Как бренду попасть в ответы ChatGPT и Алисы — и почему одной статьи для этого мало

Я замеряю, как нейросети отвечают на вопросы «кого выбрать», «что купить» и «к кому обратиться». Вокруг темы успела появиться простая и очень привлекательная идея: достаточно написать правильную статью, и ChatGPT начнёт рекомендовать компанию. На практике так почти не бывает. Один материал может попасть в источники ответа, но до устойчивой рекомендации от него ещё далеко. Главный вывод моих наблюдений: нейросети советуют не тех, кто громче всех рассказал о себе, а тех, о ком сложилась убедительная картина в разных источниках. И эту картину можно разложить на понятную цепочку.

Когда человек спрашивает поисковик, он получает десять ссылок и решает сам. Когда тот же человек спрашивает ChatGPT или Алису, значительную часть выбора система делает за него.

Она может назвать пять компаний, коротко объяснить различия и тут же отсечь остальных. Бренд либо оказывается в этом небольшом списке, либо остаётся за пределами ответа — даже если занимает хорошие позиции в обычном поиске.

При этом системы собирают ответы по-разному. В моём замере — десять систем, которые я отслеживаю. Семь из них обращаются к живому вебу и могут использовать страницы, опубликованные недавно. Три отвечают из внутренней памяти модели.

Разница принципиальная. Если система ходит в интернет, новая полезная страница может стать источником уже сейчас. Если отвечает по памяти, остаётся ждать обновления модели. Такие системы догоняют веб с задержкой в кварталы, а иногда и дольше.

Поэтому вопрос «Как попасть в ChatGPT?» слишком широкий. Полезнее спросить: откуда конкретная система берёт ответ в моей нише и что она должна там увидеть, чтобы назвать бренд?

Источники → упоминания → рекомендация.

Представьте городского гида, которого попросили посоветовать ресторан для делового ужина. Сначала гид читает обзоры, справочники и тематические подборки. Потом замечает, что определённое место регулярно упоминают в подходящем контексте: там тихо, есть отдельные залы, удобно разговаривать. И только после этого включает ресторан в короткую рекомендацию.

С брендами происходит примерно то же самое.

Сначала компания должна появиться на страницах, которые нейросеть действительно читает. Затем — оказаться там не в виде одинокого рекламного упоминания, а внутри полезного ответа: сравнения, списка поставщиков, обзора вариантов, инструкции по выбору. Из нескольких таких сигналов система собирает основание назвать компанию пользователю.

Важно не просто присутствовать на известном сайте. Важно участвовать в выборе.

Колонка генерального директора о будущем отрасли может выглядеть солидно, но никак не помогать ответу на вопрос «какого поставщика выбрать». А скучная на вид страница отраслевого каталога может оказаться ценнее, если нейросеть постоянно использует её при составлении рекомендаций.

Первый шаг — составить карту источников своей ниши.

Нужно взять реальные вопросы покупателей и посмотреть, какие страницы системы цитируют в ответах. Не те площадки, которые принято считать престижными. Не те, куда давно хочется попасть. А те, которые действительно встречаются на пути к рекомендации.

Карта для каждого рынка своя. Где-то наверху окажутся отраслевые каталоги, где-то — маркетплейсы и отзовики, где-то — тематические медиа, YouTube или сайты производителей. Даже в соседних категориях набор источников может заметно различаться.

Второй шаг — сделать собственный сайт источником, а не рекламным буклетом.

Страница «О компании» обычно отвечает на вопросы, которые задаёт сама компания: когда основана, во что верит, почему считает себя лидером. Покупатель спрашивает о другом: что выбрать при его бюджете, чем отличаются варианты, какие есть ограничения, сколько времени займёт внедрение.

Хорошая страница разбирает именно такой вопрос. Она сравнивает подходы, называет критерии, показывает сценарии и честно объясняет, кому решение не подойдёт. Бренд внутри этого материала становится частью полезного ответа, а не его единственным героем.

Третий шаг — попасть в списки и сравнения на уже найденных площадках.

Нейросети удобно извлекать рекомендации из материалов, где выбор частично проделан за них: вот участники рынка, вот различия, вот условия, при которых подходит каждый. Поэтому участником хорошего списка нередко быть полезнее, чем автором очередного обзора от собственного имени.

Потому что рекомендация не копируется из одной статьи. Она собирается из множества следов.

В одном из моих контрольных замеров одной ниши три статьи в цитируемом отраслевом СМИ, опубликованные за три недели, дали бренду 0,33% спонтанных упоминаний. Практически ноль.

Это не значит, что материалы были бесполезны. Они добавили первые сигналы, но этих сигналов оказалось недостаточно, чтобы новое имя закрепилось в коротком списке.

В кейсах, где рекомендации действительно сдвигались, счёт шёл на 20–30 материалов за квартал. Причём речь не о двадцати одинаковых текстах, размноженных по случайным сайтам. Работала серия содержательных касаний в источниках, которые нейросети уже использовали.

Так что одна публикация редко меняет картину. Включая эту, кстати.

Есть и вторая причина: сами ответы нестабильны. Даже в течение одного дня топ-10 рекомендаций обновляется примерно на 40% без каких-либо внешних событий. В одном ответе бренд стоит четвёртым, в следующем исчезает, а потом возвращается на восьмое место.

Это обычный шум, а не обязательно рост или падение. Поэтому скриншот с единственным удачным ответом доказывает лишь то, что однажды система назвала компанию.

Один и тот же вопрос я задаю несколько раз. Один полный прогон — это проверка вопросов по всем системам и 120 ответов; три последовательных прогона дают 360 ответов и складываются в одну контрольную точку, а не в три отдельных результата.

Затем замер стоит повторить через несколько недель с теми же вопросами и в тех же системах. И смотреть не на единичный скачок, а на согласованное изменение сразу в нескольких каналах.

Если компания стала чаще появляться в нескольких системах, эффект повторяется в трёх прогонах и сохраняется на следующей контрольной точке — это уже похоже на движение. Если имя мелькнуло один раз в одном ответе, перед нами, скорее всего, обычное колебание.

Ранние признаки появляются ещё до роста рекомендаций. Сначала собственный сайт начинает встречаться среди источников. Затем бренд входит в сравнения и подборки на цитируемых площадках. И лишь потом его имя устойчивее появляется в коротких ответах пользователю.

Поэтому работа с присутствием в нейросетях — не трюк с одной «правильной» статьёй. Это последовательность: выяснить, что системы читают, дать им полезные страницы, войти в подходящие сравнения и проверить результат повторными замерами.

Не нужно пытаться сразу «попасть в ChatGPT». Нужно пройти всю цепочку: источники → упоминания → рекомендация.

Сергей, Лаборатория GeoWise — замеряю, как ChatGPT, Алиса и другие нейросети рекомендуют бренды. Методика замеров описана на geowise.ru.