Среди профессионалов бренд сильный, а новичкам нейросеть советует других

На отраслевой конференции ваш бренд называют по имени: инженеры спорят о его тонких настройках, подрядчики кивают, что без него проект не сдать. Вечером того же дня человек без опыта открывает чат с нейросетью, пишет «посоветуй, с чего начать новичку» и получает список из трёх названий, которых на конференции никто не обсуждал. Вашего в списке нет.

Это не сбой модели и не заговор конкурентов. Нейросеть отвечает не бренду, а конкретному спрашивающему, и уровень спрашивающего она читает из формулировки запроса. Разберём по порядку, почему так и как это измерить.

Нейросеть отвечает не бренду, а спрашивающему

Языковая модель собирает ответ из текстов, на которых её учили, и подстраивает выборку под контекст вопроса. Слова «для профессионала», «для новичка», «для небольшой компании» это не вежливые уточнения, а фильтры. Они меняют, какие источники модель считает подходящими: профессиональные форумы и технические разборы или подборки вида «пять вариантов для начинающих», обзоры на маркетплейсах, ответы на простые вопросы.

Отсюда расхождение. Бренд, о котором подробно пишут в экспертных текстах, уверенно всплывает на запросах с профессиональной лексикой. В ответах для новичков он не появляется, потому что в этом слое текстов его просто нет: никто не объяснял на его примере базовые вещи. Репутация среди профессионалов не конвертируется в видимость для тех, кто выбирает впервые. Это свойство измерения, а не канала.

Усреднённая видимость скрывает провал в целом сегменте

Типичный замер выглядит так: берём сотню запросов про категорию, прогоняем по нескольким нейросетям, считаем долю ответов с упоминанием бренда. Получается одно число, например «бренд виден в 38% ответов». Число растёт, отчёт зелёный, вопросов нет. Внутри этого числа может лежать 70% на профессиональных запросах и 5% на запросах новичков. Среднее держит один сегмент, второй отсутствует.

Второй источник слепоты это сам список имён. В замере обычно смотрят, упомянут бренд или нет, и реже смотрят, кто стоит рядом. В сегменте новичков рядом с вами, скорее всего, окажутся не те конкуренты, с которыми вы привыкли сравниваться: там выигрывают простые, недорогие и много объясняющие. Пока эти имена не выписаны, непонятно даже, с кем вы соревнуетесь за первый выбор.

Поэтому запросы стоит заранее размечать по аудиториям, а не только по продуктам. Минимальная сегментация, которой хватает почти любой категории:

1. профессионал: сравнение режимов, совместимость, предельные нагрузки, обслуживание
2. новичок: с чего начать, что выбрать первым, чем одно отличается от другого
3. малый бизнес: ограниченный бюджет, один человек делает всё, важны простота и сроки
4. крупная компания: закупки, интеграции, поддержка, документы и регламенты

Одна и та же категория внутри этих четырёх групп распадается на четыре разных рынка с разным составом ответов. Логично ожидать, что и лидеры в них будут разные: в профессиональном сегменте выигрывает тот, о ком спорят специалисты, в сегменте новичков тот, про кого написано больше объясняющих текстов.

Разложить замер по аудиториям можно за один прогон

1. Соберите базовый список запросов по категории, 40-60 формулировок, как их пишут люди, а не как их пишут в брифе.
2. Размножьте каждый запрос на четыре аудитории, добавив маркер: для профессионала, для новичка, для малого бизнеса, для крупной компании.
3. Прогоните все варианты сразу по нескольким нейросетям, а не по одной: составы ответов у моделей расходятся сильнее, чем кажется.
4. Считайте долю упоминаний отдельно по каждой аудитории и рядом фиксируйте, кого модель называет вместо вас.
5. Сохраните источники, из которых собран ответ в слабом сегменте: это готовый список мест, где вас не хватает.
6. Повторите замер через месяц после публикаций: только динамика отличает сдвиг от обычного разброса ответов.

Коротко про рамки: одна формулировка на аудиторию измеряет случайность, одна модель не равна всем нейросетям, а проценты из разных недель по разным запросам между собой не сравниваются.

Что это значит для российского рынка

У нас к четырём аудиториям добавляется ещё одно деление: модели. Поиск с Алисой и Чат с Алисой отвечают по-разному, GigaChat опирается на свой набор источников, ChatGPT и Gemini тянут текст в основном из того, что доступно без ограничений. Бренд, крепко стоящий в русскоязычных профессиональных текстах, может быть почти невидим в ответах моделей, которые про эти тексты не знают. Значит, сегментов не четыре, а четыре умножить на число моделей, которыми пользуется ваша аудитория.

Снимать такое руками можно, но на второй месяц перестанет. Этот разрез делают GEO-сервисы мониторинга: например, brandfound отслеживает упоминания бренда в десяти нейросетях, включая оба режима Алисы, с тональностью и источниками каждого ответа. Для нашей задачи важна связка сегмент плюс источник: она показывает не только то, что в ответах для новичка вас нет, но и из каких текстов этот ответ собран.

Дальше работа понятная и скучная. В слабом сегменте не хватает не рекламы, а объясняющих текстов на вашем материале: разбор базовых понятий, честное сравнение вариантов, ответы на вопросы уровня «а это вообще мне подойдёт». Пишутся они не для профессионалов, которые вас и так знают. Проверять результат стоит тем же замером, разложенным по аудиториям, иначе рост среднего числа опять ничего не скажет.

Вернёмся на конференцию. Через год инженеры всё так же спорят о тонких настройках вашего бренда, а человек без опыта по-прежнему спрашивает нейросеть, с чего начать. Разница только в том, знаете ли вы, что она ему отвечает.