Чем репутация в нейросетях отличается от репутации в поиске и соцсетях

В поиске и социальных сетях репутация состоит из высказываний, у каждого из которых есть автор, площадка, дата и адрес. Отзыв на маркетплейсе можно найти по ссылке, на комментарий можно ответить в той же ветке, публикацию можно обсудить с редакцией, а карточку в выдаче можно вытеснить вниз другими материалами. Работа с репутацией здесь сводится к работе с конкретными объектами: их можно перечислить, приоритизировать и закрыть по одному.

Ответ нейросети устроен по-другому. Он не хранится где-то в готовом виде и не выбирается из базы, он собирается заново на каждый запрос. Задайте один и тот же вопрос дважды, и вы получите два разных текста: изменится порядок перечисления сервисов, часть брендов выпадет, описание одного и того же продукта будет сформулировано другими словами. Изменится и набор источников, на которые опирается ответ. Здесь нет автора, которому можно написать, нет площадки, у которой можно попросить правку, и нет постоянного адреса высказывания, на который можно сослаться.

Практическое следствие простое: скриншот одного ответа не является фактом о репутации бренда. Это одно наблюдение из распределения, и по нему нельзя судить ни о доле упоминаний, ни о преобладающей формулировке. Ровно так же нельзя делать вывод по одному удачному ответу, в котором бренд назван первым. На следующем прогоне он может оказаться четвёртым или не появиться вовсе.

Поэтому измерение строится иначе. Фиксируется набор вопросов, каждый из них регулярно повторяется на каждой платформе, и оцениваются не отдельные тексты, а статистика по всей совокупности ответов: в какой доле прогонов бренд назван, какова средняя позиция в перечислении, какие формулировки повторяются чаще других, какие источники модель цитирует. Отдельный ответ становится единицей наблюдения, а не выводом. Вывод даёт распределение, накопленное за период.

Второе отличие связано с изменчивостью самих платформ. Разработчики обновляют модели, меняют логику поиска по вебу, добавляют и убирают режимы ответа. То, что верно для платформы в текущем месяце, может измениться после очередного обновления. Разовый замер устаревает быстрее, чем разовый аудит поисковой выдачи, поэтому наблюдение имеет смысл вести непрерывным рядом.

Ниже данные Visiobrand за 30 дней по 150 отслеживаемым вопросам. В таблице учтены только те ответы, где бренд был назван. Проценты считаются от числа упоминаний на конкретной платформе.

Главный результат в правом столбце. Негативных формулировок практически нет: на семи платформах из девяти ровно ноль, на двух оставшихся 0,4% и 0,2%, то есть единицы упоминаний из сотен. При этом доля нейтральных формулировок нигде не опускается ниже 76,9%, а на трёх платформах превышает 92%.

Разброс по позитивным упоминаниям объясняется не отношением платформы к бренду, а стилем ответа. Платформы, которые чаще отвечают развёрнутым текстом с оценочными связками вроде «удобный интерфейс» или «подходит для небольших команд», дают более высокую долю позитива. Платформы, которые отвечают справочно и сухо, почти целиком остаются в нейтральной зоне. Именно поэтому Поиск с Алисой показывает 23,1%, а DeepSeek 6,0%: это разница в манере изложения, а не в оценке компании.

Отдельно стоит отметить объём. Первые две строки таблицы дают больше упоминаний, чем все остальные платформы вместе. Если ваша аудитория в России, распределение внимания между платформами выглядит именно так, и планировать работу по остаточному принципу от привычных зарубежных сервисов неправильно.

Методика простая и её стоит понимать до того, как делать выводы из процентов. Оценивается не весь ответ целиком, а фрагмент, в котором назван бренд: предложение или несколько предложений, где модель описывает компанию или продукт. Этот фрагмент получает оценку по непрерывной шкале. Формулировки с оценкой выше 0,6 относятся к позитивным, ниже 0,4 к негативным, всё, что между, считается нейтральным.

Такая разметка означает, что нейтральная зона широкая и поглощает большую часть справочных описаний. Фраза «сервис отслеживает упоминания бренда в ответах ИИ и формирует отчёты» не содержит оценки и попадает в нейтральные. Фраза «хорошо подходит для агентств, которые ведут несколько клиентов» уже содержит оценочный элемент и с высокой вероятностью попадёт в позитивные. Фраза «функциональность ограничена по сравнению с более крупными платформами» попадёт в негативные.

Из широкой нейтральной зоны следует важное ограничение. Нулевой негатив в таблице не означает, что модель нигде не сказала о бренде ничего неприятного. Он означает, что явных негативных оценок практически нет. Скрытые проблемы, например упоминание бренда в списке с пометкой «менее известное решение» или описание с неверной ценой, разметкой тональности не ловятся: первое даст нейтраль, второе тоже даст нейтраль. Разбор таких случаев требует чтения формулировок, а не подсчёта долей.

Если негатива нет практически ни у кого, а нейтраль занимает от трёх четвертей до девяти десятых упоминаний, то тональность перестаёт быть различающим признаком. Два конкурирующих сервиса в одной категории будут иметь почти одинаковые профили: примерно 85% нейтрали, около 15% позитива, ноль негатива. Отчёт, построенный вокруг такого показателя, выглядит содержательно, но не отвечает ни на один рабочий вопрос.

Причина в том, как модель формирует ответ на вопрос типа «какие сервисы решают такую-то задачу». Она перечисляет варианты и коротко описывает каждый. Формат перечисления сам по себе располагает к нейтральному описанию: модель не пишет рецензию, она составляет справку. Оценочные формулировки появляются, когда пользователь прямо просит сравнить или выбрать, и даже тогда они чаще относятся к пригодности для сценария, чем к качеству компании.

Полезнее считать тональность не средним по бренду, а фильтром для поиска аномалий. Если из трёхсот упоминаний два попали в негативную зону, ценность не в доле 0,7%, а в этих двух фрагментах: их надо прочитать целиком, понять, откуда взялась формулировка, и решить, что с ней делать. Так же имеет смысл смотреть на позитив: устойчиво повторяющаяся положительная формулировка обычно указывает на конкретный материал в вебе, из которого модель её взяла.

Различают бренды другие признаки: назван ли бренд вообще, на каком месте в перечислении, какими словами описан, кому отдано первое место в сравнении, какие свойства и ограничения приписаны. Дальше по каждому из них.

До разговора о тональности нужно ответить на более простой вопрос. Тональность считается только по тем ответам, где бренд назван, а во всех остальных прогонах его просто нет. Видимость, то есть доля вопросов, в ответах на которые бренд упомянут, по нашим данным за тот же период распределяется так.

Разница между 60,5% и 9,9% значит, что бренд с одинаковой репутацией существует для одной платформы и почти отсутствует для другой. Отсутствие в ответе не фиксируется как негатив, оно не фиксируется никак, и именно поэтому его легко не заметить, если смотреть только на тональность.

Второй показатель, который стоит держать рядом с видимостью, связан с цитированием. В ответах, где процитирован материал бренда, сам бренд назван в 75 до 100% случаев в зависимости от платформы. В ответах без такой цитаты доля падает до 5 до 35%. Связь между наличием материала в источниках ответа и упоминанием бренда устойчивая, и она объясняет, почему работа с репутацией в нейросетях сводится к работе с публикациями, а не с формулировками.

Масштаб источников тоже стоит понимать. За 30 дней мы зафиксировали 317 045 цитат из 7 978 доменов, при этом топ-20 доменов дают 42,2% всех цитат. Иначе говоря, поле выглядит широким, но почти половина ссылочной массы приходится на два десятка площадок, и именно они определяют, что модель будет говорить о категории.

Разбор контекста означает, что по каждому ответу, где назван бренд, фиксируется набор структурных признаков. Минимальный набор выглядит так.

Позиция в списке. Если ответ содержит перечисление сервисов, важен порядковый номер бренда. Первая позиция и пятая читаются пользователем по-разному, а сдвиг средней позиции по большому числу прогонов заметен раньше, чем изменение доли упоминаний.

Формулировка описания. Дословный фрагмент, которым модель описывает бренд. Повторяющиеся формулировки почти всегда восходят к конкретному тексту в вебе, и по ним удобно искать первоисточник.

Приписанные свойства и ограничения. Что именно модель утверждает о продукте: наличие или отсутствие функций, поддерживаемые платформы, тип клиента, ценовой уровень, наличие бесплатного доступа. Отдельно фиксируются ограничения, то есть фразы вида «не поддерживает», «доступно только на старших тарифах», «требует подключения через разработчика».

Соседи по списку. Какие бренды названы рядом и кто оказался выше. Состав соседей показывает, в какую категорию модель вас относит. Если рядом систематически стоят сервисы из смежной ниши, проблема не в репутации, а в том, как описан ваш продукт в источниках.

Источник утверждения. Какие ссылки платформа приводит в ответе и есть ли среди них материал, из которого могло быть взято конкретное утверждение. Часть платформ показывает список цитат, часть нет, и от этого зависит способ поиска первоисточника.

Такой разбор имеет смысл вести не выборочно, а по всему массиву ответов за период. Тогда становятся видны устойчивые закономерности: например, что в вопросах про выбор сервиса бренд стабильно на третьем месте, а в вопросах про сравнение с конкретным конкурентом не появляется вовсе.

Оценочные прилагательные редко наносят ущерб. Ущерб наносят фактические ошибки, потому что они выглядят как справочная информация и не вызывают у пользователя сомнений. Разберём четыре типовых случая.

Неверная цена. Модель называет тариф, которого нет, или цену, которая изменилась. Обычно источник такой ошибки находится быстро: устаревший обзор, старая версия вашей же страницы в кэше агрегатора, чужая статья со сравнительной таблицей. Что делать: убедиться, что актуальные цены опубликованы в машиночитаемом виде на собственной странице тарифов, и добиться правки в тех обзорах, где цена приведена неверно. Наши текущие условия, например, включают бесплатный доступ на 5 дней с лимитом 25 вопросов и три платных тарифа, Старт за 12 990 рублей в месяц с 3 000 проверок, Про за 29 990 с 9 000 проверок и Корпоративный за 59 990 с 18 000 проверок, и любая цифра, разошедшаяся с этой страницей, будет воспроизводиться моделями месяцами. Актуальные условия всегда стоит держать на одной канонической странице, у нас это /ru/pricing.

Приписанная отсутствующая функция. Модель утверждает, что сервис умеет то, чего он не делает. Это опаснее заниженной оценки, потому что приводит к разочарованию на этапе демонстрации. Источник чаще всего в обобщении: модель описывает категорию и приписывает её типовые свойства каждому участнику. Что делать: опубликовать явное описание границ продукта, включая то, чего он не делает. Отрицательные утверждения в тексте работают лучше, чем их отсутствие.

Путаница с однофамильцем. Совпадение названия с другой компанией, торговой маркой, географическим объектом или персоной приводит к тому, что модель смешивает факты из двух сущностей. Это самый неприятный случай, потому что чужие факты могут оказаться негативными. Что делать: последовательно связывать название с отличающими признаками, то есть с юридическим лицом, отраслью, доменом и категорией продукта, во всех публикациях и в разметке на сайте. Задача в том, чтобы у модели было достаточно контекста для различения.

Ссылка на устаревший материал. Модель воспроизводит корректное для прошлого года утверждение: старое позиционирование, ушедший тариф, прежнее название компании. Что делать: не удалять старые страницы молча, а обновлять их с сохранением адреса и явной датой актуализации. Удалённая страница исчезает из вашего контроля, но остаётся в чужих цитатах и кэшах.

Первый способ работает там, где платформа показывает список источников. Нужно взять ответ с ошибкой, открыть приведённые ссылки и найти документ, в котором содержится это же утверждение. В большинстве случаев совпадение обнаруживается почти дословно, потому что модель переформулирует, но сохраняет фактическую часть. Если в списке несколько кандидатов, помогает сравнение формулировок: тот источник, чья фраза ближе всего по структуре, обычно и есть исходный.

Второй способ применяется, когда цитат нет. Тогда берётся дословная формулировка из ответа и её характерные фрагменты ищутся в вебе как поисковые запросы. Искать нужно не общие слова, а редкие сочетания: конкретное число, необычный оборот, специфическую пару терминов. Как правило, находится один или несколько документов, откуда утверждение расходится по остальным. Полезно проверить и агрегаторы, каталоги сервисов, подборки и сравнительные таблицы: именно они часто становятся источником устаревших фактов, потому что редко обновляются.

Третий шаг нужен, когда источник найден, но он не один. Тогда стоит собрать все документы с этим утверждением и оценить, какие из них попадают в топ цитируемых доменов по вашей категории. Правка материала на площадке, которую модели цитируют регулярно, влияет на результат сильнее, чем правка десяти редко цитируемых страниц.

Шаг первый, правка первоисточника. Если ошибка исходит из вашего материала, исправление занимает минуты. Если из чужого, потребуется обращение к редакции с корректной фактурой. Просьба должна быть конкретной: какое утверждение неверно, какое верно, на что можно сослаться. Общие претензии обычно остаются без ответа.

Шаг второй, публикация корректной фактуры на цитируемых площадках. Одной правки недостаточно, если неверное утверждение уже разошлось. Нужно, чтобы корректная версия присутствовала там, откуда модели берут информацию по вашей категории. Отбирать площадки следует по фактическим данным о цитировании, а не по интуиции.

Шаг третий, страница фактов о бренде. Отдельная страница с проверяемыми утверждениями: юридическое название, год начала работы, что делает продукт, что не делает, актуальные тарифы, поддерживаемые платформы, контакты. Формулировки должны быть короткими, однозначными и датированными. Такая страница даёт моделям опорный документ и упрощает разрешение путаницы с однофамильцами.

Шаг четвёртый, повторный замер. Через срок, соответствующий платформе. Проверять на следующий день бессмысленно, и об этом дальше.

Скорость, с которой новый материал начинает попадать в источники ответов, у платформ различается радикально. По нашим наблюдениям время до первой цитаты нового материала составляет 7 дней у Алисы, 13 дней у Perplexity, 18 дней у ChatGPT и 79 дней у Gemini. DeepSeek за четыре месяца наблюдений не процитировал ни одного нового материала.

Отсюда понятен масштаб задачи. Даже если вы исправили первоисточник в тот же день, платформам нужно переиндексировать документ, и только после этого он может попасть в ответ. К этому добавляется инерция: старое утверждение продолжает существовать в других материалах, и модель может опираться на них. Реалистичный горизонт для заметного изменения формулировок составляет от нескольких недель до квартала, а по отдельным платформам изменение может не наступить вовсе, если они не цитируют свежие материалы.

Практический вывод: график проверок нужно строить по платформам, а не единым сроком. Через неделю имеет смысл смотреть на площадки с быстрым циклом, через месяц на средние, а по медленным платформам делать выводы не раньше чем через два или три месяца. Ожидание мгновенного эффекта приводит к преждевременным решениям, например к отказу от работающей публикации, которая просто ещё не успела попасть в источники.

Основа процесса это набор вопросов, который повторяется с постоянной периодичностью. Ошибка большинства наборов в том, что они состоят только из благоприятных формулировок: «лучший сервис для такой-то задачи», «топ решений в категории». Такие вопросы показывают, попадаете ли вы в список, но не показывают, что модель говорит о вас, когда её просят найти слабые места.

Полный набор включает несколько типов вопросов.

Выбор сервиса. Прямые запросы на подбор решения под задачу, с вариациями по отрасли, размеру компании и бюджету.

Сравнения. Ваш бренд против конкретного конкурента, а также сравнения без вашего участия, чтобы видеть, попадаете ли вы в ответ вообще.

Недостатки и ограничения. «Какие минусы у такого-то сервиса», «чего не хватает в таком-то решении», «кому такой сервис не подойдёт». Именно здесь появляются те редкие негативные формулировки, которых почти нет в общей статистике, и именно здесь видно, какие ограничения модель считает вашими.

Риски и возражения. Вопросы о безопасности данных, о договоре, о том, что будет при отказе от подписки, о поддержке. Эти ответы читают перед покупкой, и ошибка в них стоит дороже, чем позиция в перечислении.

Фактические справки. Сколько стоит, что входит в тариф, на каких платформах работает, кто владелец. Здесь проверяются те самые фактические ошибки.

Неудобные вопросы нужны по трём причинам. Во-первых, их задают реальные покупатели, обычно на этапе, когда решение почти принято. Во-вторых, они вытаскивают из модели приписанные ограничения, которые в нейтральных ответах не проявляются. В-третьих, они показывают, чью аргументацию модель использует: если в ответе на вопрос о недостатках воспроизводятся тезисы конкурента, значит его материалы попали в источники по вашей категории.

Периодичность имеет значение не меньше состава. Ежедневный или еженедельный прогон одного и того же набора даёт ряд, по которому видны изменения. Разовые прогоны от случая к случаю дают несопоставимые точки. Посмотреть, как выглядит такой набор в работе, можно на демонстрации.

Накрутка отзывов. Модель не считает отзывы голосованием и не выводит из них оценку. Она опирается на текстовые источники, и десять новых карточек с пятью звёздами не меняют формулировку описания. Более того, отзывы на площадках, которые редко цитируются по вашей категории, вообще не попадают в источники ответов.

Жалобы разработчику платформы. Ответ генерируется, а не хранится, поэтому удалить конкретную фразу технически невозможно. Обращения имеют смысл в узких случаях, связанных с юридически значимыми нарушениями, но как инструмент управления репутацией они не работают. Механизма «попросить платформу говорить о нас лучше» не существует.

Файл llms.txt. Идея разместить в корне сайта файл с инструкциями для языковых моделей распространилась широко, но подтверждения работоспособности у нас нет. По логам обращений краулеров этот файл не запрашивается, и связи между его наличием и попаданием материалов в источники ответов мы не наблюдаем. Ресурсы, потраченные на его составление, лучше направить на публикацию корректной фактуры там, откуда модели действительно берут информацию.

Оптимизация формулировок на собственном сайте без публикаций вовне. Переписывание текстов на своём домене помогает, когда ваш материал уже цитируется. Если бренд не попадает в источники, менять формулировки на сайте недостаточно, нужна работа с площадками из числа регулярно цитируемых.

1. Соберите набор из вопросов пяти типов: выбор сервиса, сравнения, недостатки, риски и возражения, фактические справки. Минимум по десять формулировок на тип.
2. Запустите регулярный прогон по всем платформам, которые важны вашей аудитории, а не только по тем, которыми пользуетесь сами.
3. Сначала измерьте видимость, то есть долю ответов с упоминанием бренда, по каждой платформе отдельно.
4. Только после этого смотрите тональность, и используйте её как фильтр для поиска аномалий, а не как основную метрику.
5. По каждому упоминанию фиксируйте позицию в списке, формулировку описания, приписанные свойства и ограничения, соседей и источники.
6. Выпишите все фактические ошибки в отдельный список и разделите их на четыре типа: цена, функции, путаница с однофамильцем, устаревшие данные.
7. Для каждой ошибки найдите первоисточник через список цитат, а если цитат нет, через поиск дословных фрагментов формулировки.
8. Исправьте первоисточник, затем опубликуйте корректную фактуру на площадках, которые реально цитируются по вашей категории.
9. Заведите страницу фактов о бренде с проверяемыми утверждениями и явной датой актуализации.
10. Назначьте повторный замер с учётом скорости платформы: неделя для быстрых, месяц для средних, квартал для медленных.
11. Не тратьте ресурсы на накрутку отзывов, обращения к разработчикам платформ и служебные файлы с инструкциями для моделей.
12. Ведите непрерывный ряд наблюдений, чтобы отличать реальные изменения от разброса между прогонами.