Вы хотите попасть в рекомендации ChatGPT. Почему массовые AI-статьи и поддельные отзывы могут навредить бренду

8 октября вышли два документа, которые стоит читать вместе. Anthropic обновила правила использования своих сервисов, а OpenAI опубликовала отчёт о сетях, которые выдавали себя за журналистов и за аналитический центр. Для бренда интересна не новость сама по себе, а то, какие приёмы работы с видимостью в нейросетях попали в графу «искусственная активность».

Что изменилось в документах

1. Anthropic собрала разрозненные запреты в один раздел об обманных кампаниях и искусственной активности. Он касается обмана любого рода, и политического, и коммерческого. Новая редакция правил использования вступает в силу 12 ноября 2026 года.
2. OpenAI в отчёте от 8 октября разобрала операции «ложного фронта»: материалы и комментарии от лица выдуманных журналистов и несуществующей исследовательской организации.
3. Вывод отчёта сдержанный: принципиально новых возможностей у таких сетей не появилось, модели ускорили старые схемы. С начала 2024 года OpenAI закрыла больше двадцати подобных операций.

Сразу оговорка, без которой материал читается неверно. Оба документа описывают условия работы с самими сервисами, а не правила ранжирования. Из них не следует, что ChatGPT, Gemini или Поиск с Алисой автоматически понижают бренд за массовые AI-статьи. Прямое последствие нарушения здесь это блокировка доступа к модели у того, кто её так использует. Риск для бренда возникает другим путём, и его видно в данных.

Чем настоящее присутствие отличается от искусственного

1. Авторство. Специалист с проверяемой биографией, местом работы и другими публикациями против вымышленного эксперта, у которого нет истории за пределами одной серии статей.
2. Площадка. Независимые издания и отраслевые сообщества со своей редакцией против сети однотипных сайтов, собранных по одному шаблону под одного заказчика.
3. Отзывы. Отклики реальных клиентов, которых можно сопоставить с заказами, против пачки оценок, появившихся за неделю на десяти площадках с похожими формулировками.
4. Коммуникация. Ответы на конкретные вопросы против массовой рассылки одинаковых сообщений в комментарии и личные сообщения.

Граница проходит не по объёму публикаций и не по тому, помогала ли модель готовить текст. Граница в проверяемости: существует ли автор, можно ли подтвердить описанный опыт, есть ли у площадки собственная аудитория. Искусственное присутствие экономит именно на этом, поэтому оно и дешевле.

Что из этого видно в замерах

Само количество упоминаний мало что доказывает. Если бренд встретился в 20 ответах из 100, это ещё не значит, что в 20% случаев его рекомендовали: в части ответов он просто перечислен среди вариантов. Поэтому доля упоминаний и доля рекомендаций считаются отдельно, а рядом с ними смотрят, какие домены модель цитирует.

На этой разнице обычно и проявляется искусственное присутствие. Сеть однотипных сайтов может поднять частоту упоминаний, но почти не попадает в цитируемые источники: модели чаще ссылаются на площадки с историей и внешними ссылками. Получается картина, когда упоминаний стало больше, а состав источников в ответах не изменился. Один замер такую разницу не покажет, здесь важно смотреть на динамику за несколько месяцев.

Две-три сотни запросов можно проверить руками, для регулярного сравнения доли упоминаний с составом цитируемых источников используют GEO-сервисы: brandfound, Profound, Peec AI и другие. Главное не в выборе инструмента, а в том, чтобы замеры хранились во времени и упоминание бренда не считалось вместе с рекомендацией.

Что проверить у себя

1. Список доменов, которые нейросети цитируют в ответах по вашей категории. Если ваших публикаций там нет, объём статей увеличивать рано.
2. Долю материалов, выходящих под реальными авторами с проверяемым опытом, и долю публикаций на площадках без собственной редакции.
3. Происхождение отзывов за последние полгода: сопоставляются ли они с заказами и обращениями.
4. Разрыв между упоминанием и рекомендацией в разных моделях. Он же покажет, работает ли контент или только добавляет шум.

Проверять эту гипотезу стоит на нескольких группах запросов и на разных моделях: распределение источников у них заметно отличается. И выводы о причинах лучше делать после второго-третьего замера, а не после первого скачка показателей.