Компанию называют в одном отраслевом ответе из шести: замер на 6047 ответах нейросетей

Главное для принятия решений

Что мы замеряли

В прошлом материале мы разбирали, как модели ошибаются в фактах о компании: приписывают чужую отрасль, чужой год основания, склеивают с тёзкой. Тот разбор был построен на одном бренде и 81 ответе. Здесь другой вопрос и другая выборка: не насколько ответ верен, а называют ли компанию вообще.

Методика одинаковая для всех пятнадцати компаний. Для каждой собирается список вопросов двух типов. Первый тип содержит название: «что такое такая-то компания», «отзывы», «сравни с конкурентами». Второй не содержит: «кто в России поставляет такое-то оборудование», «посоветуй подрядчика по такой-то услуге», «где заказать такой-то товар оптом». Вопросы уходят девяти моделям, ответы разбираются на упоминания: назвали компанию, назвали конкурента, не назвали никого.

Замеры шли с марта по сентябрь 2026 года, у части компаний еженедельно. Клиентские названия мы не раскрываем, поэтому дальше только агрегат. Прогоны сделаны на сервисе SEENGO, он построен в Digital Impuls, у ASHA с ним общий основатель.

Имя работает, отрасль нет

Главное расхождение в данных проходит не между моделями, а между двумя типами вопросов.

Читается это так. Контрагент, который уже знает ваше название и вводит его в чат, получит ответ о вас в четырёх случаях из пяти. Насколько верный, это отдельный вопрос, и ответ на него неутешительный: в прошлом замере половина моделей описала компанию неправильно.

А вот тот, кто вас ещё не знает и спрашивает модель «кого посоветуешь», увидит вас в одном ответе из шести. Для компании, которая ищет новых партнёров или входит на новый рынок, это и есть цена вопроса. Вы не проигрываете сравнение с конкурентом. Вы просто не попадаете в список, где это сравнение происходит.

Модель почти не влияет

Первая гипотеза при таких цифрах обычно звучит так: значит, надо смотреть на конкретную модель, где-то результат лучше. Данные её не подтверждают.

Разное число ответов объясняется просто: не все модели участвовали во всех прогонах, Нейро подключался точечно. Внутри же таблицы вся разница укладывается в 8,8 процентного пункта между крайними значениями.

Теперь тот же срез по компаниям. Лучший результат 69,0% ответов с упоминанием, худший ноль: одну компанию за весь прогон не назвали ни разу. Между этими полюсами разрыв в 69 пунктов, то есть почти в восемь раз шире, чем между моделями.

Вывод простой и неудобный. Спорить о том, какая нейросеть «правильнее» отвечает про бизнес, смысла мало. Все девять читают примерно одни и те же открытые источники и приходят примерно к одному результату. Если компании нет в этих источниках, её не будет ни у одной из них.

Кого называют вместо вас

Пустых ответов в выборке мало. Модель почти всегда кого-то называет, просто не вас. За 6047 ответов упоминаний собственных компаний набралось 1908, упоминаний чужих 4577, и принадлежат они 171 разной организации.

Состав этого списка отличается от привычной картины рынка. Рядом с прямыми конкурентами там стоят маркетплейсы, отраслевые агрегаторы, крупные федеральные игроки, иногда компании из смежной отрасли, которых модель сочла подходящим ответом. Кто именно окажется в списке, зависит от того, о ком чаще и согласованнее пишут страницы, которые модель читает: подборки, каталоги, отзовики, отраслевые издания. Механику этого отбора подробно разбирают в материале о том, из чего складывается доверие модели к бренду.

Практический смысл здесь такой: список конкурентов в ответах моделей не совпадает со списком, который вы держите в голове. Прежде чем что-то менять, стоит посмотреть, кого модель ставит на ваше место.

Почему это относится к рискам, а не к маркетингу

Видимость в нейросетях легко списать в маркетинговую задачу. Для компаний, которые работают на внешних рынках, это ближе к операционному риску, и вот почему.

• Первый контакт с незнакомым партнёром. В Центральной Азии и на Ближнем Востоке проверка потенциального поставщика часто начинается с вопроса модели, а не с реестров: доступ к российским базам оттуда ограничен. Шестнадцать процентов из отраслевого среза и есть вероятность вообще оказаться в поле зрения.
• Тендеры и предквалификация. Короткий список кандидатов иногда собирают тем же способом. Компания, которой нет в ответе, не получает отказ. Она не получает приглашения.
• Чужая история вместо вашей. Если модель не знает компанию, она с высокой вероятностью подставит тёзку. При проверке по санкционным спискам мы регулярно видим ложные совпадения по названию, и модель воспроизводит их без оговорки «сверьте реквизиты».
• Скорость исправления. Ошибку в СМИ можно опровергнуть, запись в реестре оспорить. С ответом модели так не выйдет: жалоба разработчику правит конкретный ответ, а не источник ошибки. Пока в вебе лежит устаревшая или чужая информация, модель воспроизведёт её снова.

Отсюда и режим работы: не разовая проверка, а регулярный срез, как и мониторинг регуляторных и санкционных изменений. Один замер показывает точку, серия замеров показывает направление.

Что с этим делать

Порядок действий выводится из тех же данных.

Сначала измерить, потом чинить. Без замера непонятно, в какой вы группе: у одних компаний в выборке результат 69%, у других ноль, и лечение у них разное. Ручной вариант занимает час: пять вопросов, четыре модели, ответы сохранить с датой.

Разделить два показателя. Ответы на вопрос с названием и на отраслевой вопрос это две разные задачи. Первую решает страница с фактами о компании и единое написание названия. Вторую решают внешние площадки: подборки, каталоги, отраслевые материалы, где вас называют вместе с конкурентами.

Не гнаться за отдельной моделью. Разница в 8,8 пункта между лучшей и худшей моделью не стоит отдельной работы. Работать нужно с источниками, которые читают все девять.

Повторить через месяц. Модели с поиском реагируют на изменения за дни, модели, отвечающие по памяти, за месяцы и с релизами.

Частые вопросы