ChatGPT упомянул конкурента. Что маркетологу делать с этой информацией дальше
Маркетолог открывает отчёт по видимости в нейросетях и видит строчку: в ответах ChatGPT конкурента называют вдвое чаще. Дальше обычно наступает пауза. Факт есть, вывода нет. Разбираю, как довести такое наблюдение до конкретных правок в контенте.
Почему сама цифра почти ничего не решает
Частота упоминаний это следствие, а не причина. Модель не выбирает бренд по симпатии: она собирает ответ из текстов, которые нашла и сочла пригодными для пересказа. Если конкурента называют чаще, значит про него написано то, что удобно процитировать: разбор задачи, сравнение, условия, ограничения, понятные формулировки. Пока неизвестно, какие именно материалы модель взяла, метрика остаётся табло без матча.
Вторая причина паузы организационная. Отчёт приходит раз в месяц одним файлом, а решения по контенту принимаются каждую неделю. Между строчкой «конкурента рекомендуют чаще» и задачей «поставить в план материал про сроки внедрения» нет ни одного промежуточного звена, и достраивать его приходится руками.
Что вытащить из ответа, прежде чем что-то менять
Один ответ ассистента содержит больше, чем факт упоминания. Я разбираю его по пяти пунктам.
- Формулировка запроса: спрашивали про категорию, про задачу или прямо про сравнение брендов.
- Источники: какие страницы модель привела и есть ли среди них ваш сайт.
- За что хвалят конкурента: цена, скорость внедрения, поддержка, интеграции.
- Чего не хватает вам: бренд не назван вовсе, назван без деталей или описан устаревшими словами.
- Расхождения между ассистентами: если в Gemini и Perplexity картина другая, дело не в продукте, а в источниках.
После такого разбора строчка превращается в проверяемое утверждение: нас не называют в ответах про сроки внедрения, потому что ни на одной странице сайта сроков нет.
Наблюдение превращается в инсайт
Разбор руками занимает вечер на один запрос, и на сотне запросов это не масштабируется. Эту часть я отдаю сервису: brandfound отслеживает упоминания бренда по десяти ассистентам, от ChatGPT и Gemini до GigaChat и Алисы, и к каждому ответу показывает тональность, источники и то, какие конкуренты встали рядом. Инсайты там безлимитные: платформа сама помечает, где бренд выпал из ответа, где его описали неверно и какая тема тянет видимость вниз, а число таких разборов ничем не ограничено, поэтому смотреть можно не на итоговую цифру месяца, а на каждый отдельный случай.
Знания о компании должны лежать в одном месте
Дальше работа упирается в другое. Инсайт есть, а фактуры для текста нет: цифры лежат в презентации у продакта, условия работы у отдела продаж, формулировки позиционирования у основателя в голове. Поэтому в brandfound предусмотрено RAG-хранилище: документы и факты о компании складываются туда один раз и дальше подставляются в генерацию автоматически. Описали продукт, условия и ограничения, и каждый следующий материал опирается на них, а не на пересказ главной страницы сайта.
От инсайта к тексту
Последний шаг самый механический. В контент-фабрике набор AI-агентов разбирает источники, на которые опираются нейросети, находит точки роста, собирает план и готовит статьи, а после публикации следит за упоминаниями. Ценность здесь не в том, что текст пишется автоматически. Ценность в том, что он пишется под конкретный пробел, найденный на первом шаге, и с фактами из хранилища, а не из общих соображений.
Как проверить, что сработало
Видимость в ответах меняется не за неделю. Через месяц после публикации я смотрю на три вещи: попал ли материал в источники ответа, изменилась ли формулировка про бренд, сдвинулась ли доля упоминаний по тем запросам, под которые писали. Если материал в источниках есть, а упоминания нет, проблема в самом тексте: он не даёт модели готового куска для пересказа.
Строчка «конкурента рекомендуют чаще» это не приговор и не повод для паники. Это вход в цепочку: понять причину, достать фактуру, написать материал, проверить результат. Показы покупаются, рекомендации зарабатываются, и вторые теперь тоже измеримы.