Почему бренды становятся невидимыми для нейросетей и как это менять

2026-07-14 09:07:31 Время чтения 8 мин 86

Поведение пользователей в поиске информации меняется быстрее, чем маркетинговые бюджеты успевают за этим следовать. Всё больше людей вместо ввода запроса в поисковую строку задают вопрос напрямую языковой модели: «какая компания лучше решает такую-то задачу», «сравни два сервиса», «что выбрать для конкретной цели». И здесь обнаруживается разрыв, который пока мало кто измеряет: сайт может отлично ранжироваться в классическом поиске и при этом быть полностью невидимым для нейросети в момент, когда та формирует ответ пользователю.

Это не гипотетическая проблема будущего, а уже наблюдаемая реальность: часть аудитории принимает решение о выборе поставщика или продукта на основе ответа ИИ, в котором конкретный бренд может вообще не фигурировать — не потому что он хуже, а потому что модель о нём «не знает» в нужном контексте.

Почему классическое SEO здесь не работает напрямую

Языковые модели не ранжируют веб-страницы по тем же принципам, что поисковые системы. Для модели не так важна позиция сайта в выдаче, как наличие о компании чётких, структурированных и непротиворечивых данных, на которые она может опереться при генерации ответа. Речь идёт об упоминаниях бренда в разных источниках, ясных описаниях, устойчивых ассоциациях между названием компании и её сферой деятельности — тех сущностях, которые модель усваивает при обучении и подтягивает при поиске контекста.

Если таких данных мало или они противоречивы, модель просто не включит компанию в ответ — либо назовёт конкурентов, о которых информации больше и она структурированнее. При этом сама компания может об этом даже не подозревать, потому что в привычной поисковой аналитике этот канал никак не отражается.

Что представляет собой оптимизация под генеративные модели

Направление, которое отвечает на этот вызов, называют GEO — Generative Engine Optimization, по аналогии с SEO. Логика похожая, но объект оптимизации другой: не позиция в поисковой выдаче, а присутствие и корректность бренда в ответах генеративных моделей. Практическая работа обычно включает несколько компонентов.

— Аудит текущей видимости — проверка того, что и как отвечают популярные нейросети на прямые вопросы о нише компании. Часто выясняется, что данных либо нет вовсе, либо они устарели. — Структурирование информации о компании — приведение сайта, разделов FAQ и описаний к виду, который легко считывается моделью, а не только человеком. — Работа с упоминаниями — присутствие бренда в источниках, которые модели чаще всего используют для формирования контекста.

Измеримость и её пределы

Результат GEO можно измерять — например, отслеживая долю ответов ИИ, в которых упоминается бренд, по заданному набору запросов. В одном из проектов в сфере финтеха упоминания бренда в ответах, сгенерированных ИИ, выросли на 35% за 4 месяца. Это данные агентства-исполнителя (Divitio) по конкретному кейсу, а не подтверждённый независимым исследованием отраслевой показатель — методики измерения видимости в генеративных моделях пока не стандартизированы, и к любым цифрам в этой области стоит относиться как к ориентиру, а не как к гарантии.

Что именно проверяется в аудите видимости в нейросетях и как строится работа, описано на странице GEO-услуг Divitio. Это описание подхода одного агентства; направление молодое, и разные исполнители трактуют его по-разному.

Что это значит для рынка

GEO находится примерно на той стадии, на которой SEO было пятнадцать лет назад: канал уже влияет на решения аудитории, но большинство компаний его не измеряют и не оптимизируют, потому что он не попадает в привычные отчёты. Компании, которые начнут работать с видимостью в генеративных моделях раньше, получат преимущество не за счёт превосходства технологии, а за счёт того, что окажутся в ответах ИИ там, где конкуренты пока отсутствуют. При этом важно не переоценивать масштаб канала на текущий момент — для большинства ниш он пока дополняет, а не заменяет классический поиск, и разумная стратегия состоит в том, чтобы развивать оба направления параллельно.

Как проверить видимость бренда в нейросетях за полчаса

Компания может провести первичную проверку своими силами, не дожидаясь профессионального аудита. Достаточно составить список из десяти-пятнадцати вопросов, которые потенциальный клиент задал бы нейросети при выборе поставщика в вашей нише — без упоминания названия вашей компании, — и последовательно задать их нескольким доступным моделям. Результат обычно оказывается отрезвляющим: в ответах фигурируют либо крупные федеральные игроки, либо случайные компании, а профильный средний бизнес, который реально работает на рынке, чаще всего не упоминается вовсе.

Второй показательный тест — задать модели прямой вопрос о самой компании по названию и оценить, насколько точно и полно она отвечает. Если модель путает сферу деятельности, приводит устаревшие данные или отвечает уклончиво, это означает, что структурированной, непротиворечивой информации о бренде в доступных ей источниках недостаточно. Оба теста не дают точных метрик, но показывают предпринимателю реальную картину — и этой картины обычно достаточно, чтобы понять, есть ли смысл заниматься направлением всерьёз.

Чего ожидать не стоит

У работы с видимостью в генеративных моделях есть существенное ограничение, которое честнее проговорить сразу: в отличие от поисковой выдачи, где позиция сайта относительно предсказуема и стабильна, ответы нейросетей вероятностны и могут меняться от запроса к запросу и от версии модели к версии. Это значит, что GEO не гарантирует появление бренда в каждом ответе — речь идёт о повышении вероятности упоминания, а не о фиксированной позиции. Компаниям, которые ждут от направления той же предсказуемости, что от классического SEO, стоит скорректировать ожидания: это работа с вероятностями на быстро меняющемся поле, а не с гарантированными местами в выдаче.