Нейросеть сама переписывает поисковый запрос. Почему бренду недостаточно знать, что спрашивает пользователь

Пользователь задаёт один вопрос, а в поиск уходит несколько других. Между формулировкой в чате и тем, по каким запросам ассистент на самом деле собирает источники, стоит ещё один шаг. Бренды его обычно не видят и не измеряют.

10 октября на arXiv появился препринт «What Drives AI Citations?». Авторы разобрали 158 тысяч ответов ИИ и описали механику: прежде чем отвечать, ChatGPT переписывает вопрос пользователя в собственные поисковые подзапросы. Эти подзапросы часто расходятся и с исходной формулировкой человека, и с обычной поисковой выдачей по тому же вопросу.

Для меня здесь важнее не размер выборки, а то, что подзапросы оказались наблюдаемой частью процесса. Видимость в ответе определяется не одной строкой, которую ввёл человек, а набором формулировок, который модель придумала сама.

Пример: запрос «какую CRM выбрать для небольшой компании». Человеку кажется, что он задал один вопрос. Ассистент же может разложить его на несколько поисков:

Ответ собирается из источников, которые нашлись по этим формулировкам, а не по исходному вопросу. Отсюда ситуация, которая выглядит необъяснимой: материал бренда идеально отвечает на вопрос пользователя, но в ответ не попадает, потому что модель искала в другом месте.

Привычная схема простая: собрали список запросов, проверили, где бренд виден, закрыли пробелы контентом. Список при этом описывает то, что спрашивают люди. А цитирование зависит от того, что спрашивает модель.

Из этого следуют три вещи.

Вы отслеживаете вопросы аудитории, но не промежуточные формулировки, через которые ассистент добирается до источников. Пробел видимости может лежать целиком в этом слое.

Если подзапросы расходятся с поисковой выдачей, то сильный в поиске источник может оказаться невидимым в цепочке ассистента. И наоборот: страница со скромными позициями попадает в ответ, потому что точно отвечает на узкий подзапрос.

У бренда появляется больше шансов, а не меньше. По общему запросу про выбор CRM его может не быть, а по подзапросу про интеграции он окажется основным источником.

Если смотреть на исследование через AI-видимость, меняется объект наблюдения. Мониторить стоит не список вопросов, а пространство формулировок вокруг темы, и рядом с фактом упоминания смотреть, кого модель цитирует по каждой из них.

Практически это два направления. Первое: по каждой важной теме держать не один запрос, а семейство формулировок, от общего выбора до цены и альтернатив конкретному продукту. Второе: разбирать источники. Если по подзапросам стабильно цитируются обзорные площадки и сравнения, присутствие на них даст больше, чем ещё одна статья в своём блоге.

Инструменты этого класса как раз расходятся в том, какой вопрос они считают главным. GeoRank фиксирует факт цитирования, Profound и Peec AI смотрят на упоминания в западных моделях, brandfound строит картину по формулировкам и источникам сразу в нескольких нейросетях, включая российские. Выбор зависит от того, что вы хотите узнать: называют ли вас вообще или в каких формулировках вас не называют.

Исследование не отменяет работу с семантикой. Оно показывает слой между вопросом пользователя и ответом модели, которым бренды пока не управляют и чаще всего даже не замеряют.

Я бы не называл это готовой методикой: механика переписывания запросов меняется от версии к версии, и переносить выводы по ChatGPT на все модели рано. Но направление видно уже сейчас. Знать, что спрашивает ваша аудитория, перестало быть достаточным. Нужно знать, что по этому поводу спрашивает модель.