Сначала нейросети отвечали на вопросы. Теперь они решают, что нам показать

Между брендом и человеком встаёт модель, которая отбирает варианты до показа

Рекомендательные системы годами собирались как конвейер из отдельных алгоритмов. Яндекс представил Sona, генеративную рекомендательную модель, которая способна выполнять весь цикл рекомендации целиком, вместо традиционного каскада. Технологическая новость, но следствие у неё маркетинговое: между брендом и человеком встаёт ещё один слой, который сначала сам решает, какие варианты вообще достойны показа.

Что изменилось в устройстве рекомендаций

Привычная схема выдачи состоит из нескольких ступеней, и каждую из них исторически делал свой алгоритм:

1. отбор кандидатов из каталога или ленты
2. фильтрация того, что нельзя или незачем показывать
3. ранжирование оставшегося по предсказанной реакции
4. донастройка финального набора под разнообразие и свежесть

Генеративный подход сжимает эту цепочку. Модель работает с историей поведения как с последовательностью и сама порождает то, что должно оказаться перед человеком, не собирая результат из ступеней. Для продуктовой команды это вопрос качества и стоимости инфраструктуры. Для маркетинга важнее другое: решение о показе становится менее разложимым на понятные правила.

Это уже не только про ChatGPT и AI-поиск

Разговор про ИИ и бренды последние два года крутился вокруг ответов ассистентов. Но та же логика спокойно расходится по местам, где никто не спрашивает нейросеть напрямую:

1. музыкальные и видеосервисы, где лента формируется под слушателя
2. маркетплейсы и ритейл, где выдача и блоки рекомендаций решают, что вообще увидит покупатель
3. медиа и соцсети, где распределение показов давно не хронологическое
4. сервисы и карты, где подсказка и есть выбор

Человек в этих сценариях не формулирует запрос к модели. Он просто открывает приложение и получает уже отобранное. Бренд при этом соревнуется не с конкурентом за внимание, а сначала за попадание в набор кандидатов.

Что это меняет в работе маркетолога

Привычный набор целей был человекоцентричным: место в поиске, CTR объявления, охват, полка в магазине. Все эти метрики описывают борьбу за внимание человека. Теперь к ним добавляется более ранний этап, где решение принимает машина.

1. Появляется второй адресат. Кроме человека материал и данные о бренде читает модель, и её решение наступает раньше.
2. Сдвигается точка влияния. Бессмысленно оптимизировать конверсию показа, если бренд не попал в отбор кандидатов.
3. Растёт цена описания. Структурные данные, названия, характеристики и внешние упоминания становятся сырьём для машинного выбора, а не просто текстом для покупателя.
4. Исчезает понятная позиция. Нет первой строки, которую можно занять: есть вероятность попасть в выдачу, и она меняется от формулировки к формулировке.

Как увидеть себя глазами модели

Самое неприятное свойство этого слоя в том, что он невидим изнутри компании. Отчёты показывают, что произошло после контакта с человеком, а отбор случился до него. Частоту, с которой нейросети называют бренд, при этом можно считать уже сейчас: я замеряю это в brandfound, он отслеживает упоминания бренда в ответах по десяти системам, от ChatGPT и Gemini до GigaChat и Алисы, вместе с тональностью, сравнением с конкурентами и источниками, из которых модель собрала ответ.

Такой замер не заменяет медийную аналитику. Он отвечает на другой вопрос: что машина знает о бренде и в какой компании его называет, когда человек ещё не сделал ни одного клика.

Маркетинг привык оптимизировать то, что увидит человек. Теперь придётся учитывать ещё и то, что сначала увидит и выберет машина. Показы по-прежнему покупаются, а рекомендации зарабатываются, и вторые теперь тоже поддаются измерению.