От «нейросеть знает наш бренд» до «нейросеть выбирает наш бренд»

Компании радуются, когда модель называет их в ответе. Но между упоминанием и выбором лежит цепочка из четырёх звеньев, и на каждом переходе есть измеримые потери. По данным свежего бенчмарка, бренды появляются в 24,6% ответов, а ссылку получают только в 18,1%. Разбираю всю цепочку и показываю, где она чаще всего обрывается.

Самый частый вопрос, который я слышу от маркетологов: «нас ChatGPT знает, это же хорошо?»

Хорошо. Примерно как «нас находит Гугл». Знает, но по каким вопросам, с каким контекстом, вместо кого и достаточно ли этого, чтобы клиент выбрал именно вас, остаётся за кадром.

Путь от знания до выбора состоит из четырёх звеньев. Разберу каждое и покажу, сколько теряется на переходах.

Самое базовое: модель вообще называет ваш бренд, когда её спрашивают про категорию.

Метрика здесь простая, частота упоминаний. Важно только считать её правильно: не «упомянули или нет», а в скольких процентах прогонов упомянули. Разница принципиальная, потому что ответы нейросетей нестабильны по своей природе. В исследовании SparkToro, где шестьсот человек прогнали одни и те же запросы почти три тысячи раз, вероятность получить дважды подряд одинаковый список брендов оказалась меньше одной сотой.

Отсюда первое правило: один заход в чат перед планёркой это не замер, а случайный кадр.

Компания проверяет себя по удобным для себя запросам. «Лучшие CRM для бизнеса» звучит красиво, а клиент пишет «CRM для отдела продаж из пяти человек с интеграцией с телефонией». По данным Clovion, одно такое уточнение выбрасывает из ответа 62% брендов, которые были в первом списке.

Здесь потери впервые становятся измеримыми, и они заметные.

Упоминание и цитирование это разные вещи. В первом случае модель произносит ваше название, во втором даёт ссылку на ваш источник. Свежий бенчмарк MarketScale, сравнивающий видимость B2B-брендов в пяти системах, показывает разрыв: бренды появляются в 24,6% ответов, а цитируются только в 18,1%.

По платформам картина ещё интереснее. У ChatGPT упоминания 28,4% против цитирований 21,5%. У Gemini разрыв почти двукратный: 23,7% против 11,6%. А у Perplexity всё наоборот, цитирований больше, чем упоминаний. Объяснение тут напрашивается такое: система построена вокруг источников и вполне может сослаться на ваш сайт, не называя компанию в тексте ответа.

Упоминание без ссылки вполне может быть отголоском обучения: модель усвоила ваше название когда-то и произносит его по памяти. Цитирование обычно значит другое: система нашла ваш актуальный материал прямо сейчас и сочла его достойным предъявить пользователю. Первое приятно, но хрупко, потому что следующее обновление модели может это стереть.

Компания вкладывается в собственный сайт и удивляется, почему её не цитируют. По данным AirOps, около 85% упоминаний брендов приходят не с их страниц, а со сторонних источников. Корпоративный блог влияет на картину куда меньше, чем обзоры, отраслевые публикации и обсуждения.

Допустим, вас называют и на вас ссылаются. Дальше вопрос: с какой интонацией.

Исследование BrightEdge на сотнях миллионов запросов показывает, что негатив встречается редко: 2,3% упоминаний у Google AI Overviews и 1,6% у ChatGPT. Проценты маленькие, но важно, где именно этот негатив всплывает.

У Google на стадию, где человек уже выбирает между вариантами, приходится всего 1,5% негативных упоминаний, то есть почти весь негатив достаётся началу пути. У ChatGPT на ту же стадию приходится 19,4%, в тринадцать раз больше.

И ещё одна цифра оттуда же: в 73% случаев Google и ChatGPT критикуют разные бренды, отвечая на один и тот же вопрос. Причина в источниках: один опирается на новости и публичные конфликты, другой на обзоры и форумы.

Компания считает упоминания, но не считает их окраску. Рост числа упоминаний при этом может означать, что о вас стали чаще говорить плохо, и в отчёте это будет выглядеть как успех.

Последнее звено отличается от предыдущих тем, что здесь появляется сравнение. Не «назови хорошие сервисы», а «что из этого лучше для моей задачи».

И тут выясняется интересное. В контролируемом эксперименте O'Reilly, результаты которого разошлись по отраслевым разборам, агентам предлагали два товара: подешевле с отполированным маркетинговым описанием и подороже с чистыми структурированными данными. Агенты последовательно выбирали второй. Цена решающим фактором не оказалась, а маркетинговый текст до принимающего решение слоя попросту не доходил.

Компания оптимизирует текст, а решение принимается по данным. Точные характеристики, актуальная цена, явный статус наличия, условия доставки в машиночитаемом виде. Если всё это живёт только в вёрстке и красивых баннерах, на последнем звене вы проигрываете тому, у кого карточка скучнее, но полнее.

Соберу картину. На первом звене вы теряете тех, кто формулирует запрос иначе, чем вы предполагали. На втором теряется примерно четверть упоминаний, которые остаются без ссылки. На третьем часть упоминаний оказывается с негативной окраской, причём самый дорогой негатив приходится ровно на момент выбора. На четвёртом вы проигрываете тем, у кого данные полнее.

И вот главное наблюдение: каждое звено требует своей работы, и они не заменяют друг друга.

Компания, которая вложилась только в контент на своём сайте, закрывает одно звено из четырёх. Именно поэтому бывает, что бренд с сильным блогом и хорошим SEO проигрывает конкуренту, о котором просто чаще пишут другие.

Ручная проверка даёт первое приближение и стоит один вечер.

Возьмите десять-пятнадцать запросов, которыми говорят ваши клиенты, включая уточнённые формулировки с бюджетом, размером компании или конкретной задачей. Прогоните их в нескольких ассистентах по несколько раз каждый. И записывайте четыре вещи отдельно: упомянули ли вас, дали ли ссылку, с какой окраской говорили и кого выбрали в сравнительных запросах.

Уже на этом этапе обычно становится понятно, какое звено ваше слабое.

Дальше упирается в регулярность, потому что все четыре показателя плавают. Под эту задачу существуют GEO-сервисы: на российском рынке VisioBrand, AI Semantica, brandfound.ai и другие платформы, из международных Profound и Peec, которые с Алисой и GigaChat не работают. В brandfound все четыре звена считаются по отдельности: Brand Mention Rate для первого, Citation Rate для второго, тональность по семнадцати шкалам для третьего и доля голоса против конкурентов для четвёртого. Плюс видно, на какие источники опирается каждая из десяти отслеживаемых моделей, а это и есть ответ на вопрос, с какими площадками работать.

Фраза «нейросеть знает наш бренд» описывает первое звено из четырёх и ничего не говорит об остальных трёх.

Между знанием и выбором теряется больше, чем принято думать: часть упоминаний уходит без ссылок, часть приходит с неудачной окраской, а на финальном сравнении решают данные о продукте, а не качество текста о нём.

Хорошая новость в том, что каждое звено измеримо отдельно, а значит понятно, где именно чинить. Плохая в том, что чинить придётся все четыре, потому что работа на одном не компенсирует провал на другом.

Три вопроса, отвечайте на любой в комментариях.

Соберу самые интересные ответы в подборку для следующего материала.

Если разбор пригодился, буду благодарен за плюс. Это помогает таким материалам набирать охват и доходить до тех, кому тема актуальна.

Пишу здесь регулярно про AI в маркетинге, видимость брендов в нейросетях, GEO и AEO. Подписывайтесь, чтобы не пропустить следующее.