Как попасть в ИИ-поиск: почему нейросети выбирают одни сайты и игнорируют другие?

Почему по одним и тем же запросам нейросети говорят разное, как находить реальные причины перекосов, и какие действия дают шанс сдвинуть выдачу? В нашем небольшом исследовании вместе с командой GEOrank - мы попробуем не только разобраться в причинах, но и найти способ того, как на них повлиять.

Маленькое отступление. Свой путь в SEO и маркетинге я начинал именно с паразитного CPA. Поэтому - ваш покорный слуга в достаточной мере осведомлен о том, как именно работают с партнерскими программами вебмастера в нашем уютном рунете.

Когда возник вопрос о нише для проведения исследования, мы сразу определились на чем-то максимально прикладном для заработка. Давайте разберемся, что влияет на ответы нейросетей на примере партнерской программы. Пусть это будет условный “Точка Банк”, но принципы те же для любой партнерки или продукта.

Если предприниматель спрашивает у нейросети или поиска "какой банк выбрать для РКО", он ожидает ответ в стиле живого консультанта. А бизнес ожидает, что в этом ответе окажется его бренд и ссылка. На практике ответы нейросетей формируются не из одного источника правды, а из смеси памяти модели, текущего контекста запроса и из веб-источников, которые модель подтягивает на лету.

А вот если мы работаем с конкурентной нишей партнерских программ, то нам очень выгодно, чтобы именно наш продукт выглядел более привлекательно в таких вот рейтингах. Так что закрепим для начала вводные данные:

Итак, мы определились и теперь запускаем анализ на GEOrank.

В текущем срезе зафиксирован 91 ответ. Бренд (в нашем примере - "Точка") обнаружен в 21 ответе, то есть 23%. Средняя тональность в дашборде - 7,57 (внутренняя метрика площадки, в данном случае эмоциональная окраска ответа отмечена - нейтрально, но может быть негативной и позитивной).

Распределение бренд-упоминаний по моделям разное: DeepSeek - 10 (48% от всех бренд-упоминаний), Gemini - 6 (29%), Perplexity - 4 (19%), ChatGPT - 1 (5%). Это уже говорит, что нейросети как единый канал не существуют: у моделей разные режимы доступа к внешним данным и разные стратегии ответа.

Дополнительно важный показатель - "доля голоса". В нашем срезе 0% ответов, где упомянут только бренд без конкурентов. В 23% случаев бренд идет вместе с конкурентами. В 69% ответов перечислены конкуренты без бренда. В 8% ответов нет ни бренда, ни конкурентов. То есть даже когда бренд появляется, он почти всегда попадает в формат "список из 4-6 банков", а не в формат уверенной рекомендации.

Колонки означают следующее: "% упоминания" - как часто бренд попал в ответы, "к-во конкурентов" - сколько других банков модель обычно называет рядом, "к-во источников" - сколько внешних ссылок/материалов подтягивается, "тональность" - средняя эмоциональная оценка ответа.

Главное наблюдение: видимость бренда меняется в 10 раз в зависимости от интента - от 5% до 53,33%. Это значит, что нейросеть не отвечает про банк вообще. Она отвечает из того, что находит по конкретной задаче.

Конкретика по строкам:

Источники и структура ответа задаются интентом. Поэтому влиять на LLM нужно тоже по интентам: отдельно эквайринг, отдельно РКО, отдельно онлайн-бухгалтерия. Если пытаться прокачать бренд в целом, часть интентов останется провальной, потому что там доминируют другие типы материалов. Что, собственно, отличный фундамент для построения репутационной стратегии в конкурентной нише. Давайте разберемся с одним из направлений.

Возьмем раздел с интентом для интернет-эквайринга.

В интенте "Эквайринг - малый бизнес" у нас 5 запросов, по каждому снято по 3 ответа. По трем запросам бренд появляется в 2 ответах из 3, то есть 66,67% упоминаний, по двум запросам - 33,33%. Это объясняет, почему на уровне интента эквайринг выглядит самым видимым продуктом. На этом же экране видно, что тональность по запросам держится в диапазоне 5-9.

Дальше мы проваливаемся в конкретный запрос: "Хочу подключить торговый эквайринг для своего малого бизнеса. Какие банки предоставляют лучшие условия?" В ответах три строки: две от DeepSeek и одна от Perplexity. У Perplexity бренд упомянут, конкурентов 3, позиция упоминания 1238. У DeepSeek один ответ без бренда, второй с брендом, но бренд появляется очень поздно - позиция 2934. Это показывает простую вещь: даже внутри одного запроса бренд может появиться, но в конце текста, а значит почти не работать как рекомендация.

Берем, например, окно "Детали ответа" для Perplexity. Там виден список источников, из которых модель собрала ответ, и это не тарифные страницы банков. Почти все источники - блоговые статьи формата "топ", "рейтинг", "лучшие" (DTF, VC, Craftum, DigitalKassa, авторский блог, новость-цитата рейтинга).

Если посмотреть, как в этих источниках расставлены места, картина совпадает с тем, что выдает нейросеть, но не как копия одного рейтинга, а как сборка из нескольких:

Теперь сравнение с тем, что пишет Perplexity в самом ответе. Он начинает список не с "первого места рейтинга", а с "лидера по низкой комиссии" (УБРиР), дальше ВТБ, МТС, Альфа, и только затем "Точка". Это важная деталь: модель не обязана следовать порядку мест, она вытаскивает из источников победителей по отдельным параметрам (комиссия, скорость зачисления, бесплатные терминалы) и строит свой собственный топ. А теперь - просто представьте, что вашего бренда просто нет в таких вот статьях.

Отсюда очередной практический вывод: нейросети часто ведутся именно на рейтинговые статьи. Это по сути тот же механизм, который давно используют в партнерском маркетинге: люди вводят запрос "лучший эквайринг" или "выгодный эквайринг", попадают на топ-10, доверяют структуре рейтинга и кликают по ссылкам на подключение.

И новое здесь то, что LLM работают почти так же: они берут эти топы как входные документы, а потом пересобирают вывод. Поэтому для влияния на ответы критичны не только официальные тарифы, а именно присутствие и позиция в блоговых рейтингах, которые попадают в источники модели.

Для закрепления, давайте спросим тот же вопрос в режиме ИИ у Google:

Важно понимать: нейросети умеют вытаскивать и сравнивать сами банковские условия - комиссии, абонплату, лимиты, сроки зачисления. Они в целом неплохо понимают, что выглядит выгоднее, и это бессмысленно отрицать. Но на условия конкурентов мы повлиять не можем: если в каком-то параметре у них действительно лучше или есть агрессивная акция, модель это увидит и может честно поставить их выше. Поэтому в реальной конкуренции решает не только голая таблица тарифов, а то, какие материалы попадают в поле зрения и пользователя, и модели. Рейтинги, подборки "топ-10" и статьи с готовыми выводами работают именно здесь: они дают быстрый ответ и снижают нагрузку на человека. Не все готовы разбирать тарифы построчно, многим нужно решение за минуту - и они доверяют списку и кратким тезисам. Нейросети в этом смысле ведут себя похоже: если рейтинг хорошо ранжируется и содержит структурированные выводы, он становится удобной опорой для ответа, даже когда детализация условий у конкурентов формально сильнее.

В блоке с отзывами видно, что LLM оценивают банки не по общему впечатлению, а по конкретному набору внешних источников, которые они смогли найти и процитировать. Причем у разных моделей этот набор разный, поэтому и результаты расходятся.

На сводной таблице по критериям (качество обслуживания, удобство взаимодействия, стоимость) это видно в цифрах. Например, для качества обслуживания Perplexity использует 12 источников и дает тональность 5,6 с местом 4 из 6, а ChatGPT использует 32 источника и дает 7,67 с местом 1 из 6. По удобству у Perplexity вообще 2 источника, из-за чего оценка становится особенно чувствительной к отдельным кейсам. По стоимости все три модели ставят 1 место, но тональность все равно разная.

Дальше открываем детализацию по ChatGPT и видим механику на уровне бренда. Модель собрала 32 источника и 216 отзывов на каждый бренд и выставила тональность: Сбербанк 3,17, Газпромбанк 3,5, ВТБ 3,67, Альфа 5,83, Тинькофф 7,17, Точка 7,67. То есть рейтинг строится как агрегат по найденным отзывам и цитатам, а не как сравнение тарифов или функционала.

Ключевое - не количество отзывов вообще, а какие домены дают цитируемые фрагменты. В карточке Точки видно, что в выборку вошли несколько сильных позитивных цитат с banki.ru (тональность 9), положительный фрагмент с otzovik.com (8) и один резко негативный фрагмент с pikabu.ru (2). Один такой материал может стать якорем: даже при общем позитивном фоне он регулярно всплывает в пересказах и добавляет в ответы оговорки вроде “есть жалобы”, “бывают спорные ситуации”. Это не предвзятость модели - это эффект сэмплинга: нейросеть берет несколько заметных фрагментов и пересказывает их как картину мира.

Отдельно важно, что крупные площадки с большим объемом отзывов задают базовую инерцию. Такие массивы создают устойчивый позитивный фон, который легче подхватывается моделями. Но если рядом существует вирусный негатив на популярной площадке, он все равно может попасть в корзину источников и испортить формулировки в ответах.

Что это означает для влияния на ответы нейросетей:

Управлять рекомендациями нейросетей в части репутации можно через управление источниками. Не в смысле накрутки, а в смысле работы с ключевыми площадками, которые модели реально цитируют: увеличивать долю свежих, конкретных положительных отзывов (с фактами: скорость поддержки, решения проблем, удобство интерфейса), закрывать и разъяснять негативные истории там же, где они опубликованы, и следить, какие домены чаще всего оказываются в источниках у разных моделей.

Нейросеть отвечает так, как ей проще и безопаснее в рамках запроса. По нашим примерам это выглядит очень приземленно: в эквайринге модель берет рейтинговые статьи и собирает из них топ, потому что там уже есть готовая структура, цифры и короткие выводы. В блоке отзывов она берет несколько площадок, выдергивает 3-6 ярких фрагментов и пересказывает их как картину сервиса. Поэтому влиять на ответы можно, если вы умеете находить и менять такие опорные материалы.

Работа всегда начинается с интента. Не берите сразу всю семантику. Интент определяет жанр источников, а жанр источников определяет, что модель вообще сможет сказать. Эквайринг у нас уходит в подборки “лучшие”, РКО уходит в сравнение тарифов, онлайн-бухгалтерия уезжает в внешние сервисы и интеграции. Дальше вы выбираете 5 запросов на интент и снимаете базовую линию: ответы тех же моделей, в тех же условиях. Этого достаточно, чтобы увидеть два важнейших параметра: попадание бренда и ранг внутри ответа. Ранг критичен. Бренд на позиции 2500-3000 символов в конце списка для пользователя почти равен нулю. Это не упоминание, это формальность.

Следующий шаг - найти реальную причину перекоса. Здесь нельзя гадать и нельзя опираться на ощущение, мол “модель любит Тинькофф”. Нужно смотреть детали ответа и домены-источники. Если бренда нет в источниках, его почти не будет и в ответе. Если бренд есть в источниках, но стоит там низко, модель в лучшем случае добавит его ниже и с оговорками. В эквайринге вы увидели как раз это: Perplexity берет набор рейтингов и пересобирает вывод не по порядку мест, а по сильным тезисам, которые легко вытащить (низкая комиссия, быстрое зачисление, бесплатное оборудование). Это означает, что влиять можно двумя способами: поднять место бренда в самих рейтингах и сделать так, чтобы рядом с брендом стояли тезисы, которые модель любит повторять.

Дальше идет этап интервенций, и он зависит от типа источников. Если интент питается рейтингами, ваша задача - управлять рейтингами: где продукт стоит, какими словами описан, есть ли таблица, насколько статья ранжируется по ключам “лучший”, “топ”, “выгодный”. Если интент питается агрегаторами, задача - сделать карточку продукта машинопонятной: таблицы, параметры, даты, четкие формулировки. Если интент питается тарифными страницами конкурентов, прямого контроля нет, значит нужно сделать альтернативный источник, который сможет конкурировать за место в выдаче и попадание в корзину модели: сравнительную страницу, калькулятор по сценариям, гайд “как выбрать” с методикой и ссылками на первоисточники. Если интент питается отзывами, задача - работать с доменами, которые модели цитируют: добавлять свежие отзывы с фактами (скорость поддержки, решение проблем, прозрачность списаний) и закрывать токсичные кейсы на тех же площадках, чтобы один вирусный негатив не становился постоянной оговоркой в ответах.

После изменений вы снова снимаете срез по тем же запросам. Тут важно смотреть на три измеримых сигнала: изменились ли источники, выросла ли доля упоминаний, сдвинулся ли бренд вверх по позиции в тексте. Если источники не изменились, а бренд все равно не появляется, значит вы работали не с теми площадками, которые реально читает модель. Если источники изменились и в них появился ваш материал или нужный рейтинг, ответ почти всегда начинает меняться в следующем же цикле.

В конце у многих возникает вопрос: зачем вообще этим заниматься, если поиск в нейронках пока совершенно непрофитный. Доля переходов на сайты из ИИ-ассистентов правда остается небольшой: по бенчмарку Conductor - нейросетевой поиск имеет в среднем около 1,08% от всех визитов по 10 индустриям. Но проблема в другом: основной поисковый трафик начинает перехватываться внутри классического поиска, потому что там сверху все чаще показываются ИИ-сниппеты и ответы. Вы не поверите, но в марте 2025 примерно 1 из 5 запросов в Google сопровождался ИИ-выдачей. А Google вообще публично говорил, что AI Overviews в поиске достигают более 1,5 млрд пользователей в месяц.

Это меняет механику SEO для партнерок (да и не только). Даже если пользователь формально пришел из Google, он сначала видит сжатый ответ ИИ вверху, и до ссылок может не дойти. Пользователи привыкают к быстрым выводам: они читают верхний блок, выбирают 1-2 варианта и дальше действуют по инерции. Поэтому логика нашего исследования применима к любым LLM: выигрывает тот, кто попадает в источники, из которых ИИ собирает быстрый вывод, и кто выглядит там убедительно в формате “рейтинг, тезисы, цифры, отзывы”.

Большое спасибо команде GEOrank за помощь в подготовке материала. Мы договорились, что через несколько месяцев вернемся к теме глубже и соберем полный список инструментов, которые реально влияют на поисковую выдачу. В декабре у них выходит модуль "Рекомендации", и они обещали поделиться с нами первыми результатами.