Oracle пустила корпоративные программы через ChatGPT: что это меняет в описании продукта

Между сотрудником и корпоративной программой встал слой, который читает задачу и сам выбирает приложение

На созвоне клиент, директор по маркетингу производственной компании, открыл ChatGPT и спросил, какие платформы стоит взять под его задачу. В ответе было четыре названия, его среди них не оказалось. Дальше он задал вопрос, который имеет право задать: а почему тут конкуренты, а нас нет? Полтора года назад этот вопрос звучал про поисковую выдачу. Теперь он звучит про чат, и после анонса Oracle таких разговоров будет больше.

Что именно сделала Oracle

26 октября Oracle представила Fusion Companion. Сотрудник формулирует задачу в ChatGPT, а система сама выбирает нужное приложение, операцию, маршрут согласования и специализированного агента. Вместе с этим Oracle показала 25 готовых агентных приложений для финансов, кадров, продаж и клиентского сервиса.

Сама новость про ERP меня занимает мало: я её не внедряю. Занимает другое. Чат перестал быть местом, где спрашивают совет, и стал местом, где нажимают кнопку. Между человеком и программой встал слой, который читает формулировку задачи и сам решает, что открыть.

Почему это бьёт по описанию продукта

Пока человек выбирает сервис руками, описание продукта работает на человека: оно должно нравиться, убеждать, объяснять выгоду. Как только выбор делает модель, то же описание начинает работать на машину, и у него другая задача: дать однозначные признаки, по которым продукт сопоставляется с формулировкой задачи. Что модель должна уметь прочитать:

1. какую задачу продукт закрывает, словами пользователя, а не вашими внутренними терминами
2. в каких условиях он применим: отрасль, размер компании, география, язык, интеграции
3. чего он не делает: ограничения, которые раньше прятали, теперь экономят вам нерелевантные сравнения
4. чем он отличается от смежных продуктов той же категории, конкретно, а не оценочно
5. на чём это проверяемо: цифры, сроки, названия форматов и выгрузок

Коротко: модель выбирает не самый красивый продукт, а самый однозначный. Описание, по которому нельзя понять границы применения, она просто не рискует предложить.

Что видно по нашей агентской выборке

За год через нас проходят десятки брендов из разных ниш, и по ним видно, что ответы нейросетей в части категорий уже разыграны. Покажу на живых наблюдениях, без названий клиентов.

1. Корпоративный софт и B2B-сервисы: модели уверенно называют три-пять имён, остальные не появляются ни в одной формулировке запроса. Войти в этот набор дороже всего.
2. Медицина и клиники: ответ чаще собирается из агрегаторов и отзывов, сайт самой клиники в источниках оказывается третьим-четвёртым.
3. Производство и промышленный B2B: модели плохо различают близкие продукты, потому что описания на сайтах написаны одними и теми же словами. Здесь выигрывает тот, кто первым прописал условия применимости.
4. Услуги для малого бизнеса: ответ сильно зависит от формулировки и региона, устойчивости мало, замер приходится делать по десяткам вариантов запроса.

Паттерн один и тот же: модель чаще называет бренд, у которого продукт описан через задачу и ограничение, и реже тот, у которого он описан через достоинства.

Что это значит для российского рынка

Сценарий Oracle у нас завтра не наступит: такие внедрения идут годами, и у большинства компаний корпоративные системы не подключены ни к одному ассистенту. Но направление то же, и видно его не по анонсам, а по поведению клиентов: в чат идут не за ссылкой, а за готовым решением, и чем короче путь от формулировки до действия, тем меньше у пользователя причин смотреть ваш сайт глазами.

Практическое следствие для агентств: замер видимости перестаёт быть разовой справкой и становится частью регулярного отчёта. Для клиентских замеров мы берём GEO-сервисы мониторинга: например, brandfound прогоняет запросы по десяти нейросетям, включая оба режима Алисы, и отдаёт тональность и источники каждого ответа. Рядом на рынке есть VisioBrand, PixelTools. Какой бы сервис вы ни взяли, прогоните его по своему чек-листу требований: какие модели, какие регионы, видно ли источники каждого ответа, как часто обновляются избранные запросы и в каком виде данные выгружаются в ваш отчёт.

Чек-лист: как переписать описание под машинный выбор

1. Соберите 30-50 формулировок задач, с которыми к вам приходят, дословно из переписок и записей созвонов.
2. Положите рядом текущее описание продукта и отметьте формулировки, на которые в нём нет ответа.
3. Допишите блок условий применимости: отрасль, размер компании, география, интеграции, что нужно от клиента на старте.
4. Допишите блок ограничений: для каких задач продукт не подходит. Это снимает нерелевантные сравнения, а не продажи.
5. Уберите оценочное без атрибуции: лидер рынка и лучшее решение модель не может ни проверить, ни процитировать.
6. Прогоните те же формулировки через нейросети до правок и через месяц после, с фиксацией источников каждого ответа.

Клиент с того созвона был прав в главном: он действительно не понимал, по какому признаку его обошли. Разбор занял полчаса и упёрся не в бюджет и не в подрядчика, а в описание продукта, по которому нельзя было понять, для какой задачи он существует. Пока этого нельзя понять, выбор системы будет про кого-то другого. И чем ближе сценарий, в котором программу за человека открывает ассистент, тем дороже стоит эта непонятность.