Как нейросети выбирают ЖК: разбор AI-видимости Пресни

GEO-продвижение недвижимости часто сводят к публикации статей и оптимизации карточек. Но что происходит, когда мы смотрим на район целиком? Агентство СоцМедиаМаркетинг проанализировало AI-видимость одного из самых конкурентных районов Москвы — Пресненского. 750 ответов, 5 нейросетей, 50 промптов. Результаты показывают, что нейросети — это не просто справочник, а полноценный участник выбора.

В августе 2026 года команда СоцМедиаМаркетинг провела исследование видимости жилых проектов и девелоперов в ответах пяти больших языковых моделей. Объект исследования — Пресненский район Москвы. Это территория, где сосредоточены десятки жилых проектов, от элитных башен до клубных домов. И здесь особенно важно понять, кто и как попадает в рекомендации.

Главная проблема: известность района не означает видимость проекта
Самая простая проверка выглядит так:
Открываем ChatGPT и спрашиваем: «Какие ЖК стоит посмотреть на Пресне?».
Если район активно застраивается, нейросеть назовет несколько проектов. Но кого именно? И почему?
В исследовании было проанализировано 750 ответов от пяти моделей: GPT-5.4, Perplexity, DeepSeek, Gemini и Алиса. Каждый запрос запускался трижды, чтобы проверить устойчивость результата.

Оказалось, что лидерство в ответах нейросетей распределено крайне неравномерно. Проект «Пресня Сити» появился в 125 ответах из 750 (16.7% выборки). Ближайший конкурент, Republic, набрал 110 упоминаний. Разрыв между первым и вторым местом — 15 ответов. Это немного, но в масштабах выборки уже устойчивый отрыв.

А что насчет географии? Нейросети часто путают район с Москвой в целом. 69.9% упоминаний были классифицированы как локальные. Лучший результат по географической точности показал GPT-5.4 — 84.8% локальных упоминаний. Худший — Алиса, которая часто уводила пользователя в другие районы, предлагая проекты вроде «Сидней Сити» или «ЗИЛАРТ».

GEO в недвижимости работает с покупательским выбором, а не только с брендом

У SEO есть привычная логика: запрос, страница, позиция. В GEO эта модель шире. Нейросеть сначала помогает сформулировать критерии, затем составляет список, сравнивает и объясняет.

В исследовании Пресни видно, что разные модели по-разному формируют этот список.

DeepSeek оказался самым болтливым: средняя длина ответа — 4 534 знака. Это в три раза больше, чем у Gemini (1 259 знаков). Но длина не равна точности. DeepSeek часто упоминал проекты, которые не имеют отношения к Пресне, просто потому что они похожи по классу или названию.

Perplexity показал нулевую цитируемость (0% ответов со ссылками), но при этом средняя длина ответа — 1 432 знака. Это значит, что модель дает рекомендации, но не подтверждает их источниками. Для пользователя это менее проверяемо.

GPT-5.4 — единственная модель, которая сочетала высокую локальность (84.8%) с заметной долей ответов со ссылками (48%). Это делает её наиболее надежным источником для первичного отбора.

8 сценариев выбора: где на самом деле происходит борьба

Все запросы были разделены на 8 смысловых кластеров: локация, репутация, финансы и право, инфраструктура, выбор и покупка, сравнение, информация и продукт.

Самый показательный график — распределение упоминаний по сценариям. Например, Capital Towers набрал 80 упоминаний, но большая часть из них приходится на сценарии «Выбор и покупка» и «Сравнение». А Headliner (74 упоминания) чаще появляется в сценариях «Локация» и «Репутация».

Это критически важно для стратегии. Если проект проигрывает в сравнительных запросах, значит, нейросеть не видит его преимуществ перед конкурентами. Если он не появляется в сценариях «Инфраструктура» — значит, нет достаточного количества источников, подтверждающих наличие школ, парков или спортивных объектов.

Бренд не равен портфелю в районе

Нейросети называют не только локальных застройщиков, но и сильные московские бренды из сравнительного контекста. В топе — Донстрой (59 упоминаний), MR Group (55), Sminex (32).

Но здесь есть нюанс. Донстрой лидирует по упоминаниям, но в самом районе Пресни у него не так много проектов. Его видимость создается за счет других районов и общего бренда. Это значит, что девелоперу с сильным брендом проще попасть в рекомендацию, даже если его проект находится в другом месте.

Главный риск выдачи по району

Самая тревожная часть исследования — это утечка в другие районы. Среди географически классифицированных упоминаний 69.9% были локальными. Остальные 30.1% — это проекты из других районов.

Куда уводят модели?

Это не просто ошибки. Это системная проблема. Нейросеть не различает «Пресню» и «Москву» в целом, если в промпте нет жестких географических ограничений. Для девелопера это означает, что нужно явно и многократно связывать проект с районом — не только на сайте, но и во всех внешних источниках.

Ссылки — критически важный слой доверия

48% ответов содержат явные URL. Чаще всего цитируются:

Отсутствие ссылки не доказывает отсутствие источника в механике модели, но для пользователя делает утверждение менее проверяемым. Если нейросеть рекомендует проект без ссылки на официальный сайт или агрегатор, это снижает доверие.

Стратегический вывод

AI-видимость Пресни — это управляемая система ассоциаций. Нейросеть выбирает не лучший объект, а наиболее доступную связку из названия, локации, сценария и подтверждающего информационного следа.

Вот три шага, которые рекомендуем мы:

1. Закрепить географию
На страницах и в публикациях явно связывать проект с районом, ближайшими станциями и микрорайоном — одинаковыми формулировками. Это снизит риск утечки в другие районы.

2. Покрыть сценарии
Создавать содержательные ответы не только про покупку, но и про тишину, детей, паркинг, эксплуатацию, планировки и жизнь без автомобиля. Нейросети должны видеть проект в контексте разных жизненных задач.

3. Усилить доказательства
Поддерживать единые факты на официальном сайте, площадках недвижимости, в СМИ и отзывах. Повторяемость источников повышает извлекаемость.

Главная задача GEO в недвижимости — добиться не ситуации, когда нейросеть хорошо отвечает на вопрос «Что ты знаешь про ЖК XXX?». Это нижний уровень.

Намного интереснее другой результат: пользователь описывает свою жизненную задачу, критерии выбора и ограничения, не называя ваш объект. И нейросеть сама включает его в число подходящих вариантов. А затем может объяснить почему.

Исследование Пресни показывает, что этот процесс уже идет. Но пока он управляется случайными ассоциациями, а не стратегией. И у девелоперов есть возможность повлиять на него.