Нашли проблему с брендом в ChatGPT. Что делать дальше: от ответа нейросети до готовой статьи
Большинство GEO-сервисов продают как мониторинг: подключаете бренд, получаете график видимости и дальше смотрите на него. График полезен, но сам он ничего не исправляет. Он только сообщает, что проблема есть.
Поэтому я начну не с подключения, а с точки, в которой у маркетолога уже есть неприятный факт: по важной для компании теме ChatGPT рекомендует конкурентов, а её не называет вовсе. Дальше по шагам: что я делаю от строчки в отчёте до опубликованного материала и повторного замера.
Точка отсчёта: по вашей теме ИИ советует других
Выглядит это буднично. Есть запрос, который повторяет то, о чём спрашивают покупатели: «какой сервис выбрать для такой задачи», «кто делает это в России», «сравни вот эти два решения». В ответе три-четыре компании, и вашей среди них нет. Или она есть, но в роли массовки: упомянута в конце, без деталей, с формулировкой, которую вы бы про себя никогда не написали.
Первая реакция обычно неверная: «надо больше статей». Больше не помогает, если писать не о том. Сначала причина.
Шаг 1. Понять, из чего собран ответ
Ответ нейросети это не рейтинг и не выдача по позициям. Это пересказ тех источников, до которых модель дотянулась в обучении и в веб-поиске, плюс её собственные представления о нише. Значит, у отсутствия бренда в ответе есть конкретная причина, и она почти всегда одна из пяти.
- Про компанию по этой теме мало текстов, и модели просто не из чего собирать ответ.
- Тексты есть, но говорят о компании другими словами: на сайте «платформа управления видимостью», а покупатель спрашивает «как узнать, что ИИ говорит о моей компании».
- Тексты есть, но живут только на своём сайте. В ответах чаще всплывают площадки, где о бренде говорят со стороны.
- Про компанию пишут, но рядом всегда стоит конкурент с более конкретной фактурой: ценами, сроками, цифрами, условиями.
- В ответе есть прямая ошибка: устаревшая цена, закрытый продукт, приписанная чужая функция.
Руками это разбирается медленно: нужно перечитать десятки ответов и понять, что в них общего. Я смотрю это в brandfound через инсайты: в них видно роль бренда в ответе, тональность и источники, из которых модель собрала рекомендацию. Инсайты не ограничены по количеству, поэтому разбирать можно каждый проблемный запрос, а не три выбранных наугад.
Шаг 2. Назвать пробел словами, а не цифрой
Итог первого шага надо превратить в формулировку, с которой можно работать. «У нас низкая видимость» не формулировка. Рабочая звучит так:
- «По запросам про сравнение с конкурентами нейросети не знают наших условий, поэтому берут чужие сравнительные таблицы».
- «По запросам про сроки внедрения о нас нет ни одного текста, где назван срок».
- «Нас называют, но с ценой двухлетней давности, и это переубеждает читателя против нас».
Такая формулировка сразу задаёт тему будущего материала. Из неё же видно, чего не хватает не в интернете, а внутри компании: обычно как раз тех фактов, которые никто не решался публиковать.
Ответ нейросети это не рейтинг, а пересказ источников. Значит, менять надо источники, а не график.
Шаг 3. Собрать фактуру, на которую опрётся текст
Это шаг, который пропускают чаще всего, и из-за него потом выходят статьи с выдуманными деталями. Если генерации не дать проверенные данные компании, она возьмёт правдоподобные: придумает срок, округлит цену, припишет функцию, которой нет.
Поэтому перед генерацией я складываю в хранилище знаний то, что можно цитировать: описание продуктов, цены и правила расчёта, кейсы с цифрами, ограничения и то, что компания про себя писать запрещает. В brandfound это карта бренда и хранилище фактов, из которых генерация тянет данные по запросу, а не досочиняет их. Разница заметна с первого абзаца: текст начинает говорить конкретикой, которую можно проверить.
Шаг 4. Решить, какой контент закроет этот пробел
Формат выбирается под тип пробела, а не по привычке писать статьи.
- Модель не знает условий и цифр: нужен разбор с фактурой и таблицей.
- Модель берёт чужие сравнения: нужно своё сравнение, где честно названы и сильные, и слабые места.
- Модель путается в терминах и в том, что это за продукт: нужен раздел вопросов и ответов короткими самодостаточными абзацами.
- Модель сомневается в результате: нужен кейс с измеримым итогом.
- Модель повторяет ошибку: нужен свежий материал с правильной формулировкой, иначе исправлять нечем.
Здесь же решается, где публиковать. Ответы собираются из площадок, которые модель считает пригодными для цитирования, поэтому один и тот же текст на своём блоге и на отраслевой площадке весит по-разному.
Шаг 5. Подготовить материал
Только на этом шаге появляется текст. В brandfound за него отвечает контент-фабрика: набор агентов, которые разбирают источники, из которых нейросети берут ответы по теме, собирают план и готовят статью на данных из хранилища и из аналитики по проблемному запросу.
Что остаётся человеку: проверить факты, вычистить формулировки, которые компания про себя не использует, и добавить то, чего нет ни в одном источнике, свой опыт. Материал без этого выходит гладким и пустым, а в ответах нейросетей выигрывает конкретика.
Шаг 6. Вернуться к замеру
Публикация это не финал, а начало отсчёта. Дальше смотрю по тем же запросам, с которых начинали, три вещи.
- Появился ли бренд в ответе и в какой роли: основная рекомендация или упоминание вскользь.
- Изменилась ли тональность и исчезла ли ошибка, из-за которой всё началось.
- Появился ли новый материал в источниках, которые модель цитирует в ответе.
Быстро это не происходит: моделям нужно время, чтобы подхватить публикацию, и часть ответов меняется неровно. Поэтому замер нужен регулярный, а не однократный, и по всем ассистентам сразу, потому что ChatGPT, Gemini, Claude, Perplexity, Grok, DeepSeek, GigaChat, Google AI Mode и Алиса отвечают по-разному и меняются не одновременно.
Где этот цикл ломается
- Остановились на графике. Мониторинг без контента показывает проблему месяцами и ничего не меняет.
- Написали текст без фактуры. Получилась статья, которую нейросети нечего цитировать.
- Закрыли один запрос и решили, что закрыли тему. Покупатель формулирует по-разному, и рядом стоят десятки похожих запросов.
- Проверили результат через неделю и решили, что не работает.
Коротко
- 1. Увидели в ответе конкурентов: разберитесь в причине, а не бросайтесь писать.
- 2. Сформулируйте пробел одним предложением с темой и тем, чего модель не знает.
- 3. Дайте генерации проверенные данные компании, иначе она их придумает.
- 4. Выберите формат под тип пробела: разбор, сравнение, вопросы и ответы, кейс.
- 5. Соберите материал и доведите его руками: факты, формулировки, свой опыт.
- 6. Вернитесь к тем же запросам и смотрите роль, тональность и источники.
Показы покупаются, рекомендации зарабатываются, и вторые теперь тоже измеримы.