Один товар, разные рекомендации: почему ChatGPT, Gemini и другие AI-покупатели выбирают по-разному

Маркетолог спрашивает ChatGPT, какой конструктор подарить ребёнку семи лет, видит свой бренд во втором пункте, делает скриншот и несёт его на планёрку как доказательство AI-видимости. В тот же день коллега задаёт тот же вопрос Google AI Mode и получает список, где этого бренда нет вообще. Оба скриншота настоящие.

Это не галлюцинация и не сбой. Ассистенты собирают товарные подборки из разных источников и по разным правилам, поэтому расходятся не формулировки, а сам состав полки. Разберём по порядку, где именно проходит расхождение и что из него следует для замера видимости.

Ассортимент, который видит ассистент, у каждого свой

Отдельный разбор AI shopping assistants в Performance Marketing World сводится к простому: ассистенты опираются на разные источники и по-разному формируют рекомендации, поэтому на один и тот же shopping-запрос пользователь получает разные наборы товаров и брендов. Расхождение заложено в устройстве, а не возникает от неудачной формулировки запроса.

Насколько оно велико, видно по замеру агентства Jellyfish, который приводит Digiday. На запросах по игрушкам ассистенты разошлись даже по числу площадок, из которых вообще набирались товары:

1. Alexa for Shopping показала товары 177 брендов практически только из ассортимента Amazon
2. ChatGPT обращался к 24 ритейлерам
3. Google AI Mode брал товары у 37 ритейлеров

Это данные агентства по одной товарной категории, независимой проверки методики в открытом доступе нет, и цифры сдвинутся при другой категории, другом регионе и другом языке запроса. Но порядок различий здесь важнее точных чисел. У одного ассистента полка упирается в один маркетплейс, у другого собрана из нескольких десятков магазинов. Бренд, которого нет в первом каталоге, не проигрывает конкуренту по качеству, он просто не существует для этого ассистента.

Расхождение начинается в источниках, а не в характере модели

Привычка мерить ассистентов как модели разного качества здесь мешает. Разные ответы дают не разные характеры, а разные механизмы сборки рекомендации. Их как минимум четыре, и они складываются:

1. Товарный источник. Один ассистент работает на фиде собственного маркетплейса, другой стягивает карточки из открытого веба, третий опирается на партнёрский каталог и выдаёт только то, что в нём есть.
2. Момент обращения. Часть ответов собирается поиском на лету, часть выезжает из того, что модель запомнила при обучении: отсюда разные ответы на один вопрос с разницей в минуту.
3. Правила отбора. Фильтры наличия, доставки, цены и условий возврата режут список до показа, и для бренда это выглядит как необъяснимое отсутствие.
4. Ширина интерфейса. Голосовой ассистент называет один-два товара, текстовый даёт пять, режим с карточками подтягивает картинки и цены: в разном формате ответа помещается разное число брендов.

Отсюда следствие, с которым придётся жить: позиция бренда больше не одна. Их столько, сколько ассистентов, и внутри каждого они устроены по своим правилам. Место рядом с ответом не равно месту внутри него.

Проверка одного запроса в одном ассистенте ничего не измеряет

Самая частая ошибка в отчётах, которые приходится читать: один запрос в ChatGPT, скриншот, вывод про AI-видимость бренда. При таком разбросе источников подобный замер говорит ровно об одном ответе одного ассистента в один момент. Он не переносится ни на вторую модель, ни на завтрашний день, ни даже на второй прогон того же запроса. Это свойство измерения, а не канала.

Ключевое из врезки, чтобы не потерялось: сравнимыми становятся не ответы, а доли. Сколько раз из ста прогонов бренд попал в подборку у каждого ассистента, рядом с кем он при этом стоял и на какой источник ассистент ссылался.

Что это значит для российского рынка

У нас разброс шире, чем в западных исследованиях, потому что стек пользователя смешанный. ChatGPT и Gemini соседствуют с Поиском с Алисой и Чатом с Алисой, которые ведут себя как два разных ассистента, и с GigaChat. К товарным ответам добавляются выдачи маркетплейсов: ассистент, который опирается на карточки Wildberries или Ozon, покажет совсем не тот список, что ассистент, собирающий ответ из открытого веба. Логично ожидать, что в ближайший год вопрос к агентству будет звучать не «мы представлены в нейросетях», а «в каких, по каким запросам и рядом с какими конкурентами».

Такой замер делают профильные GEO-сервисы мониторинга: например, brandfound отслеживает упоминания бренда в десяти нейросетях, включая оба режима Алисы, с тональностью и источниками каждого ответа. Это ровно тот слой, который теряется при проверке одного запроса в одном чате: не сам факт упоминания, а разница между ассистентами. По тому же чек-листу стоит прогнать любой сервис, каким бы ни был поставщик.

Проверка за час

1. Выпишите двадцать запросов так, как их формулирует покупатель задачей, а не категорией: «что подарить ребёнку семи лет», а не «конструктор купить».
2. Прогоните их минимум в четырёх ассистентах: два западных, два российских, и хотя бы один голосовой или встроенный в маркетплейс.
3. Повторите каждый запрос трижды и записывайте не позицию, а факт попадания в подборку.
4. Для каждого ответа сохраните источник: с какого магазина, карточки или статьи ассистент взял товар.
5. Сведите доли попадания по ассистентам в таблицу и сравните со списком конкурентов, которые попадают стабильно.
6. Отметьте, где источник ответа вам доступен: собственный сайт, карточка маркетплейса, отраслевая статья. Это и есть точка приложения усилий.