Репутация бренда в ответах нейросетей: что здесь можно измерить и чем управлять

Ответ ассистента собирается заново под каждый вопрос, поэтому в нём нет фиксированной позиции бренда

Директор по маркетингу просит проверить, что пишут о компании. Агентство приносит отчёт: выдача вычищена, негатив вытеснен на вторую страницу, рейтинг на отзовиках подрос на полбалла. На следующий день он задаёт тот же вопрос нейросети и читает в ответе, что компания ушла с рынка. Источник у этой фразы есть, он даже указан ссылкой, и это заметка трёхлетней давности о закрытии одного направления из пяти.

Разрыв между двумя картинками встречается всё чаще, и дело не в качестве работы агентства. Репутация в выдаче и репутация в ответе ассистента живут по разным правилам, и привычный набор инструментов переносится между ними лишь частично. Разберём по порядку, что здесь меняется, что можно посчитать и на что реально получается влиять.

Ответ нейросети это не выдача, а пересказ

Поисковая выдача отдаёт список документов, и дальше человек сам решает, кому верить. Ассистент отдаёт готовый пересказ: он выбирает два-три источника, вытаскивает из них утверждения и склеивает в связный текст. Пользователь видит вывод, а не материал, из которого вывод собран. Отсюда три следствия, неудобных для привычной работы с репутацией.

1. Нет фиксированной позиции. Ответ собирается заново под каждую формулировку вопроса, и один и тот же бренд может быть героем ответа, строкой в перечне или не появиться вовсе.
2. Негатив не вытесняется, а переписывается. Упавшая на вторую страницу статья для модели остаётся таким же документом, как и всё остальное: вопрос только в том, попадёт ли она в выборку источников.
3. Устаревшее равно актуальному. У текста нет срока годности, пока его не вытеснит более свежий и более удобный для цитирования материал на ту же тему.
4. Ошибка в ответе хуже молчания. Отсутствие бренда в ответе стоит дешевле, чем его присутствие с неверной характеристикой, потому что второе читатель принимает за проверенный факт.

Что здесь можно измерить

Главная ошибка на входе это попытка измерять ИИ-ответы метриками поиска. Позиции, частотность и объём трафика тут либо не определены, либо считаются иначе. Работающий набор выглядит скромнее, зато каждая величина проверяема.

1. Частота упоминания: в какой доле ответов на набор ваших сценарных вопросов бренд вообще называется.
2. Доля голоса: как часто вас называют в сравнении с конкурентами по одному и тому же вопросу.
3. Тональность и роль: бренд рекомендуют, перечисляют нейтрально или приводят как пример неудачного выбора.
4. Состав источников: из каких страниц модель собрала ответ, и есть ли среди них ваши собственные.
5. Фактическая точность: совпадает ли то, что модель утверждает о продукте, цене, географии и статусе компании, с действительностью.

Чего в этом списке нет и чего стоит опасаться в чужих отчётах, так это единого «рейтинга видимости в ИИ» без раскрытой методики. Число, собранное из непонятного набора вопросов и неизвестного числа прогонов, выглядит убедительно и не говорит ни о чём: это свойство измерения, а не канала.

Управлять приходится источниками, а не текстами

На сам ответ повлиять нельзя: он не хранится и не редактируется. Влиять получается на материал, из которого ответ собирают. Отсюда и порядок работы, непривычный для SERM.

1. Закрывать фактические пробелы на своих страницах: статус компании, состав продукта, условия, география. Если на сайте этого нет в явном виде, модель возьмёт формулировку у того, у кого есть.
2. Публиковаться там, откуда вас уже цитируют. Отраслевые издания, справочники и профильные базы попадают в источники чаще корпоративного блога, и это проверяется по составу цитирований.
3. Давать цифры и определения в пригодном для пересказа виде: короткий абзац-ответ, таблица, список. Модель охотнее берёт то, что не надо домысливать.
4. Отрабатывать неверные утверждения адресно. Нашли в ответе ошибку, ищите страницу, из которой она пришла, и правьте или перебивайте свежим материалом по той же теме.

Что это значит для российского рынка

У нас к западным ассистентам добавляются свои: Алиса в двух разных режимах, поиск и чат, а также GigaChat. Составы ответов у них расходятся сильнее, чем принято думать: один и тот же вопрос в ChatGPT и в чате с Алисой может дать неперекрывающиеся наборы брендов и источников. Поэтому замер по одной модели, даже самой популярной, описывает не рынок, а одну его часть, и решения на его основе принимаются вслепую.

Отсюда и требование к инструменту: он должен покрывать весь пользовательский стек целиком и показывать не только факт упоминания, но и источники с тональностью. Такой замер делают профильные GEO-сервисы: например, brandfound отслеживает упоминания бренда в десяти нейросетях, включая оба режима Алисы AI, с тональностью и источниками каждого ответа, то есть показывает ровно тот слой, который нельзя купить показами. Какой бы ни был поставщик, прогоняйте его по одному чек-листу: сколько моделей, сколько прогонов на вопрос, видны ли сырые ответы, видны ли источники.

Что можно сделать за неделю

1. Собрать двадцать-тридцать вопросов, которыми ваш покупатель формулирует свою задачу, не упоминая бренд.
2. Прогнать их по ассистентам, которыми реально пользуется ваша аудитория, включая российские, и сохранить сырые ответы.
3. Разметить ответы по трём признакам: есть ли бренд, кто ещё назван, что сказано неверно.
4. Выписать источники, из которых собраны ответы, и отметить, какие из них вы контролируете.
5. Закрыть на своих страницах фактические ошибки, найденные в ответах, и поставить повтор замера на ту же неделю следующего месяца.

Тот директор по маркетингу в итоге получил вторую страницу отчёта, где напротив фразы про уход с рынка стоял адрес заметки, из которой она пришла. Заметку не удалили, её перебили свежим материалом с теми же фактами и понятной структурой. Через полтора месяца ответы перестали поминать закрытие, причём во всех моделях сразу. Выдачу всё ещё можно подчистить, а пересказ приходится заслуживать: место в ответе не покупается, оно собирается из того, что о вас уже написано.