ChatGPT советует ваш бренд, но описывает его неправильно: почему тональность важнее количества упоминаний
Полгода я читаю отчёты о том, как нейросети говорят о брендах, и почти в каждом втором проекте повторяется одна сцена. Маркетолог открывает дашборд, видит, что ChatGPT называет компанию в трети ответов, и считает задачу закрытой. Потом мы вместе читаем сами ответы. Бренд там есть, но стоит он рядом со словами «дорого», «для крупных клиентов» и «ограниченный выбор». Упоминание получено. Клиент не пришёл.
Повод вернуться к этой теме сейчас простой: GEO-инструменты начали считать не только частоту упоминаний, но и brand perception, то есть тональность, приписанные бренду характеристики и ассоциации, с которыми он всплывает. Это другой класс данных, и он ломает привычную логику «чем чаще, тем лучше».
Упоминание и рекомендация это разные события
В классическом поиске позиция и была ответом: попал в топ, получил клик. В ответе ассистента ничего подобного нет. Нейросеть не выдаёт список, она пишет связный текст, где у каждого названного бренда своя роль. Одного она предлагает как очевидный выбор, второго упоминает как дорогую альтернативу, третьего приводит примером того, чего делать не стоит. Все трое попадут в статистику упоминаний одинаково.
Поэтому доля упоминаний отвечает ровно на один вопрос: знает ли модель о существовании компании. На вопрос, что она о ней думает, отвечает совсем другой набор метрик.
Четыре слоя, которые обычно сваливают в один показатель
- Упоминание. Назван ли бренд в ответе и по каким формулировкам запроса это происходит. Базовый факт присутствия, дальше он ничего не объясняет.
- Тональность. С какой окраской о бренде говорят: нейтрально, с одобрением, с оговорками. Одна и та же компания легко получает разную тональность в разных сценариях.
- Атрибуты. Какие характеристики модель приписывает: цена, скорость, ассортимент, надёжность, для кого этот продукт. Здесь чаще всего и прячется проблема.
- Рекомендация. Советует ли ассистент выбрать этот бренд, когда пользователь прямо спрашивает, что взять. Это единственный слой, который ближе всего к деньгам.
Между первым и четвёртым слоем нет автоматической связи. Компания может быть в половине ответов и ни в одном не оказаться в роли рекомендованного варианта.
Как выглядит правильное упоминание с неправильным содержанием
Самый частый сюжет такой. Модель знает бренд по обзорам, сравнениям и старым публикациям, где его ставили в премиальный сегмент. С тех пор компания добавила линейку подешевле и расширила ассортимент вдвое, но ответы ассистента остались в прежней картине мира.
Второй сюжет: бренд регулярно всплывает в сравнениях, но всегда как фон для конкурента. Формулировка вида «известный игрок, однако для небольших команд обычно берут вот это» даёт упоминание и одновременно уводит клиента.
Известный игрок на рынке, но для небольших команд обычно берут решения попроще и подешевле. Такая фраза в ответе ассистента даёт бренду упоминание и одновременно уводит клиента к конкуренту.
Третий сюжет самый неприятный: ассистент приписывает ограничение, которого нет. Нет доставки в регионы, нет бесплатного входа, работают только с юрлицами. Это не мнение, а фактическая ошибка, и она тиражируется ровно так же уверенно, как правда.
Откуда нейросеть берёт характеристики
Атрибуты собираются не с сайта компании. Они собираются из того, что о бренде написали другие: обзоры, подборки, форумы, отзывы, сравнительные статьи, ответы на профильных площадках. Если в этом массиве компания десять раз названа дорогой и ни разу не объяснено, из чего складывается цена, у модели нет источника для другой формулировки.
Отсюда практический вывод: атрибуты правятся не переписыванием главной страницы, а появлением новых источников, где нужная характеристика проговорена прямо и с конкретикой.
Что смотреть в замере вместо одной цифры
- Разбор по сценариям. Отдельно нейтральные вопросы «что выбрать», отдельно сравнения с конкретным конкурентом, отдельно проблемные формулировки вида «почему у бренда так дорого».
- Роль в ответе. Главный герой, равный вариант в списке или упомянутый вскользь. Три роли дают три разных результата при одинаковой частоте.
- Список приписанных характеристик с частотой каждой. Ровно он показывает, какое позиционирование на самом деле сложилось у модели.
- Разница между ассистентами. ChatGPT, Gemini, Claude и российские ассистенты опираются на разные источники, и картинка у них расходится сильнее, чем принято думать.
- Источники, из которых собран ответ. По ним видно, какие площадки формируют мнение о бренде и куда идти с материалом.
Такие разрезы я считаю в brandfound: там тональность разложена по семнадцати шкалам, а ответы десяти ассистентов лежат рядом, поэтому расхождение между ними видно сразу.
Что делать, когда атрибуты оказались не те
Шаг первый. Зафиксировать текущую картину как список характеристик, а не как процент. Формулировка задачи должна звучать «нас считают дорогими и нишевыми», а не «у нас видимость 34 процента».
Шаг второй. Выбрать одну характеристику, которая мешает сильнее всех. Обычно это цена или сужение аудитории.
Шаг третий. Найти площадки, которые модель реально цитирует по этим запросам, и выпустить там материал, где спорная характеристика разобрана с цифрами. Не опровержение, а объяснение: из чего складывается цена, кому подходит базовый вариант, что входит в минимальный набор.
Шаг четвёртый. Через три-четыре недели повторить замер по тем же формулировкам и смотреть не на частоту, а на то, ушла ли характеристика из ответов.
Коротко
Частота упоминаний это метрика известности, а не позиционирования. Нейросеть может исправно называть компанию и при этом описывать её так, что пользователь выберет конкурента. Пока в отчёте нет тональности, атрибутов и роли бренда в ответе, красивый процент видимости не значит почти ничего.