Что ChatGPT и Алиса говорят о вашей компании - и откуда они это взяли. Разбираем тональность в ответах ИИ

Отдел маркетинга радуется: бренд стал появляться в ответах нейросетей. Открываем сами ответы и читаем: «X - известный производитель, но покупатели отмечают завышенные цены и проблемы с доставкой в регионы». Модель взяла это из двух отзывов трехлетней давности на площадке, о которой в компании давно забыли.

Видимость - не единственная метрика. Вторая - тональность: как именно о вас говорят. И в отличие от отзыва на площадке, ответ нейросети нельзя «отработать»: он собирается заново каждый раз, из того, что модель считает источниками. Значит, работать надо с источниками. Ниже - как их найти.

Правило, без которого метрика не имеет смысла: тональность без цитаты не принимается. «6 из 10» само по себе ничего не говорит. «6 из 10, потому что “надежный, но не самый дешевый вариант”» - уже рабочая информация: понятно, какая формулировка живет в ответах и с чем работать.

Средняя тональность по замеру - это средняя по всем упоминаниям бренда во всех ответах. В примере, который разбираю ниже (679 запросов, 6 нейросетей, 2 051 ответ), она составила 5,98 - нейтральная зона, без негатива. Это типичная картина для производственной компании: модели говорят о бренде описательно, без оценок. Хорошо это или плохо - зависит от того, как звучат конкуренты в тех же ответах.

Тональность читается только рядом с двумя другими цифрами.

Рядом с позицией в ответе. Бренд назван нейтрально, но первым - модель считает вас основным вариантом. Назван нейтрально пятым, после четырех конкурентов с позитивными формулировками, - вы «еще один вариант, который тоже есть». Средняя позиция упоминания в примере - 1,4: в среднем называют одним из первых. С такой позицией нейтральные 5,98 - нормальный результат.

Рядом с тональностью конкурентов. Если конкурента модели описывают как «лидера рынка с лучшим соотношением цены и качества», а вас - как «производителя с широким ассортиментом», человек, читающий ответ, выбор уже сделал. Разрыв в 2–3 балла при равной видимости - это потерянные клиенты, которых не видно ни в позициях, ни в трафике.

Поэтому на экране тональности мы показываем не одну цифру, а распределение: сколько упоминаний в негативе, сколько в нейтрали, сколько в позитиве, и по каждой нейросети отдельно. Одна и та же компания может быть «надежным поставщиком» в Алисе и «дорогим вариантом» в ChatGPT, потому что они собирают ответ из разных источников.

Нейросеть не «думает» о вашей компании. Она собирает ответ из текстов, к которым имеет доступ, и переносит оттуда оценки - часто дословно. Источников два типа, и работают они по-разному.

Живой поиск. Алиса AI, Perplexity, Google AI Overview, ChatGPT с включенным поиском ищут в интернете в момент ответа. Формулировка в их ответе почти всегда восходит к конкретной странице, которую можно найти в списке источников или по цитате. Это отзывы на площадках, обзоры в отраслевых медиа, ветки форумов, сравнительные статьи конкурентов - да, статья конкурента «X против Y» тоже источник, и модель охотно берет оттуда, как он вас описал.

Обучающий корпус. ChatGPT без поиска, Claude, DeepSeek отвечают по тому, что «помнят» с момента обучения. Здесь источник напрямую не виден, а формулировки могут быть на год-два старше реальности: «раньше был лучше», «в 2024 году были проблемы с поставками». Это самый неприятный тип негатива, потому что с ним нельзя работать быстро - только наращивать след свежих материалов на площадках, которые модель знает.

Для маркетолога из этого следует главное: ответ нейросети - это зеркало вашего присутствия в сети за последние несколько лет, а не текущий сайт. Сайт может быть идеальным, а модель будет повторять отзыв 2023 года, потому что ничего свежее и авторитетнее про вас не нашла.

Порядок, который работает.

1. Сохранить сырой ответ целиком. Не оценку, не выжимку - весь текст ответа с датой, нейросетью и режимом (с поиском / без). Ответы нестабильны: завтра модель ответит иначе, и доказательства не будет. Все, что мы делаем дальше, делается по сохраненным текстам.

2. Найти цитату. В размеченном ответе у каждого упоминания есть фрагмент-обоснование: «покупатели отмечают завышенные цены». Это и есть то, что ищем.

3. Проверить список источников ответа. У нейросетей с живым поиском они есть: Perplexity показывает ссылки прямо, Алиса - в блоке источников, ChatGPT с поиском - сносками. Открыть каждый и найти, где стоит похожая формулировка. В большинстве случаев источник негативной оценки - один из трех-пяти доменов, которые модель цитирует по нише постоянно. Это отраслевые медиа, справочники, площадки отзывов, крупные блоги - сайты, которым нейросеть доверяет по вашей теме. При массовой проверке они видны сразу: список доменов, которые чаще всего попадают в ссылки ответов, с пометкой, кто это - вы, конкурент, медиа или площадка отзывов.

4. Если источников нет - искать по цитате. Для ответов «по памяти» берем ключевую фразу и ищем ее обычным поиском в кавычках и без. Обычно находится страница, с которой формулировка разошлась: отзыв, статья, обсуждение на форуме. Если не находится - формулировка «сборная», и работать надо не с одной страницей, а с общим фоном.

5. Датировать. Когда написан источник. Если ему больше года и факты изменились (цены, сроки, условия), это не репутационная проблема, а проблема устаревших данных, и лечится она иначе.

Работать с ответом нейросети напрямую нельзя. Работать можно с тем, из чего он собран.

Устаревшие факты. Обновить данные там, где они устарели: карточка компании в справочниках, страницы на площадках, старые статьи, где вы можете попросить правку. Выпустить свежий материал с актуальными фактами - с датой, цифрами, конкретикой - на своем сайте и на тех самых сайтах, которым нейросеть доверяет по теме. Модели с живым поиском предпочитают свежие источники, и через несколько недель формулировка меняется.

Живой негатив в отзывах. Классическая работа с отзывами: ответить публично, по существу, с решением. Нейросети видят и отзыв, и ответ на него, и «проблема была, решена так-то» они переносят в текст охотнее, чем голую жалобу. Нарастить долю свежих положительных отзывов на той же площадке - модель считает по тому, что видит сейчас.

Описание от конкурента. Если формулировка растет из сравнительной статьи конкурента, единственный ответ - своя сравнительная статья, честная, с цифрами и таблицей, включая чужие решения. Материал, который разбирает варианты объективно, цитируется чаще рекламного, и модель начнет брать описание из него.

Негатив «по памяти» в ChatGPT и Claude. Самая долгая работа. Правки на сайте не помогут: бренд в обучающем корпусе уже описан так, как описан. Помогает след свежих упоминаний на площадках с высоким доверием - отраслевые медиа, справочники, крупные площадки, YouTube с расшифровками. Горизонт - месяцы. Утешение: с включенным поиском те же модели переключаются на живые источники, и там работает все, что описано выше.

Разнобой в названии. Отдельный случай, который выглядит как негатив, но им не является: модель путает вас с другой компанией или сшивает две сущности в одну, потому что в сети вы фигурируете под тремя вариантами написания. Лечится единообразием названия во всех источниках.

Тональность в ответах ИИ - это ORM, только источник данных другой. Раз в месяц: