. Если канал приводит меньше заявок, но больше крупных сделок, одна лишь конверсия создаст неверное впечатление.

Третий шаг — учитывать обращения, которые аналитика может не связать с ИИ. Человек увидел рекомендацию, запомнил название компании, а позже нашёл её через брендовый поиск, открыл закладку или позвонил. Поэтому полезно сочетать данные веб-аналитики с коллтрекингом, CRM и вопросом клиенту о том, как он узнал о компании.

Наконец, нужно регулярно проверять сами ответы. Какие бренды появляются в рекомендациях? Какие характеристики ИИ выделяет? На какие страницы ссылается? Совпадает ли описание компании с её реальным предложением? Для сравнения важно использовать одинаковые запросы и повторять проверки в разные дни, потому что ответы могут меняться.

Начать можно с небольшого аудита. Он поможет понять, как нейросети представляют бренд и какие проблемы стоит изучить в первую очередь.

1. Посмотрите на бренд глазами потенциального клиента.

Составьте список реальных вопросов, с которыми покупатели выбирают продукт. Попросите несколько ИИ-систем описать вашу компанию, сравнить её с конкурентами и предложить варианты для конкретной задачи. Фиксируйте формулировки, названия конкурентов, источники и ошибки.

2. Сверьте ответы с позиционированием.

Проверьте, верно ли нейросеть объясняет специализацию компании, ключевые преимущества, аудиторию и условия работы. Если бренд описывается слишком широко, изучите формулировки на сайте и в публичных материалах. Возможно, отличительные особенности продукта там трудно найти или они описаны непоследовательно.

3. Проверьте собственные материалы.

Страницы с описанием продукта, тарифами, техническими характеристиками, кейсами и ответами на частые вопросы должны содержать ясную и актуальную информацию. Важные сведения стоит формулировать прямо, связывая свойства продукта с конкретными задачами клиента.

4. Измеряйте коммерческий результат.

Отслеживайте, в каких ответах появляется бренд, какие страницы цитируются и сколько переходов приходит из ИИ-сервисов. Затем сопоставляйте эти данные с обращениями и продажами. Так можно отделить рост упоминаний от реального вклада канала в бизнес.

5. Повторяйте проверку.

Ответы ИИ-систем меняются вместе с моделями, источниками и содержанием сайтов. Поэтому аудит стоит превратить в регулярную практику. Изменения в коммуникации лучше оценивать по динамике ответов и коммерческих показателей, а не по одному удачному эксперименту.

История Ameresco началась с проверки того, как нейросети объясняют бизнес компании. Команда обнаружила разрыв между реальным позиционированием и образом в ИИ-ответах, а затем пересмотрела публичные коммуникации.

Runpod связала работу с ИИ-поиском с привлечением платящих клиентов. Российские данные показывают, что ИИ-источники уже приводят измеримый трафик, но разные сервисы могут давать разный коммерческий результат.

Научный обзор добавляет к этим историям важное уточнение. Методы GEO способны влиять на отдельные этапы формирования ответа, однако устойчивый эффект на обнаруживаемость бренда и продажи пока требует более сильных доказательств.

Поэтому задача маркетолога сегодня состоит в том, чтобы одновременно работать над образом компании и проверять результат. Нужно понимать, что нейросети рассказывают о бренде, какие источники используют и как взаимодействие с ИИ связано с поведением покупателей.

У бренда появился ещё один собеседник, который рассказывает о нём потенциальным клиентам. И теперь стоит регулярно проверять, что именно он говорит.

Business Insider — как Ameresco перестроила работу над видимостью в ИИ-поиске, октябрь 2026 года.

Semrush — исследование интеграции SEO и ИИ-поиска, 3 июня 2026 года.

Scrunch — кейс Runpod и привлечение клиентов через ChatGPT, 28 июля 2025 года.

UIS — «Нейровыдача и ИИ-источники: 2026», 24 сентября 2026 года.

Оливье Мартинес — «Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023-2026)», arXiv, 15 июля 2026 года.