Почему ИИ рекомендует именно эти компании: какие источники реально попадают в ответы AI-систем

Исследование RECOMO: 72 ответа шести AI-систем, 382 брендовых упоминания и 427 видимых ссылок показали, что новую «выдачу» формируют не только сайты компаний и СМИ. В 73,3% ссылочных появлений ассистенты обращались к маркетплейсам, дилерам и специализированным каталогам.

В предыдущем материале для SEOnews я разбирал, какие цифровые сигналы, вероятно, влияют на рекомендации ChatGPT. Главный вывод тогда был осторожным: полного алгоритма мы не знаем, но можем наблюдать ответы, источники и повторяющиеся закономерности.

На этот раз мы решили проверить гипотезы на данных. RECOMO проанализировала, какие компании называют разные AI-системы в реальных сценариях выбора и какие страницы они показывают как источники. Результат оказался менее удобным, но более полезным, чем простая формула «публикуйтесь в СМИ и улучшайте сайт».

Сначала важное ограничение: ссылка не равна причине рекомендации

Если AI-система поставила рядом с утверждением ссылку, мы видим источник, которым она подкрепила конкретный ответ. Но мы не можем доказать, что именно эта страница изначально «научила» модель рекомендовать бренд или была единственной причиной выбора.

У генеративного поиска есть несколько разных слоев: запуск веб-поиска, извлечение кандидатов, выбор источников, формирование ответа, цитирование и фактическое использование информации из страницы. В исследовательской литературе последние два этапа уже разделяют на citation selection и citation absorption: источник может быть показан пользователю, но почти не повлиять на формулировку, и наоборот.

Поэтому далее речь идет о видимом источниковом слое ответов, а не о раскрытии внутреннего алгоритма ChatGPT, Алисы или другой системы.

Как было устроено исследование

Основной массив собран 28 июля 2026 года в категории автомобильных аксессуаров. Мы выбрали 12 коммерческих и информационно-коммерческих сценариев: надежность производителей, соотношение цены и качества, антикоррозийная защита, премиальные быстросъемные решения, подбор под Haval Jolion, Geely Monjaro и BMW X5, электрика, совместимость, отзывы и история бренда.

Каждый сценарий был проверен в шести системах: ChatGPT, Gemini, Claude, Perplexity, Алиса и GigaChat. В итоговую матрицу вошли 72 первых ответа – по одному на каждую пару «система – сценарий».

В каждом ответе фиксировались:

• названные бренды и их позиции;

• наличие прямой рекомендации;

• аргументы выбора;

• видимые URL и домены;

• точность фактов, дифференциация и существенные ошибки.

Всего в 72 ответах было зафиксировано 382 брендовых упоминания. Видимые ссылки присутствовали в 35 ответах. В них мы извлекли 427 ссылочных появлений, ведущих на 215 уникальных URL на 93 доменах. Домены кодировались вручную по роли страницы в исследуемом массиве; для смешанных площадок учитывалась основная функция конкретного источника.

Платформы показывали неодинаковое число ссылок: 281 ссылочное появление пришлось на Алису, 111 – на Perplexity и 35 – на ChatGPT. Поэтому совокупное распределение ниже описывает фактически отображенный источниковый слой, но не является равновзвешенным сравнением платформ.

Дополнительно использовался контрольный массив из другой отрасли: 36 ответов ChatGPT и 180 рейтинговых позиций по сценариям выбора частных клиник Москвы. Этот массив помог проверить, сводится ли AI-видимость к размеру бизнеса, но не включался в расчет долей источников.

Результат № 1. Большинство видимых ссылок ведет не на сайты брендов и не в СМИ

Самая большая группа – маркетплейсы, дилеры и специализированные каталоги. На нее пришлось 313 из 427 ссылочных появлений, или 73,3%.

>Официальные сайты брендов и производителей получили 47 появлений, или 11%. Столько же пришлось на редакционные, рейтинговые и пользовательские площадки. Еще 20 ссылочных появлений, или 4,7%, вели на нерелевантные или неоднозначные страницы.

Доменные доли дают похожую картину. Из 93 уникальных доменов 58 относились к маркетплейсам, дилерам и специализированным каталогам. Это 62,4% всего источникового поля.

Рисунок 1. Распределение 427 видимых ссылочных появлений по типам источников

Почему коммерческие посредники оказались так заметны? В продуктовых сценариях именно их страницы часто содержат то, чего нет на корпоративном сайте в одном месте: точный артикул, совместимость с моделью и годом автомобиля, тип крепления, нагрузку, цену, наличие, отзывы и альтернативы.

Это не универсальная любовь ИИ к маркетплейсам. Скорее, источник соответствует намерению пользователя. Когда вопрос звучит как «что подойдет к конкретной машине», карточка товара или каталог иногда отвечает на него точнее обзорной статьи.

Такой вывод согласуется с исследованием гостиничного рынка Токио, опубликованным в 2026 году. Авторы проанализировали 1 357 цитирований Gemini и показали: транзакционные запросы и запросы, связанные с впечатлениями, приводят к разным типам источников. Иными словами, вопрос пользователя меняет не только ответ, но и источниковую среду вокруг него.

Результат № 2. Официальный сайт остается базой фактов, но редко закрывает весь выбор

Низкая доля официальных сайтов не означает, что они не важны. В нашей выборке они появлялись как источник подтверждения характеристик, технологии производства, гарантии, сертификатов, истории бренда и связи между компаниями.

Проблема возникает, когда официальный сайт умеет только заявлять: «мы качественные», «мы лидеры», «у нас большой ассортимент». Для рекомендации этого недостаточно. AI-системе нужны извлекаемые ответы на конкретные вопросы:

• чем продукт отличается от альтернатив;

• для какого сценария он подходит;

• какие ограничения есть;

• какие цифры и документы подтверждают заявление;

• как связаны бренд, компания, прежнее название и продуктовые линейки.

В исследовании 2026 года по citation absorption был получен близкий вывод: страницы с высоким фактическим влиянием на ответы чаще были длиннее, лучше структурированы и содержали определения, числа, сравнения и пошаговые объяснения. Значит, задача корпоративного сайта – не просто быть доступным для обхода, а становиться удобной базой доказательств.

Результат № 3. Независимые источники нужны для сравнения, а не для замены собственного сайта

Редакционные, рейтинговые и пользовательские площадки получили те же 11% ссылочных появлений, что и официальные сайты, но обеспечили более широкое разнообразие доменов: 19 против девяти.

Их роль отличается. Корпоративный сайт сообщает, что компания существует и что именно она предлагает. Внешняя площадка помещает бренд в конкурентный контекст: сравнивает, объясняет плюсы и минусы, показывает пользовательский опыт и подтверждает, что о компании говорят не только ее собственные маркетологи.

Но слово «независимый» тоже требует осторожности. В выдачу попадали рейтинги без прозрачной методологии, статьи продавцов, отзывы на маркетплейсах и пользовательские публикации. Наличие внешней ссылки само по себе не делает утверждение надежным.

Для бизнеса практический вывод такой: нужен не максимальный объем упоминаний, а согласованная система источников разного назначения. Официальный сайт отвечает за факты. Каталоги и площадки – за доступность и конкретику предложения. Профессиональные медиа и экспертные материалы – за контекст и объяснение компетенций. Отзывы и сообщества – за опыт использования и репутационные сигналы.

Результат № 4. Количество ссылок не гарантирует точность ответа

Видимые источники были распределены между платформами крайне неравномерно. ChatGPT показал ссылки в 11 из 12 ответов, Perplexity и Алиса – во всех 12. В зафиксированных ответах Gemini, Claude и GigaChat прямых URL не было.

Рисунок 2. Число ответов с отображенными URL по каждой платформе (из 12)

Ноль в этой таблице нельзя трактовать как «система не использовала внешнюю информацию». Он означает только, что в конкретном интерфейсе и режиме мы не увидели URL. Платформы по-разному решают, когда запускать поиск, сколько источников показывать и как оформлять ссылки. Например, OpenAI прямо указывает, что ChatGPT может преобразовать запрос пользователя в несколько поисковых запросов, получить результаты и сгенерировать ответ со ссылками на источники.

Еще важнее другое: большое количество ссылок не гарантировало отсутствие ошибок. В нашей узкой выборке системы иногда подкрепляли ссылками неточную географию бренда, спорные рейтинги и путаницу между связанными компаниями. Поэтому считать цитаты без проверки того, что именно из страницы попало в ответ, методологически недостаточно.

Результат № 5. Неясная архитектура бренда создает реальный информационный шум

В 4 из 35 ответов с видимыми источниками встречались нерелевантные или неоднозначные домены. Самый показательный пример – совпадение названия ORIS с часовым брендом Oris. В источниковый слой попадали магазины часов и материалы, не имеющие отношения к автомобильным фаркопам.

Подобная проблема возникает не только у одинаковых названий. Генеративные системы могут путать старый и новый бренд, производителя и дистрибьютора, холдинг и клинику, продуктовую линейку и самостоятельную компанию.

Контрольный медицинский массив показал ту же проблему с другой стороны: ИИ мог разделять единый брендовый контур на несколько сущностей или смешивать связанные названия. При этом один компактный амбулаторно-госпитальный центр получил 11 упоминаний, а некоторые более крупные сети не вошли в первые пять рекомендаций. Размер бизнеса сам по себе не гарантирует понятность бренда для модели.

Из чего на практике складывается AI-рекомендация

По результатам исследования нельзя вывести одну «волшебную» площадку. Скорее, рекомендация собирается из четырех слоев.

1. Слой официальной истины. Сайт компании, документы, карточки услуг и продуктов, история, характеристики, география и контакты.
2. 2. Слой коммерческой реальности. Каталоги, дилеры, маркетплейсы, наличие, цены, артикулы, совместимость и конкретные варианты покупки.
3. Слой сравнения и доверия. Профессиональные СМИ, обзоры, рейтинги с понятной методологией, отраслевые площадки, отзывы и сообщества.
4. Слой сущностей. Единое написание бренда, связь с юридическим лицом, холдингом и суббрендами, прежние названия, отсутствие противоречий между площадками.

Если одного слоя нет, модель достраивает картину по остальным. Иногда успешно, иногда – с ошибкой.

Что бизнесу делать уже сейчас

Первое – перестать воспринимать GEO как публикацию нескольких «оптимизированных под ИИ» статей. Генеративный поиск работает с экосистемой, а не с одной страницей.

Второе – разделить пользовательские запросы по намерению. Для транзакционного вопроса важны карточки, характеристики и доступность. Для экспертного выбора – сравнения, кейсы и объяснения. Для репутационного вопроса – внешние подтверждения и отзывы.

Третье – сделать корпоративный сайт источником проверяемых фактов. У каждого значимого утверждения должны быть число, документ, методика, дата или конкретный пример.

Четвертое – управлять присутствием на внешних площадках. Каталоги, отраслевые медиа и рейтинги не взаимозаменяемы: каждый тип источника закрывает свой вопрос пользователя.

Пятое – измерять не только количество цитат. Более полезные показатели: доля сценариев, в которых бренд появляется; позиция; причина рекомендации; устойчивость при повторах; точность фактов; качество источников; и фактическое «поглощение» информации из страницы в ответ.

Вывод

ИИ не выбирает компанию по одному сигналу. Он собирает рекомендацию из того цифрового мира, который бизнес и рынок уже создали вокруг бренда.

Наше исследование показало, что в товарной категории основную часть видимого источникового слоя заняли маркетплейсы, дилеры и специализированные каталоги. Но официальный сайт оставался базой точных фактов, а внешние редакционные и пользовательские площадки давали сравнение и подтверждение.

Поэтому новая задача маркетинга шире SEO и шире PR. Нужно построить согласованную систему доказательств, в которой компания одновременно понятна, доступна, сравнима и подтверждена.

Вопрос теперь звучит не только так: «На каком месте наш сайт?»

Он звучит иначе: «Из каких источников искусственный интеллект собирает представление о нашей компании – и хватает ли ему оснований рекомендовать нас?»

Методологические ограничения

Исследование отражает ответы конкретных систем в выбранных интерфейсах, сценариях и условиях замера на одну дату. Версии моделей и режим веб-поиска были зафиксированы не для всех запусков, поэтому сравнение платформ носит диагностический, а не рейтинговый характер. Один ответ на пару «платформа – сценарий» не измеряет устойчивость каждой платформы. Доли типов источников рассчитаны только по 35 ответам, в которых были отображены URL, относятся к одной товарной категории и взвешены по фактическому числу ссылок, а не поровну по платформам. Для причинных выводов нужны повторные замеры, одинаковые режимы поиска, дополнительные отрасли и контролируемые изменения контента.