ИИ знает о вашей компании, но «молчит»: как бренды теряют до 35% рекомендаций в нейросетях
Google Research протестировали 13 крупных языковых моделей на 2 150 фактах. Результат удивительный: модели кодируют 95–98% фактов о брендах в своих весах во время обучения. Но воспроизвести могут только 66–74% из них при прямом запросе.
Проблема не в том, что ИИ «не знает» о вашем бренде. Проблема в том, что он знает, но не всегда может добраться до этих знаний.
Это напрямую меняет логику GEO-оптимизации для российского рынка.
В статье разберем, почему возникает этот сбой памяти и как он отдает ваши функции конкурентам, проверим видимость бренда тестом из трех промптов и разложим пошаговый план GEO-оптимизации, чтобы нейросети начали стабильно рекомендовать именно вас.
В чем разница: хранение и воспроизведение
Исследователи разделили два механизма:
Параметрическое кодирование - факт поглощается нейронными сетями во время обучения. Он «сидит» внутри модели.
Воспроизведение - способность модели найти этот факт и выдать его в ответ на запрос.
Граница между ними оказалась неожиданно большой: модели практически насытились по части хранения, но воспроизведение значительно отстает. Полки заполнены, но ключи от них потеряны.
«Проклятие обратного запроса» - главный барьер между брендом и ИИ
В машинном обучении этот феномен называют Reversal Curse («проклятие разворота»).
Суть проста: если нейросеть выучила утверждение «А - это Б», она не умеет автоматически делать вывод, что «Б - это А». Человеческий мозг связывает факты в обе стороны, а языковая модель генерирует текст строго по цепочке вероятностей слева направо. Если связь не была жестко прописана в обратную сторону при обучении, модель ее просто не видит.
На примере, покажем как это работает:
Прямой запрос (бренд → категория):
«Какие возможности есть у Битрикс24 для автоматизации продаж?»
→ Модель отвечает правильно, потому что название бренда активирует нужные ассоциации.
Обратный запрос (категория → бренд):
«Какие CRM лучше всего подходят для автоматизации продаж в компаниях?»
→ Модель называет amoCRM , SberCRM, даже если факты о Битрикс24 у нее закодированы. Путь от категории назад к бренду слишком слаб.
Причем если задать тот же вопрос в формате с вариантами ответа - модель выбирает правильный бренд без труда. Знания есть. Пути к этим знаниям - нет.
Вывод: нейросеть умеет расшифровывать ваш бренд, но не умеет к нему возвращаться. Чтобы попадать в подборки, нужно учить модель не только тому, кто вы, но и тому, какую проблему вы закрываете.
Нишевые бренды страдают сильнее
Разрыв между тем, что ИИ запомнил, и тем, что способен выдать, напрямую зависит от известности компании:
- Топ-бренды: разрыв 10–15%
- Нишевые бренды и редкие факты: разрыв 20–35%
В контексте машинного обучения и этого исследования «редкие факты» (tail facts / long-tail knowledge) - это знания, которые встречаются в обучающей выборке нейросети единичное число раз или в очень узком контексте.
В исследовании Google факты делят на две группы:
- Популярные (head facts): многократно дублируются в миллионах документов. Например: «Битрикс24 - российская CRM-система» или «Яндекс - поисковая система». Связи между этими токенами «прожжены» в нейросети намертво.
- Редкие (tail facts): встречаются в интернете всего на паре сайтов, в PDF-документации, узком релизе или на странице условий.
Модели кодируют более 90% даже нишевых фактов, но воспроизводят их на 20–35 пунктов хуже, чем факты о крупных брендах.
Для российского B2B-рынка, где большинство брендов являются нишевыми по мировым меркам, это означает системную проблему: ИИ-ассистенты (Алиса, GigaChat, YandexGPT, ChatGPT) «знают» о многих компаниях, но при категорийном запросе называют их значительно реже, чем они заслуживают.
Как ИИ заполняет пробел в воспроизведении
Когда модель не может извлечь нужный факт, она не говорит «не знаю». Она заполняет пробел статистически вероятными токенами:
- Приписывает ваши функции конкурентам
- Придумывает цены или характеристики
- Искажает историю компании
- Называет «среднего по больнице» игрока категории вместо вашего бренда
Для российских компаний, работающих в нишах где ИИ-ассистенты используются для принятия решений (подбор ПО, выбор подрядчиков, сравнение решений) - это прямой коммерческий риск.
«Режим рассуждения» спасает ситуацию, но лишь наполовину
Современные модели GPT, Claude, Gemini и др. перед ответом не просто подбирают следующее слово, а буквально «рассуждают» про себя в несколько шагов
Рассуждения помогают модели вспомнить «забытые» данные:
- Если факт о вас уже есть в весах модели, размышление помогает достать его на свет в 40–65% случаев. Проходя по цепочке связей, ИИ все-таки натыкается на забытую компанию.
- Если факта о вас в обучающей базе изначально не было, рассуждения бесполезны, шанс угадывания всего 5–15%. Из пустоты модель ничего не достанет.
Что это значит для бизнеса:
Когда клиент задает сложный, развернутый промпт, например «Подбери CRM для завода на 200 сотрудников с интеграцией в 1С и строгим соответствием 152-ФЗ», шансы нишевого бренда попасть в ответ вырастают в разы. ИИ включает логику фильтрации, отсекает массовых гигантов и достает из памяти специализированных игроков.
Но рассчитывать только на осознанность пользователей нельзя: большинство по-прежнему гуглят в нейросетях короткими фразами в три слова.
GEO/AI-продвижение
Адаптируем сайт под нейровыдачу.
Будьте первыми в ответах нейросетей.
План действий: 5 рекомендаций по GEO-продвижению бренда
1. Пишите в обоих направлениях
Большинство брендовых текстов выглядят так: «Компания X предоставляет услугу Y». Это создает только прямой путь (бренд → категория).
Нужно добавить обратный: «Для задач типа Y в российских компаниях чаще всего выбирают X» или «X - один из ключевых инструментов для Y на рынке РФ».
Такие формулировки создают ассоциацию в обоих направлениях и улучшают воспроизведение при категорийных запросах.
2. Насыщайте внешние источники, а не только сайт
Параметрическая память модели формируется из обучающих данных, прежде всего из общедоступных текстов в интернете. Хабр, VC.ru, отраслевые СМИ, обзоры на агрегаторах - все это потенциальные источники для обучения следующих версий моделей.
Если ваш бренд упоминается в контексте категории только на вашем собственном сайте - это слабый сигнал. Нужны внешние источники с правильными ассоциациями.
3. Для нишевых фактов - повторение важнее охвата
Нишевые факты (конкретные интеграции, сертификации, отраслевые кейсы) кодируются хуже и воспроизводятся еще хуже. Единственный способ повысить их вес - повторение в разных форматах и источниках.
Один кейс на сайте не дает устойчивой ассоциации. Десять упоминаний в разных контекстах - начинают давать.
4. Тестируйте воспроизведение регулярно
Практический тест, который можно провести прямо сейчас:
Задайте Alice, GigaChat или ChatGPT несколько запросов:
- Прямой: «Расскажи про [ваш бренд] в контексте [вашей категории]»
- Обратный: «Какие компании лидируют в [вашей категории] на российском рынке?»
- Признаковый: «Какой инструмент лучше всего подходит для [ключевая функция вашего продукта]?»
Сравните результаты. Если прямой запрос работает, а обратный - нет, у вас проблема воспроизведения, а не кодирования.
5. Структурированные данные как якорь
Schema.org разметка (Organization, Product, Service) создает машиночитаемые факты о вашем бренде. Исследования показывают, что ИИ-краулеры активно читают robots.txt и структурированные данные.
Правильная разметка - это дополнительный канал передачи фактов в контекст, который читают ИИ при ответе.
Вместо заключения
ИИ-модели знают о вашем бренде значительно больше, чем вы думаете. Проблема не в хранении - проблема в воспроизведении. Особенно при обратных запросах: «какой инструмент выбрать для...».
Для российских брендов это означает: одного присутствия в интернете недостаточно. Нужны правильные ассоциации в правильных направлениях - в текстах, которые читают и ИИ-системы при формировании ответов, и люди при принятии решений.
