Нейросеть рассказывает о вашем бренде то, чего не было. И это нельзя просто удалить
Когда пользователь спрашивает ChatGPT или Gemini о вашей компании, он получает не факт, а наиболее вероятную версию текста, сгенерированную моделью на основе доступных ей данных. Если данных мало, модель не останавливается и не говорит "не знаю", она достраивает пробелы правдоподобными деталями: несуществующей ценой, выдуманным скандалом, чужим достижением. Это уже не гипотетический риск. ИИ-ассистенты в 2026 году отвечают на вопросы о брендах чаще, чем классический поиск выдаёт ссылки на первую страницу, и делают это с интонацией эксперта, а не с оговоркой "возможно". Галлюцинация о бренде в одном диалоге расходится дальше, чем кажется - за день её могут увидеть тысячи пользователей, и ни у одного специалиста по репутации нет уведомления, лога или кнопки "удалить", как в случае с плохим отзывом или ошибкой в статье СМИ. Это новый тип риска, который не укладывается в привычные процессы SERM и требует отдельного места в KPI репутационного управления.
Почему ИИ вообще выдумывает факты о брендах?
Языковая модель по своей архитектуре не хранит базу проверенных фактов о каждой компании, она предсказывает следующий наиболее вероятный токен на основе того, что видела в обучающих данных и что нашла через веб-поиск во время генерации ответа. Когда модель хорошо "знает" бренд, потому что о нём много структурированных, непротиворечивых упоминаний, ответ обычно точен. Когда данных мало, а бренд нишевый, региональный или молодой, модель всё равно обязана дать связный ответ, и она заполняет пробелы деталями, которые статистически похожи на правду, но фактически ею не являются.
Здесь работает простая закономерность: галлюцинации чаще возникают у брендов без структурированного присутствия в интернете. Отсутствие карточки в Wikidata, устаревшая или отсутствующая Schema-разметка на сайте, редкие и несвежие упоминания в индексируемых источниках, всё это создаёт для модели информационный вакуум, который она вынуждена заполнять сама. Компания с активным присутствием в проверяемых источниках, свежими пресс-релизами и корректной микроразметкой даёт модели меньше поводов додумывать, а компания, которая существует в основном в виде сайта и нескольких упоминаний в соцсетях, оказывается в зоне риска.
Разные модели галлюцинируют по-разному, и это отдельная сложность для управления репутацией. GigaChat и Alice AI в первую очередь опираются на рунет-источники, индексацию российских СМИ и площадок, поэтому для локального бизнеса их ответы часто ближе к реальности. GPT и Gemini чаще обучены на массиве англоязычных данных и веб-поиске, менее плотном для российских ниш, поэтому один и тот же бренд может получить две разные, иногда противоречащие друг другу версии "фактов" в зависимости от того, какую систему спросил пользователь. Для маркетинг-директора это означает, что нельзя проверить репутацию бренда в ИИ, спросив один ассистент: расхождение между системами само по себе уже сигнал о том, где данных о компании недостаточно.
По оценкам аналитиков рынка GEO, для брендов среднего и малого масштаба доля запросов, где модель вынуждена компенсировать нехватку данных собственными предположениями, заметно выше, чем для крупных федеральных игроков с плотным информационным следом. Это делает проблему галлюцинаций не разовым инцидентом, а структурным следствием того, как вообще работает языковая модель.
Чем репутационный риск в ответах ИИ отличается от привычных рисков в поиске и соцсетях?
PR-специалисты и репутационные менеджеры давно умеют работать с негативом: спорный отзыв на маркетплейсе виден всем, его можно оспорить публично, приложить доказательства, попросить модерацию удалить фейковую жалобу. Ошибка в статье СМИ имеет автора, редакцию и почту для обращений. Ответ нейросети устроен принципиально иначе: он формируется индивидуально для конкретного пользователя в конкретный момент, не имеет постоянного URL, не архивируется публично и часто не воспроизводится точно в такой же формулировке, если задать тот же вопрос повторно.
Классическое SEO-репутационное управление работает с конкретными адресами в выдаче: можно вытеснить неудачную страницу более сильным контентом, подать жалобу на плагиат или клевету, добиться деиндексации. В диалоге с ИИ такой страницы попросту нет. Компания не может пожаловаться "на строчку в ответе ChatGPT", потому что эта строчка существовала только в рамках одной сессии одного пользователя и уже исчезла. Единственный рычаг влияния, работа с исходными данными, на основе которых модель строит следующий ответ, а это процесс, растянутый во времени, а не мгновенное удаление.
Есть и психологический фактор: ответ ИИ воспринимается пользователем как более объективный и нейтральный источник, чем реклама, отзыв или даже редакционная статья. Люди привыкли скептически относиться к маркетинговым текстам и понимают, что отзывы можно накрутить, но у нейросети нет очевидного мотива искажать факты, поэтому доверие к её ответу выше, даже когда этот ответ ошибочен. Это делает каждую галлюцинацию потенциально более разрушительной единицей контента, чем аналогичная неточность в статье или отзыве.
Какие сценарии галлюцинаций о бренде встречаются чаще всего?
Прежде чем перейти к конкретным сюжетам, важно понять сам механизм. Люди часто думают, что нейросеть врёт, когда её кто-то специально запутал или когда всплывает чей-то заказной негатив. На деле модель искажает факты сама по себе, без всякого злого умысла, и делает это двумя способами, которые стоит разобрать отдельно.
Первый механизм: модель находит источник, считает его достоверным и выдаёт из него факт, который на самом деле неверен. Нейросеть с веб-поиском не проверяет правдивость страницы, она оценивает, насколько источник похож на надёжный: солидный домен, уверенный тон, подходящий формат. Если устаревший прайс, чужая партнёрская статья или SEO-агрегатор с ошибкой выглядят убедительно, модель возьмёт данные оттуда и подаст их пользователю как проверенный факт, с той же интонацией эксперта, что и абсолютно точный ответ. Пользователь не видит, что под уверенной формулировкой лежит сомнительный источник.
Второй механизм ещё коварнее: модель не нашла ответа, но не призналась в этом. Языковая модель устроена так, что почти никогда не говорит «я не знаю». Её задача это выдать связный и вероятный текст, а не отчитаться о нехватке данных. Поэтому, столкнувшись с вопросом о нишевом или молодом бренде, о котором в сети мало информации, модель не останавливается, а достраивает пробел статистически правдоподобной выдумкой. Так появляются несуществующие цены, придуманные функции, вымышленные кейсы. Причём чем меньше о бренде достоверных данных, тем активнее модель фантазирует: информационный вакуум она заполняет сама. Именно поэтому нишевые и региональные компании страдают от галлюцинаций сильнее федеральных гигантов, у которых плотный и непротиворечивый цифровой след. Из этих двух механизмов вырастают конкретные сюжеты, с которыми сталкиваются компании, впервые проверяющие, что ИИ говорит об их бренде.
Самый чувствительный для SaaS и e-commerce: искажение условий продукта. Модель называет неверную цену, устаревший тарифный план, который компания давно отменила, или несуществующую функцию продукта, которую видела в описании конкурента или в старой версии сайта, сохранённой в индексе. Пользователь приходит к менеджеру поддержки с требованием "у вас же ИИ сказал, что эта функция есть" или "почему цена выше, чем в ответе ChatGPT", и это создаёт реальную нагрузку на отдел продаж и поддержки, а не только репутационный дискомфорт.
Ещё один частый сюжет, путаница между похожими брендами или прямыми конкурентами. Модель приписывает вашей компании чужие достижения, награды, партнёрства, либо наоборот, переносит на вас чужой провал или негативный кейс. В нишах с высокой концентрацией похожих названий, финтех, доставка еды, онлайн-образование, это происходит особенно часто, потому что модель статистически "видела" оба бренда в схожем контексте и не всегда корректно их разделяет. Крайняя форма этой путаницы, приписывание бренду чужого скандала, банкротства или судебного иска, негативное событие переносится с одной компании на другую с похожим названием, и пользователь получает уверенный ответ о проблеме, которой у вашей компании никогда не было.
Как узнать, что ИИ уже говорит о вашем бренде неправду?
Первая реакция многих маркетинг-директоров, услышавших про эту проблему, звучит логично: "давайте просто спросим ChatGPT и посмотрим". Проблема в том, что ручная проверка через десятки промптов в девяти нейросетях занимает часы работы одного человека и всё равно не даёт системной картины: ответ модели меняется от формулировки вопроса, от даты, от контекста предыдущих сообщений в диалоге. Разовая проверка фиксирует один снимок реальности, а галлюцинация может появиться и исчезнуть в течение недели без всякой связи с действиями компании. Здесь и нужен регулярный автоматический мониторинг вместо ручных проверок.
По внутренним наблюдениям рынка GEO-мониторинга, компании, которые проверяют видимость и тональность в ИИ раз в квартал или реже, узнают о серьёзных искажениях фактов с опозданием в несколько недель, тогда как еженедельный автоматический мониторинг сокращает это окно в разы, позволяя реагировать на искажение до того, как оно распространится на десятки тысяч диалогов.
Можно ли исправить галлюцинацию ИИ о бренде, и как это делают на практике?
Прямого способа "удалить" неверный ответ у языковой модели нет, потому что этот ответ не хранится как отдельная страница или запись, которую можно снять с публикации. Но у моделей есть механизм обновления представления о бренде: при появлении новых, индексируемых и достоверных источников информации модель со временем начинает опираться на них при формировании ответов, особенно те системы, которые используют веб-поиск в реальном времени (Perplexity, Gemini, GPT с включённым поиском). Это значит, что борьба с галлюцинацией идёт не через жалобы и обращения в поддержку ИИ-сервиса, а через публикацию точного, структурированного контента, который постепенно вытесняет неверную версию из "поля зрения" модели.
Работает это по понятной логике: сначала выявить пробелы и конкретные фактические ошибки, потом закрыть их точным контентом. Если модель путает вас с конкурентом, нужны материалы, чётко разграничивающие бренды; если искажена цена, актуальные условия распространяются на нескольких проверяемых площадках. А дальше важно отследить, изменилась ли тональность и точность ответов моделей, иначе компания так и остаётся гадать, сработала ли публикация.
Отдельно с прямыми фактическими ошибками в чужих публикациях помогает работать факт-чекинг на основе ИИ, такой инструмент недавно появился в brandfound. Устроен он так: агент берёт текст статьи с упоминанием бренда и сверяет утверждения с картой бренда, то есть с эталонным набором проверенных фактов о компании, который выступает источником истины. Отмечает он только прямые проверяемые противоречия: неверную цену, устаревшие характеристики, искажение позиционирования, занижение качества. Мнения и стиль ошибкой не считаются, ложное срабатывание тут хуже пропуска, поэтому агент намеренно молчит там, где речь идёт о субъективной оценке, а не о факте.
Когда неточность найдена, агент не просто помечает её, а собирает готовую задачу: цитаты в формате «что написано и как на самом деле», письмо для площадки с корректными данными и рекомендацию, куда его направить. На практике это выглядит так: в обзоре занизили ваш рейтинг и указали неактуальный тариф, агент находит оба факта, готовит письмо с верными цифрами и адресом редакции, а вам остаётся только отправить. Запускать проверку можно как по одной статье, так и пачкой по списку публикаций.
На практике в первую очередь имеет смысл закрывать несколько зон:
- точные и актуальные цены, тарифы и условия использования продукта на официальном сайте, без противоречий между разделами;
- структурированные данные и Schema-разметку, которые дают моделям и поисковым системам однозначный, машиночитаемый источник фактов о компании;
- актуальные упоминания в проверяемых СМИ и отраслевых справочниках, обновляемые при значимых изменениях в бизнесе (ребрендинг, смена условий, новые продукты);
- явное разграничение с похожими по названию компаниями там, где путаница статистически вероятна.
Этот подход не даёт мгновенного результата, потому что модели обновляют своё представление о мире не в реальном времени, а в течение недель и месяцев, но это единственный работающий рычаг влияния на то, что ИИ будет говорить о бренде завтра.
Что будет с этим риском в 2026 году: игнорировать или встраивать в KPI репутации?
Доля запросов, где пользователь получает готовый ответ от ИИ-ассистента вместо перехода на сайт компании продолжает расти, и это меняет саму цену одной галлюцинации. Раньше ошибочная информация терялась среди десятков ссылок в выдаче, а в диалоге с ИИ она часто становится единственным ответом, который видит пользователь, без альтернативных источников для сверки. Чем больше решений принимается на основе одного ответа модели, тем выше стоимость каждой неточности в этом ответе.
Логичный вывод для директоров по маркетингу и руководителей репутационных направлений - мониторинг видимости и тональности бренда в ИИ стоит встраивать в те же процессы, что и SERM, регулярно, с закреплёнными метриками и ответственными, а не разово, после того как кто-то из клиентов прислал скриншот с пугающим ответом чат-бота. По оценкам участников рынка GEO, компании, которые уже в 2026 году добавили эти метрики в регулярную отчётность, реагируют на искажения на порядок быстрее тех, кто относится к ИИ-ответам как к разовому любопытству, а не к постоянному каналу репутационного риска.