Ваш сайт цитируют, а рекомендуют конкурента: почему цитирование и выбор бренда в ChatGPT надо считать отдельно
Знакомая картина: в отчёте по видимости в нейросетях сайт компании попал в источники ответа. Ссылка есть, фрагмент текста процитирован, скриншот уходит руководителю. А потом кто-то задаёт ассистенту обычный покупательский вопрос «что выбрать», и в коротком списке рекомендаций стоят три конкурента. Вашего бренда там нет.
Это не сбой и не случайность. Цитирование источника и выбор бренда в языковой модели отвечают за разные задачи, и когда их считают одной метрикой, картина видимости получается ложно-оптимистичной.
Почему модель цитирует одних, а советует других
Ответ ассистента почти всегда собирается из двух разных слоёв, и материал компании может попасть только в один из них.
- Слой объяснения. Здесь модель рассказывает, как устроена категория: из чего складывается цена, какие бывают типы решений, на что смотреть при сравнении. Сюда идут тексты, которые лучше всего объясняют предмет: гайды, методички, разборы. Именно они чаще всего и попадают в источники.
- Слой выбора. Здесь модель формирует короткий список того, что стоит рассматривать. Сюда попадают бренды, которые в данных описаны как варианты покупки: с ценами, условиями, отзывами, сравнениями, упоминаниями в подборках и обзорах.
Хороший объясняющий материал делает вас удобным учебником для модели. Учебник цитируют охотно, но покупают не учебник. Если бренд нигде не описан как вариант выбора, он остаётся в сноске под ответом, а в рекомендации уходит тот, про кого в сети написано «подходит, если вам нужно то-то, стоит столько-то».
Цитирование, упоминание и выбор: три разные метрики
В отчётах это обычно свалено в одну строку «видимость». На практике измерять нужно три отдельные вещи.
- Citation Rate. Доля ответов, где ваш домен оказался в списке источников. Метрика про контент и про то, насколько он машиночитаем.
- Brand Mention Rate. Доля ответов, где название бренда прозвучало в самом тексте. Упоминание может быть нейтральным, проходным и даже в роли примера неудачного выбора.
- Присутствие в рекомендациях. Доля ответов, где бренд попал в короткий список вариантов, которые модель предлагает рассмотреть. Это та метрика, которая ближе всего к деньгам.
Разрыв между первой и третьей обычно и есть главная находка замера. Сайт в источниках у многих, в шортлисте у единиц.
Сайт в источниках у многих, в коротком списке рекомендаций у единиц. Это две разные задачи, и решаются они разной работой.
Как расхождение выглядит на практике
Я регулярно смотрю такие срезы в brandfound: там анализ источников и присутствие бренда в рекомендациях разведены в разные метрики, поэтому расхождение видно сразу, а не после ручной вычитки сотни ответов. Замер идёт по десяти ассистентам: ChatGPT, Gemini, Claude, Perplexity, Grok, DeepSeek, GigaChat, Google AI Mode, Поиск с Алисой и Чат с Алисой AI, и картина у них редко совпадает.
Типичный профиль компании с сильным блогом
- Сайт цитируется часто, особенно в ответах на вопросы «как это работает» и «чем отличается».
- Бренд упоминается заметно реже, чем цитируется домен: модель берёт объяснение, но не связывает его с именем компании.
- В ответах «что выбрать» и «кого посоветуете» бренда почти нет, зато стабильно всплывают два-три конкурента из агрегаторов и обзоров.
Обратный перекос тоже встречается: сайт не цитируется вообще, а бренд рекомендуется регулярно, потому что про него много писали на чужих площадках. Такая видимость держится не на вашем контенте, и управлять ей тяжелее.
Что делать, если цитируют, но не выбирают
Первое: перестать читать цитирование как успех продаж. Второе: добавить в поле зрения модели то, чего в нём нет.
- Связать объяснение с брендом. В материале, который уже цитируют, должно быть явно сказано, кто его автор и что этот автор делает. Модель плохо достраивает связь между удачным абзацем и компанией, если её нет в тексте.
- Дать фактуру для выбора. Цены или вилка цен, сроки, условия, ограничения, для кого не подходит. Модель собирает шортлист из того, что можно сравнить.
- Выйти за пределы своего домена. Отзывы, обзоры, подборки, профильные каталоги, ответы на профильных площадках. Слой выбора почти всегда собирается из чужих источников.
- Закрыть сравнения с конкурентами. Если в сети нет честного разбора «вы против них», модель возьмёт чужой, где сравнение написано не в вашу пользу.
- Не мешать парсингу. Заголовки, списки, короткие определения, разметка Product и FAQPage. Это не магия, но текст, который читается машиной без ошибок, попадает в оба слоя чаще.
Три ошибки при чтении отчёта
- Считать источники и рекомендации одной цифрой. Тогда рост цитирования маскирует провал в выборе, и команда полгода делает контент, который работает на категорию, а не на бренд.
- Смотреть только ChatGPT. У ассистентов разные наборы источников, и бренд, который уверенно рекомендует один, у другого может не появиться ни разу.
- Оценивать упоминания без тональности. Попадание в текст в формулировке «дешевле, но поддержка слабая» формально увеличивает видимость, а фактически отговаривает от покупки.
Короткий вывод
Цитирование показывает, что ваш текст полезен модели. Присутствие в рекомендациях показывает, что модель считает полезным вас. Это два разных результата, и достигаются они разной работой: первый контентом на своём сайте, второй присутствием бренда в чужих данных.
Если в отчёте по видимости у вас одна цифра вместо двух, вы не знаете, какую из этих задач уже решили.