Когда пользователь спрашивает у ChatGPT, Perplexity или Gemini совет по выбору продукта, модель не открывает страницу бренда — она синтезирует ответ на основе десятков источников, которые сама сочла заслуживающими доверия. Свежие данные 2026 года впервые показывают эту механику на уровне самих цитирований — и картина оказывается куда менее выгодной для собственных сайтов брендов, чем принято думать.
LLM формируют ответ о компании на основе двух слоёв данных. Первый — статичные знания, усвоенные во время обучения: если бренд был плохо представлен в качественных источниках на момент сбора обучающего корпуса, модель просто не знает о нём. Второй слой — поиск в реальном времени: при коммерческих и актуальных запросах модель дополнительно обращается к вебу, формируя серию подзапросов и оценивая найденные страницы по правилам, отличным от классического поиска.
Отсюда ключевое отличие от SEO: LLM не ранжирует страницы по обратным ссылкам и ключевым словам, а собирает единый ответ из фрагментов разных источников, оценивая бренд как сущность, а не набор оптимизированных URL.
Независимое исследование исследователя Дмитрия Затучина впервые количественно проверило, откуда языковые модели берут информацию о брендах. Автор проанализировал 167 551 цитирование с привязкой к URL по 128 брендам в 12 странах и 13 языках и получил четыре устойчивые закономерности:
Если почти 86% упоминаний бренда формируется вне его собственного сайта, то усилия, вложенные только в собственный контент, закрывают меньшую часть картины, которую видит модель.
Анализ более 23 000 цитирований по сотням брендовых запросов показывает, что LLM опираются не на трафик или рекламный бюджет, а на три сигнала: плотность упоминаний бренда в обучающих данных, чёткость описания бренда как сущности и качество самого источника цитирования. Наибольшим доверием пользуются отраслевые издания с устойчивыми редакционными стандартами, сообщества вроде Reddit как индикатор органического мнения, развёрнутый редакционный контент и материалы академических институтов.
Отдельный эксперимент 2026 года, посвящённый механике реранжирования уже отобранных кандидатов, показал, что убедительные, подкреплённые доказательствами формулировки способны менять порядок брендов внутри уже сформированного шорт-листа. В контролируемом тесте с участием моделей GPT-4o, Gemini 2.5, Claude 4 и Grok 3 наиболее эффективная стратегия текста в среднем поднимала целевой продукт в топ-5 в 91,4% испытаний, в топ-3 — в 86,6%, на первое место — в 80,3% случаев. Авторы исследования подчёркивают: результат описывает работу модели уже после того, как источник попал в число кандидатов, а не гарантирует само попадание в этот список.
Данные 2026 года фиксируют смещение веса от классических SEO-сигналов к репутационным. По данным аналитической компании Superlines, упоминание бренда в тексте без гиперссылки коррелирует с цитируемостью в LLM сильнее, чем классическая обратная ссылка: коэффициент корреляции Спирмена для упоминаний бренда составил 0,664 против 0,2 у обратных ссылок. Для модели важнее не техническая ссылка, а сам факт последовательного и достоверного упоминания компании в источнике, который она считает авторитетным.
Свежесть публикации в 2026 году превратилась в самостоятельный критерий отбора: по данным аналитической платформы Profound, приведённым в том же обзоре, 82% цитирований в Perplexity приходятся на материалы младше 30 дней. Параллельно, согласно исследованию компании Brandlight, пересечение между топ-10 классической выдачи Google и источниками, которые реально цитируют LLM, за 18 месяцев сократилось с 70% до менее 20% — хорошие позиции в обычном поиске всё слабее гарантируют присутствие в ответах нейросетей.
Рынок LLM в России в 2026 году сильно фрагментирован: по данным опроса ВЦИОМ, ChatGPT занимает 27% аудитории, YandexGPT/Алиса AI — 23%, DeepSeek — 20%, GigaChat — 15%, Shedevrum — 11%. При этом пересечение цитируемых доменов между ChatGPT и Perplexity составляет всего около 11% — оптимизация под одну модель не переносится на другие, и бренду приходится выстраивать репутацию именно в источниках, которым доверяет платформа, где сосредоточена его аудитория.
Масштаб влияния AI-рекомендаций на покупательские решения растёт быстрее, чем ожидалось год назад. По оценке исследовательских компаний PHD и WARC, объём потребительских расходов с участием AI-агентов в 2026 году достигнет 944 млрд долларов, около 1,3% мирового частного потребления, а к 2030 году утроится — до 3,35 трлн долларов. Попадание или непопадание бренда в число источников, которым доверяет модель, всё чаще напрямую отражается на выручке, а не только на охвате.
Видимость в ответах ИИ строится не столько на оптимизации собственного сайта, сколько на управлении репутацией во внешней информационной среде. Приоритетными точками влияния становятся авторитетные отраслевые издания, структурированные и часто обновляемые справочные источники, площадки с отзывами и профессиональными обсуждениями, а также последовательное и непротиворечивое описание бренда во всех источниках одновременно. Модель не «верит» изолированному заявлению компании о себе — она ищет подтверждение из нескольких независимых мест, и чем убедительнее и свежее это подтверждение, тем выше шанс, что бренд попадёт в короткий список, который видит пользователь.