В топ-20 сайтов, которые цитирует Алиса, нет ни одного маркетплейса. Это шанс

Введение

Для небольшого интернет-магазина конкурировать с маркетплейсами в классическом поиске сложно.

На стороне крупных площадок — миллионы товарных страниц, огромный ссылочный профиль, высокая узнаваемость и данные о поведении пользователей, накопленные годами.

Поэтому логично было бы предположить, что с развитием AI-поиска ситуация просто повторится: Алиса будет собирать ответы преимущественно с Ozon, Wildberries, Яндекс Маркета и других больших площадок, а небольшие интернет-магазины снова останутся где-то ниже.

Но пока картина выглядит интереснее.

В одном из исследований цитируемости Алисы, основанном примерно на миллионе запросов разных типов, среди двадцати сайтов, которые система использовала чаще всего, не оказалось ни одного маркетплейса.

Это не означает, что Алиса вообще не использует маркетплейсы.

По отдельным товарным запросам крупные площадки вполне могут появляться в ответах и источниках.

Но сам факт отсутствия маркетплейсов среди лидеров конкретной выборки показывает важную вещь:

размер каталога пока не гарантирует в AI-выдаче того же преимущества, которое он даёт в классическом e-commerce.

Именно здесь появляется окно возможностей для нишевых брендов, небольших интернет-магазинов и D2C-компаний.

Покупатель всё чаще начинает выбор не с конкретного товара

Маркетплейс отлично решает задачу, когда человек уже примерно понимает, что ему нужно.

Он вводит:

«робот-пылесос Xiaomi»;

«кроссовки для бега»;

«ортопедический матрас 160×200».

Затем включает фильтры, сравнивает цену, рейтинг, доставку и продавцов.

AI часто используется на предыдущем этапе.

Когда человек ещё не знает, что именно покупать.

Например:

«Какой матрас выбрать человеку с больной спиной?»

«Какая косметика подходит чувствительной коже с розацеа?»

«Чем кварцевые мойки отличаются от гранитных?»

«Какой корм выбрать собаке мелкой породы после стерилизации?»

«Что лучше поставить в маленькой кухне — круглый или прямоугольный стол?»

Это не запрос карточки товара.

Пользователь пытается сначала понять саму категорию и критерии выбора.

Исследование «Ашманов и партнёры» показывает, что такое поведение уже стало заметным: почти половина опрошенных онлайн-покупателей используют нейросети при выборе товаров. Среди сценариев — сравнение вариантов, поиск подходящего продукта и помощь в определении того, что лучше соответствует конкретной задаче.

Поэтому путь может выглядеть уже не только так:

поиск — маркетплейс — карточки — сравнение — покупка.

А так:

вопрос Алисе — понимание категории — несколько подходящих вариантов — сайт бренда или маркетплейс — покупка.

Именно за этот первый этап сейчас начинается отдельная конкуренция.

Почему это особенно интересно небольшим брендам

Главное преимущество маркетплейса — ассортимент.

Но для ответа на сложный вопрос ассортимента самого по себе недостаточно.

Представим запрос:

«Как выбрать зимние ботинки ребёнку, который много гуляет?»

Список из пяти тысяч моделей проблему не решает.

Нужно объяснить:

1. какой тип подошвы лучше;
2. насколько важна влагостойкость;
3. нужен ли запас по размеру;
4. что даёт мембрана;
5. когда натуральная шерсть полезнее синтетического утеплителя;
6. какие параметры важны для долгих прогулок.

И здесь у специализированного бренда появляется преимущество.

Он может знать категорию значительно глубже, чем универсальная торговая площадка.

Производитель матрасов понимает, чем отличаются наполнители и жёсткость.

Бренд профессиональной косметики может объяснить активные компоненты и ограничения.

Мебельная компания знает, какая конструкция действительно подходит для маленькой комнаты.

Производитель кухонных ножей может объяснить разницу между сталями, геометрией клинка и сценариями использования.

Маркетплейс в первую очередь хорошо отвечает на вопрос:

«Что продаётся?»

Нишевой бренд способен ответить:

«Что выбрать именно вам и почему?»

Для AI это разные типы информации.

Именно поэтому глубина экспертизы может стать для небольшого бизнеса отдельным конкурентным активом.

Карточки товара недостаточно

Здесь многие интернет-магазины сталкиваются с проблемой.

У них есть хорошие товарные карточки:

1. фотографии;
2. цена;
3. характеристики;
4. отзывы;
5. кнопка «Купить»;
6. короткое описание.

Для человека, который уже выбрал категорию, этого вполне может быть достаточно.

Но для сложного AI-запроса такой страницы иногда мало.

Возьмём интернет-магазин светильников.

Карточка сообщает:

Мощность — 36 Вт.

Цветовая температура — 4000 К.

Площадь освещения — 15 м².

Материал — металл.

Всё корректно.

Но пользователь спрашивает:

«Какой светильник выбрать для кухни-гостиной 18 м², если хочется нейтральный свет?»

Чтобы сайт стал действительно полезным источником для такого вопроса, ему нужно объяснить связи между характеристиками и реальным сценарием:

почему 4000 К воспринимается как нейтральный свет;

как рассчитывать освещённость;

когда одного потолочного светильника недостаточно;

как влияет высота потолков;

нужно ли отдельное освещение рабочей зоны.

То есть интернет-магазин начинает выполнять ещё одну функцию — становиться источником знаний о своей товарной категории.

Именно поэтому обычный SEO-текст вокруг ключевого запроса здесь не решает задачу.

Нужен контент, который помогает принять решение.

D2C может вернуть себе часть влияния на выбор

На маркетплейсе бренд почти всегда существует внутри каталога.

Пользователь видит рядом:

1. десятки аналогов;
2. скидки;
3. рейтинги;
4. количество отзывов;
5. срок доставки.

И часто сравнение быстро сводится к цене и социальным доказательствам.

Для D2C-компании это не всегда выгодно.

Бренд может годами инвестировать в продукт, технологию, упаковку и экспертизу, но в момент покупки всё равно оказаться одной из двадцати похожих карточек.

AI-поиск потенциально возвращает возможность объяснить различия до попадания пользователя на эту полку.

Например, бренд профессиональных ножей может работать не только с запросом:

«купить кухонный нож».

А с вопросами:

«Как выбрать первый шеф-нож?»

«Какая сталь дольше держит заточку?»

«Почему японские ножи требуют другого ухода?»

«Какой нож выбрать для мяса, если не хочется покупать целый набор?»

Если материалы бренда действительно помогают ответить на такие вопросы, компания получает контакт с потенциальным покупателем до того, как тот начал сравнивать только цену и рейтинг.

Для нишевого бизнеса это принципиально другой уровень конкуренции.

Но экспертного контента самого по себе недостаточно

Здесь важно не создать новую иллюзию:

«Напишем десять экспертных статей, и Алиса начнёт рекомендовать бренд».

Такой гарантии нет.

AI-поиск не существует отдельно от классического поиска.

Исследования показывают заметное пересечение между страницами, которые хорошо представлены в органической выдаче, и теми, которые используются в ответах Алисы.

Сам Яндекс также связывает качество источника с релевантностью, полезностью, информативностью и общей представленностью страницы в поиске.

Поэтому GEO нельзя полностью отделять от SEO.

Рабочая логика для небольшого e-commerce выглядит примерно так:

технически доступный сайт — поисковая видимость — экспертный контент — использование материалов в AI-ответах — упоминание бренда — переход или последующий поиск товара.

AI не отменяет SEO.

Он добавляет ещё один возможный результат.

Страница теперь конкурирует не только за позицию в поисковой выдаче, но и за возможность стать частью уже сформированного ответа.

Что нишевому магазину имеет смысл делать сейчас

Начинать с массовой генерации статей «под Алису» не стоит.

У нишевого бренда есть более сильный актив — реальная продуктовая экспертиза.

Возьмём мебельную компанию.

Каждый день менеджеры получают вопросы:

«Какой размер стола выбрать для четырёх человек?»

«Какая столешница меньше царапается?»

«Какой материал лучше для семьи с детьми?»

«Как поставить мебель в комнате 12 м²?»

«Какое покрытие выдерживает повышенную влажность?»

Это уже готовый набор реальных пользовательских сценариев.

Первый этап — собрать такие вопросы и посмотреть, что по ним сегодня отвечает Алиса.

После этого запросы можно условно разделить на три группы.

Бренд уже присутствует

Значит, нужно понять, какие страницы и источники помогают ему появляться.

Бренда нет, но появляются конкуренты

Здесь можно изучить, чем их цифровой профиль сильнее.

Алиса отвечает слабо или использует поверхностные источники

Это самая интересная зона.

Именно здесь у специализированного бренда появляется шанс дать лучшее объяснение:

1. собственные тесты;
2. реальные фотографии;
3. таблицы;
4. сравнения;
5. расчёты;
6. комментарии специалистов;
7. результаты эксплуатации;
8. данные производителя.

Не переписывать чужой материал другими словами.

А добавлять то, что действительно знает компания благодаря собственному продукту.

Измерять нужно не только трафик

AI Visibility постепенно становится отдельной частью поисковой аналитики.

Яндекс уже развивает инструменты, позволяющие анализировать видимость сайта в ответах Алисы и понимать, по каким запросам страницы становятся источниками.

Для e-commerce здесь полезно смотреть минимум на четыре показателя.

1. Доля запросов, где сайт используется как источник

По каким реальным сценариям выбора Алиса обращается к материалам магазина?

2. Упоминания бренда и товаров

Система может использовать материал магазина, но рекомендовать другой бренд.

Это разные ситуации.

3. Конкуренты

Какие компании регулярно появляются там, где вашего бренда нет?

4. Коммерческий результат

Переходят ли пользователи на сайт?

Ищут ли потом бренд?

Добавляют ли товары в корзину?

Оформляют ли заказ?

AI не обязательно становится местом покупки.

Он может быть местом, где определяется список брендов, которые пользователь понесёт с собой дальше по воронке.

И для бизнеса это может быть важнее одного прямого перехода.

Заключение

Маркетплейсы никуда не исчезнут.

Для множества товарных категорий они останутся самым удобным местом для сравнения цен, отзывов, доставки и ассортимента.

Но AI-поиск немного меняет расстановку сил.

В классической выдаче маленький интернет-магазин часто конкурирует с площадкой, у которой миллионы страниц и несопоставимый ресурс.

В AI-ответе появляется ещё один критерий:

кто лучше помогает пользователю разобраться в вопросе.

И здесь нишевой бренд уже не выглядит настолько маленьким.

Он может знать свою категорию глубже.

Публиковать собственные исследования.

Проводить реальные тесты.

Давать экспертные сравнения.

Показывать данные, которых нет у универсальной площадки.

Поэтому отсутствие маркетплейсов среди крупнейших источников Алисы в конкретном исследовании стоит воспринимать не как доказательство их слабости.

Скорее как сигнал:

новая среда пока не поделена окончательно.

Для нишевого бренда, небольшого интернет-магазина или D2C-компании это редкий момент, когда можно начать бороться за внимание пользователя ещё до того, как он оказался внутри маркетплейса.

White Pattern проводит бесплатный аудит присутствия бренда в ответах нейросетей. Для e-commerce мы анализируем реальные сценарии выбора, присутствие компании и конкурентов в ответах Алисы и других AI-систем, используемые источники и информационные пробелы.

В результате становится понятно, по каким вопросам бренд уже участвует в выборе покупателя, где вместо него появляются конкуренты и какие материалы стоит развивать в первую очередь.

Потому что задача сейчас не в том, чтобы просто «продвигаться в нейросетях».

Задача конкретнее:

сделать так, чтобы в момент, когда покупатель спросит Алису, что ему выбрать, у системы были основания назвать ваш бренд.