Как одна фейковая страница может изменить рекомендации ChatGPT, Gemini и Claude

2026-06-29 13:36:57 Время чтения 5 мин 170

Несколько лет назад задача маркетолога выглядела относительно простой: попасть в топ поисковой выдачи Google и Яндекс. Чем выше позиции сайта, тем больше трафика, заявок и продаж.

Сегодня эта модель стремительно меняется. Пользователь все чаще задает вопрос ChatGPT, Gemini, Claude, DeepSeek или другому ИИ-ассистенту. Генеративные модели становятся новым уровнем поиска, самостоятельно выбирая, какие бренды показать пользователю, а какие оставить за пределами ответа.

Это означает, что между компанией и клиентом появился новый посредник — искусственный интеллект. И именно он стал определять, кто попадет в поле зрения аудитории.

Недавнее исследование специалистов Китайского университета Гонконга показало, насколько хрупкой пока остается эта система. Оказалось, что иногда одной качественно подготовленной страницы достаточно, чтобы нейросеть начала рекомендовать бренд, которого в действительности не существует.

Проблема оказалась значительно серьезнее, чем обычная ошибка

Исследователи создали экспериментальную среду FORGE (Fake Online Recommendations in Generative Environments), которая имитирует обычный сценарий выбора товара или услуги.

Пользователь формулирует запрос, а ии-модель анализирует информацию в интернете. После чего предлагает наиболее подходящий ответ.

Чтобы проверить устойчивость алгоритмов, исследователи добавляли в результаты поиска специально подготовленные страницы с ложной информацией. Это были не примитивные фейки, а профессионально оформленные материалы с качественным дизайном, структурированным текстом, характеристиками и убедительной аргументацией.

Результаты показали, что одна подобная страница могла вводить модели в заблуждение, а подмена нескольких страниц из верхней части поисковой выдачи увеличивала вероятность ошибки до 73,8%.

Генеративные модели начинают самостоятельно усиливать ложную информацию

Самым интересным выводом исследования стала не сама возможность ошибки. Гораздо важнее оказалось поведение моделей после того, как ложная информация попадала в их контекст.

В качестве примера, в эксперименте использовался полностью вымышленный бренд защитных стекол Langyu. После появления подготовленных страниц модели начали рекомендовать этот бренд пользователям.

Но на этом процесс не остановился. ИИ самостоятельно добавлял к рекомендациям новые аргументы: рассказывал о высокой надежности продукции, ссылался на якобы существующие технические сообщества и утверждал, что бренд обладает оптимальным соотношением цены и качества.

Иными словами, модель не просто воспроизводила ложную информацию, а самостоятельно формировала вокруг нее дополнительные признаки доверия.

Таблица частоты обмана в процентах

Где вероятность ошибки самая высокая

Авторы протестировали двенадцать различных категорий товаров и услуг. Наиболее уязвимыми оказались направления, где пользователь принимает решение на основе доверия. В первую очередь это:

рестораны
гостиницы
медицина
локальные сервисы
косметика
товары повседневного спроса

Причина достаточно очевидна. Здесь невозможно быстро проверить качество объективными показателями. Поэтому человек ориентируется на репутацию.

То же самое делают и генеративные модели. Если информационный фон выглядит убедительно, вероятность ошибки заметно возрастает.

При этом исследование показало еще одну важную закономерность. Чем меньше пользователь может сравнить товар по объективным характеристикам и чем больше значение имеют отзывы, экспертные рекомендации, упоминания в СМИ и общий информационный фон, тем сильнее возрастает влияние ложного контента на итоговый ответ нейросети.

Именно поэтому особую ценность начинают приобретать не только техническое SEO и позиции сайта в поисковой выдаче, но и системная работа с цифровой репутацией бренда. Для генеративных моделей публикации в авторитетных СМИ, экспертные статьи, естественные упоминания компании, отзывы клиентов и ссылки на надежные источники становятся такими же сигналами доверия, как раньше ссылки и поведенческие факторы были для поисковых алгоритмов.