Как бизнесу выстраивать репутацию в эпоху генеративного поиска

Иван Костырин, Demis Group

Бренд, который занимает все 10 позиций в органической выдаче, может не попасть в финальный ответ ИИ, если система не считает его релевантным, достоверным или подходящим для цитирования. Как управлять присутствием в нейровыдаче, разобрались с Иваном Костыриным, старшим SERM-специалистом Demis Group .

До 2024 года репутационный менеджмент в поиске (SERM) оставался относительно стабильной дисциплиной. Если негативный материал появлялся на первой странице выдачи, его можно было «заглушить» публикацией авторитетного контента: пресс-релизов, экспертных статей, профилей в соцсетях. Стратегия была простой: занять топ-10 позиций положительным контентом, и алгоритмы классического поиска сделают остальное.

Однако, по данным SparkToro, к 2026 году более 68% всех информационных запросов в США обрабатываются через нейропоиск. Например, Google SGE, Perplexity, ChatGPT Search, Claude и другие ассистенты больше не показывают списки ссылок, а сами синтезируют нарратив.

От ORM к AI-SERM

Традиционный онлайн-репутационный менеджмент (ORM) фокусировался на контроле над упоминаниями в соцсетях, отзывах и СМИ. SERM добавлял к этому поисковую видимость, но все еще в рамках гипертекстовой модели: сайт → ссылка → клик → мнение.

ИИ-усиленный SERM (или Generative SERM) работает в мире, где:

• пользователь никогда не видит ваш сайт, но формирует мнение о бренде;
• ИИ не ранжирует, а выбирает источники для синтеза;
• репутация определяется не количеством позитивных страниц, а качеством данных, структурой доверия и способностью быть процитированным.

Как отмечают исследователи из Stanford CRFM (2025), репутация в эпоху LLM — это не то, что о вас пишут, а то, что ИИ решает повторить.

Масштаб проблемы: цифры, которые пугают

• По данным исследования Capgemini Research Institute, 71% потребителей ожидают интеграции генеративного ИИ в процесс покупок, а 70% уже активно используют ИИ-ассистентов для получения рекомендаций и принятия финальных решений.
• По данным исследований Stanford (в частности RegLab/HAI), современные LLM галлюцинируют в 17−33% случаев при генерации контента, включая приписывание компаниям несуществующих событий (штрафы, утечки данных и тому подобное).

Это следствие того, что алгоритмы обучены на шумных, предвзятых, неструктурированных данных и не имеют механизма проверки фактов в реальном времени.

Новый тезис: борьба за нарратив, а не за позиции

Если SERM спрашивал: «Как поднять наш сайт в топ?», то AI-SERM задает вопрос: «Как сделать так, чтобы ИИ выбрал именно нас как источник истины?»

Это требует:

• генерации контента, оптимизированного под цитирование (GEO — Generative Engine Optimization);
• построения репутационного графа, понятного нейросетям;
• прогнозирования кризисов с помощью LLM;
• автономного реагирования через агентов ИИ.

Теоретическая основа: как работают нейросети в репутационном менеджменте

ИИ-усиленный SERM невозможен без понимания того, как именно современные нейросети формируют представление о бренде. В отличие от классического поиска, где репутация определялась ранжированием URL, генеративный поиск оперирует смысловыми единицами, извлеченными из распределенной сети источников. Это требует перехода от ключей и запросов к модели управления репутацией, построенной на фактах.

Путь к контекстному пониманию

Традиционные инструменты (VADER, TextBlob) полагались на заранее заданные словари с «позитивными» и «негативными» словами. Они не учитывали иронию, сарказм, культурный контекст или многозначность. Современные же системы используют иные модели (BERT, RoBERTa, DeBERTa), дообученные на доменных корпусах (например, финансовые отзывы, медицинские форумы, тех-блоги).

Исследователи Принстонского университета совместно с учеными из Georgia Tech и Allen Institute for AI в фундаментальной работе «GEO: Generative Engine Optimization» сформулировали принципы, которые повышают вероятность цитирования контента в ответах генеративного ИИ. Среди ключевых:

• Авторитетность: источник должен быть признан авторитетным в своей области (подтверждается ссылками, упоминаниями, E-E-A-T-сигналами).
• Точность: использование точных, проверяемых данных с указанием источника («Согласно Росстату, 68% пользователей…»).
• Квалификация: прямые цитаты экспертов, особенно с указанием должности и организации.
• Последовательность: контент должен быть привязан к конкретным сущностям (brands, people, products) через структурированные данные (Schema.org, Knowledge Graph).

Выход за прежние рамки

Будущее AI-SERM лежит в мультидисциплинарных архитектурах:

1. Graph Neural Networks (GNN) строят репутационный граф: узлы — сайты, авторы, бренды; ребра — цитирования, упоминания, совместные публикации. Такой граф позволяет моделировать, как информация распространяется и усиливается в экосистеме. Например, если негативный пост цитируется 50 раз в блогах с низким доверием, но игнорируется авторитетными СМИ, GNN снижает его вес в финальном выводе ИИ.
2. Reinforcement Learning (RL) применяется для динамической оптимизации контент-стратегии: агент получает поощрение за увеличение доли цитирования в ИИ-ответах и штраф за упоминание в негативных нарративах. Со временем он учится генерировать и публиковать контент, который проактивно формирует нужный нарратив.
3. Multimodal models (CLIP, Flamingo, LLaVA) анализируют не только текст, но и изображения, видео, аудио. Дипфейк-видео, фейковые скриншоты, мемы — все это влияет на репутацию. Мультимодальный ИИ может обнаружить несоответствие между лицом на видео и голосом или выявить подделку логотипа, чтобы исключить такой контент из источников.
4. Agentic AI: автономные агенты (на базе AutoGen, CrewAI) могут в реальном времени мониторить генеративные платформы, генерировать опровержения, публиковать факты в доверенных источниках и даже взаимодействовать с модераторами платформ — все без участия человека.

Практическая архитектура ИИ-усиленного SERM

Если теоретическая основа определяет, почему репутация в нейропоиске требует новых подходов, то практическая архитектура отвечает на вопрос, как это реализовать в бизнесе. Современный AI-SERM — это интегрированная система, объединяющая мониторинг, генерацию, кризис-менеджмент и аналитику в единую нейросетевую петлю обратной связи.

Традиционные инструменты ORM сканируют упоминания по ключевым словам. В эпоху ИИ этого недостаточно: нужно понимать, как именно ваш бренд представлен в синтезированных ответах.

Современная архитектура включает:

• Постоянный мониторинг платформ: регулярный запрос к API «Яндекс Нейро», Perplexity, ChatGPT Search с последующим парсингом источников и тональности цитирования.
• Новый подход к семантике: вместо жестких ключей — поиск по смысловой близости. Например, запрос «[бренд] этика» может быть связан с эмбеддингами «эксплуатация», «углеродный след», «дискриминация», даже если эти слова не упоминаются напрямую.
• Предотвращение кризисов: дообученные LLM анализируют временные ряды упоминаний, тональность и контекст, чтобы предсказать репутационный кризис за 7−14 дней до его вспышки.

Пример: если в блогах растет число постов с фразой «[бренд] странно молчит» в контексте ESG-тем, модель может распознать это как сигнал надвигающегося кризиса доверия — задолго до появления хэштега в соцсетях.

Заключение: от реактивного мониторинга к проактивному нейросетевому доминированию

Эпоха нейропоиска кардинально меняет природу цифровой репутации. Сегодня недостаточно «вытеснить» негатив из выдачи — нужно стать первоисточником правды, на который опирается сам ИИ. Это требует перехода от пассивного ORM к стратегическому AI-SERM: дисциплине, в которой репутация управляется не через пиар-релизы, а через фактологическую инфраструктуру, структурированные данные и нейросетевую цитируемость.

В 2026 году и далее бренды конкурируют не за клики, а за доверие алгоритмов. Тот, кто обеспечивает ИИ точными, актуальными, авторитетными и структурированными данными, получает контроль над нарративом — даже если пользователь никогда не перейдет на его сайт.