ChatGPT теперь не обязательно открывать. Как нейросети незаметно становятся частью корпоративных сервисов

21 октября OpenAI и Google объявили, что модели GPT-6 становятся доступнее через Google Cloud. Для бизнеса это значит, что нейросеть всё чаще будет отвечать человеку из чужого интерфейса, без логотипа и без имени модели. Разбираю, что меняется, почему ответы разных продуктов на одной модели расходятся и почему проверка одного ChatGPT больше не показывает картину

Ток в розетке не подписан. Вы не знаете, какая станция его выработала, по какой линии он пришёл и сколько посредников стояло между турбиной и вашей кухней. Вы видите только прибор: утюг греет, лампа светит, холодильник морозит.

С нейросетями сейчас происходит то же самое. Модель уезжает под корпус чужого продукта, и в интерфейсе от неё не остаётся ни названия, ни версии.

21 октября OpenAI и Google сообщили о расширении доступности моделей GPT-6 через Google Cloud. Коммерческие условия, лимиты и сроки компании не раскрыли, поэтому про масштаб сделки судить рано.

Важно другое. Раньше модели OpenAI приходили к корпоративному заказчику двумя дорогами: собственный API и облако Microsoft. Теперь к ним добавляется ещё одна крупная площадка, где GPT-6 лежит строкой в прайсе рядом с сотнями других сервисов.

Для компании это снимает последний бытовой барьер. Не нужен отдельный договор, отдельный контур безопасности и отдельная статья бюджета: модель включается там, где данные компании уже лежат, и попадает в её продукты тем же способом, которым туда попадает база или очередь сообщений.

Публично историю ИИ принято считать по интерфейсам. Вышел чат, вышло приложение, вышел голосовой режим. Так считать проще, потому что интерфейс видно.

Но за последние два года центр тяжести сместился. Модель перестала быть продуктом и стала деталью: её встраивают в CRM, в банковское приложение, в кабинет оператора связи, в поддержку маркетплейса, в корпоративный поиск по документам.

Пользователь при этом не выбирает модель. Он открывает то приложение, которое открывал всегда, и получает в нём рекомендацию, подборку, объяснение по счёту или сравнение тарифов. Какая нейросеть это сформулировала, в интерфейсе не написано, и спрашивать не у кого.

Поэтому новость от 21 октября читается не как обновление чата, а как ещё одна проложенная линия. Чем дешевле и ближе лежит модель, тем больше обычных корпоративных экранов начнут говорить её словами.

Здесь часто путают, поэтому расставлю по местам. Две компании могут взять одну и ту же модель и получить ответы, которые расходятся и по смыслу, и по составу названных брендов. Причина не в случайности, а в обвязке.

Первый слой. Инструкция. Системный промпт задаёт роль, запреты и формат. Один сервис обязан отвечать только о своём каталоге, второй сравнивает рынок целиком, третий не имеет права называть сторонние компании вовсе. Одна и та же модель в этих трёх случаях ведёт себя как три разных консультанта.

Второй слой. Данные. Большинство корпоративных внедрений работает не на знаниях модели, а на поиске по своей базе: карточки товаров, документация, цены, история обращений. Ответ собирается из найденного. Чей фрагмент нашёлся, того бренд и прозвучит, а чего в базе нет, того для пользователя не существует.

Третий слой. Фильтры. Перед выдачей ответ проходит постобработку: юридические правила, подстановка ссылок, вырезание конкурентов, пересборка в шаблон компании. То, что модель сказала, и то, что человек прочитал, это не всегда один и тот же текст.

Добавьте к этому версии. Чекпойнт, длина контекста, настройка разброса и то, какие инструменты модели разрешено вызывать. Два продукта на бумаге работают на GPT-6, а по факту на двух разных сборках.

Теперь главное для тех, кто занимается видимостью.

Пока ИИ жил в отдельном чате, проверка выглядела понятно: задаёте вопрос про свою категорию и смотрите, кого модель назвала. Когда модель уходит внутрь чужих сервисов, точек, где решается судьба вашего бренда, становится много, и ни одна из них не называет себя.

Клиент спрашивает про поставщика в корпоративном поиске своей компании. Закупщик сравнивает подрядчиков в кабинете, куда встроен ассистент. Пользователь уточняет про тариф в приложении оператора. В каждом из этих сценариев ответ опирается на разную базу и разные фильтры, и ваше присутствие в нём не наследуется из того, что вы хорошо выглядите в ChatGPT.

Отсюда практический вывод. Видеть нужно не одну поверхность, а их набор, и видеть регулярно: с базовой точкой, частотой замера и разбивкой по платформам, потому что расхождение между ними и есть рабочая информация. Если в одной модели бренд упоминается, а в четырёх других нет, проблема не в капризном сервисе, а в том, что цитируемых источников о вас слишком мало.

Под эту задачу за последние пару лет сложился отдельный класс сервисов: Profound и Otterly, brandfound и другие. Они отличаются охватом платформ и глубиной разбора, но решают одну задачу, превращают разовую проверку в метрику с историей.

Главное начать видеть себя во всех ответах сразу, пока бренд не исчез ровно в том сервисе, через который к вам приходят деньги.

Первое. Объявление 21 октября это инфраструктурная новость, а не продуктовая: модель стала доступнее там, где уже лежат корпоративные данные.

Второе. Ответы разных сервисов на одной модели расходятся закономерно, потому что между моделью и пользователем стоят инструкция, чужая база и фильтр.

Третье. Проверка одного ChatGPT показывает одну линию из многих, и по ней нельзя судить о том, что видит ваш клиент в своём приложении.

Для брендов это не повод для паники, но повод пересобрать картину. Узнать, что вас нет в ответах того сервиса, через который идут ваши сделки, дешевле сейчас, чем через год от отдела продаж.

А теперь к вам. В каком чужом продукте вы впервые заметили, что рекомендацию вам даёт нейросеть: банковское приложение, маркетплейс, кабинет оператора или корпоративный поиск на работе?

Если разбор пригодился, буду признателен за плюс. Это помогает таким материалам набирать охват и доходить до тех, кому тема актуальна.