Что такое позиционирование бренда в нейросетях

Классическое позиционирование это то, как компания хочет выглядеть: набор смыслов, которые маркетинг вкладывает в коммуникацию. В генеративном поиске появился слой, который компания не контролирует напрямую. Пользователь спрашивает «посоветуй сервис для мониторинга упоминаний», и модель отвечает готовым списком с короткими характеристиками: этот дешевле, этот для крупного бизнеса, у этого нет русских платформ. Эти характеристики модель формулирует сама, опираясь на то, что нашла.

Отсюда рабочее определение. Позиционирование бренда в нейросетях это устойчивый набор утверждений, которыми модель описывает компанию, плюс её место в списке рядом с конкурентами. У него есть четыре измеримых компонента:

Присутствие. Доля ответов, где бренд вообще назван. Если по вашим целевым вопросам модель называет пять компаний и вас среди них нет, остальные компоненты неважны.

Позиция в списке. Первым, третьим или последним. Позиция коррелирует с тем, как модель оценивает релевантность источника, а не с рекламным бюджетом.

Формулировка. Какими словами описана компания. Здесь чаще всего вылезают устаревшие или чужие факты: цена трёхлетней давности, услуга, которой нет, чужая специализация.

Контекст сравнения. С кем модель ставит вас рядом. Это подсказывает, в какую категорию она вас отнесла, и часто расходится с тем, как компания видит себя сама.

Источников ровно два, и они устроены по-разному.

Первый это база знаний, сформированная при обучении. Она обновляется редко, влиять на неё точечно нельзя, и именно оттуда берутся устаревшие утверждения. Второй это документы, которые модель достаёт в момент ответа: результаты поиска, страницы, которые она открывает и цитирует. Вот здесь изменения доходят за дни и недели.

Насколько велик второй канал, видно по тому, как часто платформы вообще показывают источники. Ниже наши данные за 30 дней, 37 466 проверок по девяти платформам на одном и том же наборе запросов.

Практический вывод из таблицы простой. В Алисе, Поиске с Алисой, Perplexity и обоих продуктах Google ваш контент имеет прямой шанс попасть в ответ уже завтра, потому что модель почти всегда обращается к вебу. В Gemini и GigaChat такого шанса в большинстве ответов нет: они чаще отвечают из внутренних знаний, и работать там приходится вдолгую, через общее укрепление упоминаемости бренда в интернете.

Мы измерили это на собственных материалах: 23 статьи, опубликованные с апреля по июль, и наблюдение за тем, через сколько дней каждая из них впервые попала в источники ответа по целевым запросам.

Это меняет планирование. Если вы опубликовали материал и через неделю не видите изменений в ChatGPT, это не провал: там средний срок почти три недели. И наоборот, если через месяц ничего не поменялось в Алисе, значит проблема не в сроке, а в самом материале или в том, что запрос сформулирован так, что модель на него не перечисляет сервисы.

Мы проверили связь «цитата в ответе» и «упоминание бренда» на своих же экспериментах. Результат однозначный: в ответах, где наша статья попала в источники, бренд назван в 75 до 100 процентов случаев. Там, где цитаты нет, тот же бренд по тем же запросам называется в 5 до 35 процентов ответов.

То есть задача сводится к одному: попасть в источники, которые модель открывает, отвечая на ваш целевой вопрос. Дальше работают пять рычагов, в порядке отдачи.

Открытый доступ для AI-краулеров. Это гигиена, без которой остальное бессмысленно. В robots.txt не должно быть запретов для GPTBot, OAI-SearchBot, PerplexityBot, ClaudeBot, Google-Extended. Проверяется за минуту, а ошибка встречается регулярно: сайт закрывают целиком «чтобы не воровали контент», а потом удивляются отсутствию в ответах.

Факты в HTML, а не в скриптах. Если цена, состав услуги или характеристика подгружаются скриптом после загрузки страницы, для краулера их нет. Проверка простая: откройте исходный код страницы и поищите нужную цифру.

Отдельная страница с фактами о компании. Короткие однозначные утверждения: что за продукт, для кого, сколько стоит, чем отличается, какие ограничения. Такую страницу модели забирают охотно, потому что из неё удобно извлекать факты без разбора вёрстки. У нас это /ru/ai-instructions, и по логам её действительно запрашивают краулеры OpenAI.

Материалы под вопросы, где ответ перечисляет сервисы. Здесь мы набили шишку сами. Статья под запрос «критерии выбора инструмента» цитировалась в 74 процентах ответов, а бренд при этом назывался только в 12 процентах: на вопрос о критериях модель рассказывает про критерии, а не про компании. Работают формулировки вида «каким сервисом», «какие инструменты», «кто предлагает».

Присутствие во внешних источниках. Отраслевые медиа, справочники, обзоры, форумы. Модель охотнее повторяет то, что подтверждено несколькими независимыми площадками, и именно так лечится устаревшая формулировка, засевшая в базе знаний.

Чтобы цифры выше не выглядели абстракцией, вот как это разворачивается во времени. В июле мы опубликовали три материала, каждый под один узкий вопрос, и наблюдали за видимостью бренда именно по этому вопросу на платформах, которые обращаются к вебу.

Стартовая точка была 6 до 12 процентов: то есть примерно в одном ответе из десяти модель называла нас среди вариантов. В первые две недели после публикации показатель поднялся до 34 до 42 процентов. К отметке 45 дней он дошёл до 43 до 54 процентов. Параллельно росла доля ответов, где среди источников присутствовала именно наша статья: с 34 до 43 процентов в первые дни до 51 до 61 процента к концу периода.

Два вывода, которые из этого следуют. Первый: основной прирост приходится на первые две недели, но плато наступает не раньше сорока пяти дней, поэтому короткие окна замера вроде «плюс семь дней» показывают недоделанную картину. Второй: рост видимости идёт синхронно с ростом цитируемости страницы. Это ещё одно подтверждение, что рычаг именно в попадании в источники, а не в количестве текста на сайте.

Отдельно стоит апрельская партия материалов, которая эффекта не дала вовсе. Разбор показал, что дело не в текстах: статьи писались под широкие темы вроде стратегий для облачных сервисов, а отслеживаемые вопросы были про другое. Совпадения темы статьи и формулировки вопроса не было, поэтому модель просто не имела повода открыть материал. Это самая частая и самая дорогая ошибка: хороший текст не о том.

Из таблиц выше видно, что девять платформ распадаются на две группы, и работать с ними одинаково нельзя.

Веб-цитирующие: Алиса AI, Поиск с Алисой, Perplexity, Google AI Overviews и AI Mode, ChatGPT. Здесь ответ собирается из документов, найденных в момент запроса. Значит работает всё, что делает ваш материал находимым и удобным для извлечения: релевантность странице вопросу, чистая структура, факты в тексте, свежесть. Изменения доходят за срок от недели до трёх.

Отвечающие из внутренних знаний: Gemini и GigaChat. Ссылки они показывают в трети или около половины ответов, и в среднем менее полутора источников. Быстрого рычага здесь нет. Влияние накапливается через общий объём и согласованность упоминаний бренда в интернете: чем чаще одни и те же факты о компании встречаются на разных площадках, тем выше шанс, что они закрепятся в базе знаний. Для российского бизнеса это означает, что игнорировать GigaChat нельзя, но и ждать от него быстрой отдачи не стоит.

Отдельная история с DeepSeek. За четыре месяца наблюдений он не процитировал ни одного нашего материала, при этом бренд в его ответах появляется: значит источник знаний там не веб-поиск по нашей теме. Такие платформы полезно держать в мониторинге как индикатор общей узнаваемости, а не как канал, на который можно влиять контентом напрямую.

Порядок действий, который не требует ничего, кроме списка вопросов и доступа к платформам.

Соберите 15 до 30 вопросов, которыми ваши клиенты описывают задачу, а не ваш продукт. Не «Visiobrand отзывы», а «чем отслеживать упоминания компании в нейросетях». Половину сделайте с указанием города или отрасли, если у вас локальный бизнес.

Задайте каждый вопрос в тех платформах, где сидит ваша аудитория. Обязательный минимум для России это ChatGPT, Поиск с Алисой, Алиса AI и GigaChat, для международного рынка добавьте Gemini, Perplexity, Google AI Overviews и AI Mode.

Фиксируйте по каждому ответу четыре вещи: назвали ли бренд, на каком месте в списке, какими словами описали, кто ещё в списке. Этого достаточно, чтобы получить исходную точку.

Повторите замер через две недели. Разовый срез ничего не значит: ответы моделей плавают, и без повторов вы примете случайную формулировку за тенденцию.

Ручной способ работает на десятке вопросов и одной платформе. Когда вопросов становится тридцать, платформ девять, а замеры нужны ежедневно, это 8 100 проверок в месяц, и здесь уже нужна автоматизация. Visiobrand делает такие проверки ежедневно и хранит полные тексты ответов, чтобы спорный случай можно было перечитать, а не пересказать по памяти.

Считать разовый ответ результатом. Модель может назвать вас один раз из десяти. Без серии проверок вы не отличите закономерность от случайности.

Оптимизировать под слоганы. В генеративной выдаче выигрывают проверяемые факты, а не эпитеты. «Лидер рынка» модель проигнорирует, «поддерживает девять платформ, включая Поиск с Алисой и GigaChat» процитирует.

Ставить одинаковые ожидания по всем платформам. Смотрите на таблицы выше: Gemini и DeepSeek живут по другим правилам, и требовать от них недельной реакции бессмысленно.

Мерить только присутствие. Упоминание с формулировкой «дешёвый вариант для небольших задач» может вредить сильнее, чем отсутствие. Тональность и контекст нужно смотреть отдельно.

1. Проверьте доступ. Откройте robots.txt и убедитесь, что AI-краулерам не закрыт обход. Это одно действие из списка, которое точно доходит до моделей.
2. Сделайте исходный замер. 20 вопросов, четыре платформы, фиксация четырёх параметров. Без этой точки любые дальнейшие выводы не с чем сравнивать.
3. Вынесите факты о компании на отдельную страницу. Короткие утверждения без маркетингового тумана, включая цены и ограничения.
4. Выберите площадки для внешних упоминаний. Смотрите, кого модель цитирует в ответах по вашим вопросам, и работайте именно с этими ресурсами.
5. Считайте в динамике. Сравнивайте одинаковые срезы по одной платформе, а не общий средний балл по всем сразу: платформы слишком разные, чтобы усреднение имело смысл.