Радио 
Исследовательский центр Sidorin Lab и BrandFound изучили, каким российским банкам нейросети отдают предпочтение при рекомендациях мобильных банков и какие источники используют при формировании ответов. Результаты показывают расхождение между репутацией финансовых брендов в соцмедиа и их видимостью в ИИ-выдаче. Наибольшую долю упоминаний получают «Сбер» — 37,1%, «Т-Банк» — 21,1%, ВТБ — 16,1% и «Альфа-Банк» — 11,1%. В совокупности на эти четыре банка приходится 85,4% всех упоминаний, тогда как еще семь банков среднего сегмента делят около 11%, а более 40 банков практически не фигурируют в ответах нейросетей. Отчет есть в распоряжении Sostav.
Согласно данным исследования, присутствие банка в социальных медиа не гарантирует высокой позиции в ИИ-выдаче. Например, «Совкомбанк» оказался лидером по тональности в соцмедиа: на негативные упоминания приходится только 11%. Однако в ответах нейросетей его доля составляет всего 0,6%.
Авторы отчета отмечают, что у банков фактически формируются две параллельные репутации. Первая складывается из опыта и оценок клиентов, а вторая — из информации, которую нейросети находят в открытых источниках и используют при подготовке рекомендаций.
Основными источниками для ИИ становятся обзоры, рейтинги, справочные статьи и другие опубликованные материалы. В результате «Сбер» в нейросетях получает образ банка «все в одном месте», «Т-Банк» ассоциируется с удобством и ярким дизайном, «Альфа-Банк» — с высокими позициями в рейтингах юзабилити, а ВТБ — с масштабом и стабильностью.
Наталия Кладова, руководитель исследовательского центра Sidorin Lab:
У банка в современном инфополе фактически две репутации и они формируются независимо друг от друга. Первый образ — то, что нарабатывается годами через реальный опыт клиентов. Второй образ — в нейросетях, он формируется частотой упоминаний, наличием структурированного контента, попаданием в независимые рейтинги и справочные материалы.
Проблема в том, что эти два слоя почти не синхронизированы. Нейросеть, по сути, транслирует не текущее состояние продукта, а его репутационный «слепок» из открытых источников, во многом усредненный и нечувствительный к свежим проблемам.
Хороший клиентский опыт, не оформленный в контент, для ИИ невидим. А закрепившийся образ банка может транслироваться нейросетью даже тогда, когда реальные пользователи массово пишут жалобы. Управлять репутацией только через живые упоминания и клиентский опыт — это важно по умолчанию, но недостаточно. Одной работы с соцмедиа и мониторингом уже мало, нужно следить за ИИ-выдачей и синхронизировать эти две картины.
Еще в 24% ответов нейросети вовсе не называют конкретный банк. В остальных случаях распределение упоминаний существенно зависит от платформы: в Google Gemini, Google AI Mode, GigaChat и чате с «Алисой» более половины выдачи приходится на «Сбер», тогда как в ChatGPT и Grok лидирует «Т-Банк». Наиболее широкий охват демонстрируют DeepSeek и Perplexity: они упоминают от 38 до 41 банка.
Таким образом, единого рейтинга банковских приложений в нейросетях пока не существует. Позиции брендов зависят одновременно от их известности, объема доступного для ИИ контента, присутствия в информационном поле и особенностей конкретной AI-платформы.
Василий Кошкин, руководитель отдела DAO, «СберМаркетинг»:
Исследование подтверждает ряд гипотез, которые мы сформировали в рамках исследования видимости и продвижения проектов экосистемы «Сбера» в ИИ. Классическая работа с оптимизацией сайта и репутацией бренда влияют на ранжирование бренда в ИИ, но не всегда является ключевым фактором. Тут играет роль специфика работы самих нейросетей. Уже не стоит вопрос, нужно ли развивать свой бренд в ИИ и как это делать. Для команды «СберМаркетинга» актуальным стал вопрос, как можно посчитать эффект от этого.