Один пользователь, разные рекомендации: почему ChatGPT и Gemini меняют набор брендов

Один и тот же вопрос с уточнением города или языка даёт разный список брендов

23 сентября вышло исследование Cassie Clark Marketing: авторы разобрали 8 609 ответов ИИ-ассистентов и показали, что пользовательский контекст, прежде всего город и язык запроса, меняет набор брендов, которые советуют ChatGPT и Gemini. Это данные одного исследования, а не универсальная оценка всех ИИ-систем, но для практики они важны.

Почему один и тот же бренд то есть в ответе, то нет

Ассистент отвечает не на абстрактную категорию, а на конкретную ситуацию. Запросы «посоветуй банк» и «посоветуй банк для малого бизнеса в Новосибирске» решают разные задачи, и ответы на них собираются из разных источников. В первом случае модель тянет обзорные подборки федерального уровня, во втором подключает местные материалы, условия для конкретного сегмента и то, что написано на языке запроса.

Из этого следует неприятное для отчётности: бренд может стабильно попадать в рекомендации по общему запросу и полностью исчезать из них, как только пользователь уточняет город, язык или условия выбора. По общей метрике видимость выглядит ровной, а реальные покупательские сценарии при этом проваливаются.

Что именно сдвигает выбор

1. география: город и регион, локальные подборки и отзывы
2. язык запроса: на русском и на английском ассистент опирается на разные источники
3. сегмент: частное лицо, малый бизнес, корпоративный клиент
4. этап выбора: «что это такое», «какой выбрать», «где купить именно этот»
5. ограничения пользователя: бюджет, сроки, требования к поддержке

Как собирать запросы для мониторинга

Я собираю набор промптов не от бренда, а от пользовательской ситуации, и развожу его по четырём осям.

1. Категория и продукт: базовая формулировка без уточнений, она даёт опорную точку.
2. География: те города и регионы, где бренд реально продаёт, а не весь список.
3. Потребность и сегмент: для кого и под какую задачу выбирают.
4. Этап выбора: информационный, сравнительный и транзакционный вариант одного и того же вопроса.

Каждая ось умножает набор, поэтому важнее не количество формулировок, а покрытие: по каждому значимому сценарию нужен хотя бы один запрос, который повторяется от замера к замеру. Разовая проверка вручную показывает срез одного дня, а сдвиги в ответах видны только на повторяющихся замерах. Такие наборы запросов я веду в brandfound: там они прогоняются по десяти ассистентам, включая ChatGPT, Gemini, Claude, Perplexity, Grok, DeepSeek, GigaChat, Google AI Mode, Поиск с Алисой и Чат с Алисой AI, и видно, в каком именно срезе бренд пропадает.

Что меняется в отчётности

Одна общая цифра видимости перестаёт быть управленческой метрикой: она усредняет сценарии, между которыми разница в деньгах. Полезнее смотреть разрез: видимость по городам, по сегментам и по этапам выбора отдельно. Провал в одном срезе это не повод переписывать весь контент, а указание, какого материала не хватает: местной страницы, разбора под сегмент или сравнения, на которое ассистент сможет опереться.

Проверить это на своём бренде несложно: возьмите запрос, по которому вы уверенно попадаете в ответ, и задайте его же с уточнением города и сегмента. Если набор брендов в ответе поменялся, значит, общий мониторинг у вас показывает не всю картину.