НКО на полке нейросети: как перестать быть невидимым брендом
Нейросеть уже отвечает пользователям на вопросы о благотворительности, социальных проектах и грантах. Но она не обязана увидеть именно вашу организацию и точно пересказать её результaт. Видимость в LLM (large language model — большая языковая модель, то, что стоит за ChatGPT, Gemini, Perplexity и российскими нейропоисковиками) начинается не с упоминаний в прессе. Она начинается с источников, которым модель может доверять при сборке ответа. Для НКО это управленческий вопрос не менее важный, чем отчёт перед грантодателем — просто про него пока молчат.
Почему «полка нейросети» нестабильна
У Sostav в проекте GeoWise уже зафиксирован факт, который стоит держать в голове перед любым разговором про AI-видимость: полки нейросетей нестабильны. Месячный эксперимент с контрольной группой каналов показал, что попадание в ответ модели не закрепляется навсегда после публикации пары материалов — оно то появляется, то пропадает при повторных запросах.
Причина в самой механике генеративного поиска. Классический поисковик возвращает список ссылок и запоминает позицию страницы надолго. Генеративная модель на каждый запрос собирает ответ заново — компилирует фрагменты из нескольких источников, выбирает, кого процитировать, и делает это каждый раз чуть иначе. Один и тот же вопрос про грантовую программу вечером может получить другой набор ссылок, чем утром.
Для бизнеса это неприятно. Для НКО — рискованно вдвойне. Ответ модели о вашей организации может содержать неточную цифру охвата, устаревший статус проекта или вовсе перепутать вас с похожим фондом. И если у коммерческого бренда есть отдел маркетинга, который такое отслеживает, у большинства НКО этой функции просто не существует.
Какие страницы НКО становятся цитируемыми
Модель не выбирает случайно. У цитируемых страниц есть общий набор признаков, и все они — про доверие к факту, а не про красоту текста.
Первоисточник, а не пересказ. Если данные о проекте лежат только в посте в соцсети, модель предпочтёт официальный отчёт фонда, даже если он рассказывает о вашей организации мельком. Страница на собственном сайте НКО с цифрами, датой и методикой подсчёта — сильнее любого упоминания в чужом медиа.
Стабильная терминология. Если в одном материале организация называет свою программу «наставничество для подростков», а в другом — «менторская программа для тинейджеров», модель видит два разных объекта и не связывает их между собой. Единое название проекта, повторяющееся из текста в текст, — базовое условие, чтобы модель вообще собрала все упоминания в одну карточку.
Публичная методика подсчёта результата. Цифра «помогли 3000 семей» без объяснения, что считается «помощью» и за какой период, для модели — непроверяемое утверждение. Цифра с методикой («3000 семей получили не менее одной консультации специалиста за 2025 год, подсчёт по уникальным обращениям в CRM») — фактическое утверждение, которое можно процитировать с указанием источника.
Дата обновления страницы. Модели тренируются на данных с определённой точкой отсечения и дополнительно используют живой поиск. Страница без указания даты выглядит как неизвестно когда актуальная информация — и модель либо занижает её вес, либо использует с оговоркой «по некоторым данным».
Человек, отвечающий за факт. У сильных цитируемых материалов почти всегда есть указание, кто предоставил данные: должность, а не просто название отдела. Это не только вопрос доверия читателя — модели тоже лучше извлекают факты, привязанные к конкретному источнику ответственности, а не к обезличенному «по информации организации».
Как связать отчётность, кейс и карточку показателя
Здесь ошибаются даже крупные организации: пишут кейс отдельно, публикуют годовой отчёт отдельно, а в соцсетях называют третьи цифры. Для человека это три разных текста об одном и том же. Для модели — три слабо связанных фрагмента, из которых непонятно, какой брать за основу.
Работающая связка выглядит так: у ключевого показателя должна быть одна цифра, которая повторяется во всех трёх типах материалов слово в слово. Годовой отчёт задаёт цифру и методику. Кейс на сайте пересказывает её человеческим языком, но не меняет число. Публикация в медиа или соцсети ссылается на отчёт как на источник, а не изобретает собственную формулировку.
Такая избыточность выглядит скучно с точки зрения контент-плана — ту же цифру повторять снова и снова. Но именно повторяемость факта в разных форматах на разных площадках создаёт для модели то, что можно назвать корпусом согласованных источников. Один текст модель может пропустить. Пять текстов с одинаковой цифрой и явной ссылкой друг на друга — сложно игнорировать.
Отдельно стоит сказать про новый элемент, который начинает встречаться в грантовых заявках: поле «использование ИИ». В свежем сезоне конкурса социальных проектов «Норникеля» участникам предлагают указать, планируют ли они применять технологии искусственного интеллекта в работе над проектом и на каких этапах. Это симптом более широкого тренда: грантодатели ждут от НКО не только результата, но и прозрачности методов его достижения. Та же логика работает и для AI-видимости — модель охотнее цитирует организацию, которая прозрачна в том, как считает свои показатели, а не только в том, что она их достигла.
Где GEO ломается из-за противоречивых данных
GEO (Generative Engine Optimization — оптимизация под генеративные поисковые системы) для НКО ломается не там, где ждут маркетологи. Не из-за отсутствия ключевых слов и не из-за плохой разметки страницы.
Первый разлом — ломается из-за банального внутреннего рассинхрона в данных самой организации. Частая ситуация: сайт сообщает одну цифру бенефициаров за год, годовой отчёт — другую, потому что считался по другому периоду, а пресс-релиз в СМИ — третью, потому что журналист округлил или взял цифру из устаревшего интервью. Для человека разница объяснима: разные периоды подсчёта, разные округления. Для модели это выглядит как противоречивые источники об одном факте — и в такой ситуации она либо выбирает случайный вариант, либо смягчает формулировку до «по разным данным», либо вовсе избегает цитирования спорного числа.
Второй частый разлом — устаревшие страницы, которые продолжают жить в индексе сайта. Проект давно закрыт, а старая страница с описанием и контактами координатора всё ещё доступна и всё ещё цитируется как актуальная. Пользователь через нейросеть получает мёртвый контакт и устаревший статус — и это репутационный риск похуже, чем просто отсутствие в ответе.
Третий разлом — расхождение между тем, что написано на сайте, и тем, что говорят о проекте партнёры или СМИ в независимых материалах. Если партнёрская организация в своём пресс-релизе называет иные цифры совместного проекта, модель получает два конкурирующих утверждения от разных источников и с высокой вероятностью процитирует более авторитетный по её внутренней оценке домен — не факт, что это будет сайт самой НКО.
Чек-лист ежемесячного аудита AI-видимости
Управление видимостью в нейросетях — не разовая настройка, а процесс, который нужно повторять с той же регулярностью, что и проверку финансовой отчётности. Минимальный ежемесячный аудит выглядит так:
Проверка ответов. Задать нейросетям (нескольким разным — они отвечают по-разному) прямые вопросы об организации и её ключевых проектах. Зафиксировать, какие источники модель называет, если называет вообще.
Сверка цифр между площадками. Сопоставить ключевые показатели на сайте, в последнем отчёте и в свежих публикациях в СМИ. Любое расхождение — приоритет на исправление.
Ревизия устаревших страниц. Найти страницы проектов, которые завершены, но описаны как действующие. Обновить статус или архивировать с явной пометкой даты завершения.
Контроль методики. Убедиться, что у каждой публично называемой цифры есть объяснение, как она получена, и это объяснение не противоречит объяснению у той же цифры на другой странице.
Назначение ответственного. Закрепить за конкретным человеком (не отделом) обязанность визировать публикуемые цифры перед выходом материала. Без персональной ответственности рассинхрон данных возвращается через один-два публикационных цикла.
Мониторинг партнёрских упоминаний. Раз в месяц проверять, как о совместных проектах пишут партнёры и медиа, — и оперативно синхронизировать цифры, если появилось расхождение.
Это не техническая настройка сайта и не подбор промптов для генерации контента. Это управленческая рамка: кто отвечает за факт, где лежит первоисточник, и как часто организация проверяет, что нейросеть говорит о ней правду. Для PR-, ESG- и digital-команд, работающих с некоммерческим сектором, это тот же принцип управления репутацией, что действует уже давно для СМИ и социальных сетей — просто с новым получателем информации, который не читает, а компилирует.