Один пользователь, разные рекомендации: почему ChatGPT и Gemini меняют выбор бренда

Один и тот же вопрос с разным контекстом даёт разные списки брендов

Маркетологи привыкли проверять видимость бренда в ИИ-ассистентах простым способом: задать десяток общих вопросов вроде «посоветуй банк» или «какой CRM выбрать», посмотреть, называют ли компанию, и посчитать долю упоминаний. Новое исследование показывает, что такая проверка может давать ложное спокойствие.

Что показало исследование

23 сентября Cassie Clark Marketing опубликовала работу, основанную на разборе 8 609 ответов ИИ-ассистентов. Авторы утверждают: пользовательский контекст, прежде всего город и язык запроса, способен менять сам набор брендов, которые рекомендуют ChatGPT и Gemini. Один и тот же вопрос, заданный по-разному, приводит к разным спискам компаний.

Это результаты одного исследования, а не универсальная оценка всех ИИ-систем. Но вывод совпадает с тем, что видно на практике: ответ ассистента собирается под конкретную формулировку, а не выдаётся из фиксированного рейтинга.

Почему общий промпт скрывает провалы

Запросы «посоветуй банк» и «посоветуй банк для малого бизнеса в Екатеринбурге» решают разные задачи пользователя. В первом случае ассистент опирается на самые общие и часто упоминаемые источники, во втором подключает географию, специализацию и отзывы под конкретный сценарий.

Отсюда типичная ситуация: бренд стабильно попадает в ответ по общему вопросу, но исчезает из него, как только пользователь уточняет город, язык или условия выбора. Дашборд при этом показывает ровную картину, потому что измерялся только общий срез.

Контекст, который чаще всего меняет выдачу:

1. город и регион: локальные игроки вытесняют федеральных, и наоборот;
2. язык запроса: русскоязычная и англоязычная формулировки опираются на разные источники;
3. сегмент клиента: малый бизнес, корпорация, частное лицо;
4. этап выбора: «что это такое» против «что выбрать» и «чем заменить»;
5. ограничения: цена, сроки, интеграции, отрасль.

Как собирать набор запросов для мониторинга

Вместо списка общих формулировок стоит собрать матрицу из реальных пользовательских сценариев. Порядок работы простой.

1. Выписать категории, в которых бренд вообще хочет быть рекомендованным.
2. Добавить географию: ключевые города и регионы присутствия.
3. Развести сегменты и потребности: кто спрашивает и зачем.
4. Разложить запросы по этапам выбора, от знакомства с категорией до сравнения с конкретным конкурентом.
5. Продублировать ключевые запросы на других языках, если бренд работает не только в России.

Даже небольшая категория так разворачивается в несколько десятков запросов. Проверять их руками раз в квартал бессмысленно: ответы ассистентов меняются, и разовый замер ничего не говорит о динамике.

Что это меняет в работе

Смысл измерения смещается с вопроса «сколько раз нас упомянули» на вопрос «в каких сценариях нас не называют». Провал в одном городе или в одном сегменте это конкретная задача для контента: не хватает материалов, отзывов или упоминаний в источниках, на которые опирается ассистент в этом контексте.

Регулярное отслеживание такого набора запросов, разбитого по гео, сегментам и этапам выбора, и есть то, для чего нужны платформы мониторинга ИИ-видимости, в том числе brandfound. Ценность здесь не в подсчёте упоминаний, а в том, чтобы видеть, где именно бренд выпадает из рекомендаций и что с этим делать дальше.

Практический вывод один: если набор промптов для проверки состоит из общих вопросов без контекста, он измеряет не видимость бренда, а видимость категории.