ChatGPT советует бренд в Москве, но не знает о нём в регионах: как проверить AI-видимость по городам

Бренд может уверенно появляться в ответах нейросетей по запросам из Москвы и почти не встречаться в тех же ответах по Новосибирску или Краснодару. На общем графике видимости такая разница обычно не видна: один показатель по стране усредняет города и рисует ровную линию там, где её нет.

Если бренд встретился в 24% ответов по стране, за этим числом может стоять и 60% по двум столицам при 5% по остальным городам, и ровные 24% везде. Для маркетингового решения это два разных сценария, а показатель один и тот же.

Почему ответы различаются по регионам

Региональный разброс складывается из нескольких причин, и они не равны между собой.

1. Гео-сигнал запроса: модель получает город из формулировки, настроек профиля или адреса подключения и под него подбирает источники.
2. Формулировка: «где заказать» и «кто делает в Казани» уводят в разные наборы источников.
3. Доступный контекст: по крупным городам больше каталогов, обзоров и отзывов, которые модель может процитировать.
4. Режим ответа: генерация с веб-поиском выдаёт локальные результаты чаще, чем ответ из обученных данных.
5. Случайность генерации: один и тот же запрос в одном городе в двух прогонах даёт разные списки.

Последний пункт важнее, чем кажется. Один замер по городу ничего не доказывает: разброс между двумя прогонами иногда оказывается больше, чем разница между городами.

Как замерять города, не смешивая результаты

Региональный аудит отличается от обычного тем, что город здесь не фильтр в отчёте, а часть условий замера. Порядок, который даёт сопоставимые данные:

1. Собрать одну группу запросов и не менять её между городами: разные формулировки сделают сравнение бессмысленным.
2. Разделить запросы на явно локальные, со словами «в Екатеринбурге», и нейтральные, где город приходит только из гео-сигнала. Это два отдельных измерения.
3. Задать список городов заранее: 10-15 точек, где у компании есть филиалы или планы, плюс пара контрольных городов без присутствия.
4. Повторять каждый запрос несколько раз, не меньше пяти прогонов на город, иначе разброс генерации будет читаться как региональная разница.
5. Фиксировать не только упоминание, но и роль бренда в ответе: назван первым, идёт в середине списка или упомянут как один из вариантов.
6. Сохранять процитированные источники: по ним видно, какой именно локальный контент попал в ответ.

Считать стоит два показателя отдельно: долю ответов с упоминанием и долю ответов с прямой рекомендацией. Если бренд встречается в 30% ответов по городу, но рекомендован в 4%, это проблема не видимости, а аргументов, которыми модель может его поддержать.

ChatGPT, Gemini и Алиса сравниваются только в одинаковых условиях

Модели по-разному работают с географией, поэтому складывать их в один средний показатель видимости бессмысленно.

1. ChatGPT в режиме веб-поиска опирается на свежие источники, и локальные подборки влияют на ответ заметно.
2. Gemini ближе к поисковой выдаче и картографическим данным, поэтому вес справочников и карточек организаций выше.
3. Алиса лучше разбирает запросы на русском с местной спецификой и чаще опирается на российские сервисы и отзывы.

Отсюда рабочее правило: сравнивать стоит не абсолютные проценты между моделями, а профиль городов внутри каждой модели по отдельности. Если в ChatGPT бренд распределён по регионам ровно, а в Алисе держится на двух городах, причина скорее в источниках, чем в самом бренде.

Откуда берётся локальный контекст

Нейросеть не знает о присутствии компании в городе сама по себе: это знание приходит из текстов, где город и компания названы вместе.

1. Региональные каталоги и справочники с отдельной карточкой на каждый филиал.
2. Отзывы с привязкой к адресу: модели охотно цитируют сравнения и разборы претензий.
3. Локальные медиа и отраслевые издания, где название города стоит рядом с названием компании.
4. Собственные страницы под город с конкретикой, а не копия общей страницы с заменённым топонимом.

Самая частая находка регионального аудита выглядит просто: в городе есть офис, но нет ни одного текста, где этот город упомянут вместе с брендом. Для модели такого присутствия не существует.

Главное из врезки: прежде чем делать выводы о своём контенте, проверьте, кого модель вообще называет в этом городе.

Где конкурентов рекомендуют чаще

Региональный разрез удобно держать как таблицу «город - бренд - доля рекомендаций». Интересен не лидер по стране, а города, где у конкурента доля выше при сопоставимом присутствии на рынке. Такие города показывают, где работает чужой локальный контент, и отыграть их обычно проще, чем перебивать лидера в Москве.

Несколько десятков запросов по трём городам можно проверить руками. Для 15 городов, трёх моделей и пяти прогонов это уже около двух тысяч ответов в месяц, поэтому регулярные замеры ведут через GEO-сервисы: brandfound, Profound и другие. Задача сервиса здесь утилитарная: держать одинаковые условия замера, хранить историю по городам и показывать источники, из которых собран ответ.

Что делать сети филиалов и федеральному бренду

1. Сети филиалов: отдельная страница на город с адресом, перечнем услуг и ценовым диапазоном, карточки в местных справочниках, работа с отзывами по каждому адресу.
2. Федеральному бренду без офисов в регионах: материалы, где регион упомянут содержательно, через сроки доставки, местные кейсы и партнёров.
3. Обоим: два-три пилотных города на три месяца, а не все регионы сразу, иначе рост не получится связать с действиями.

Срок стоит заложить честно: от публикации нового материала до его цитирования в ответах проходит несколько недель, и быстрее всего это заметно в моделях с веб-поиском.

Что из этого забрать

Один общероссийский процент видимости это среднее по городам с разным уровнем присутствия, и он скрывает именно ту информацию, из которой складывается план работ. Разложите показатель по городам, посмотрите долю рекомендаций отдельно от доли упоминаний и проверьте гипотезу на двух точках: в одном городе усильте локальный контент, второй оставьте контрольным. Через три месяца разница между ними скажет о регионах больше, чем любой сводный график.