Бренд в ответах нейросетей: как проверить и что спросить

Новая точка контакта рядом с поиском и отзывами

Вопрос «какой банк выбрать для ипотеки» или «в какую клинику сходить с ребёнком» человек раньше вводил в поиск или задавал знакомым. Теперь часть людей задаёт его чат-боту и получает не десять ссылок, а готовый короткий список с пояснениями. Для бренда это точка контакта того же класса, что поисковая выдача и отзывы: вы в ней либо есть, либо нет, и на сам ответ модели рекламным бюджетом напрямую не повлиять.

Насколько это массово, по Казахстану сказать трудно. Внешние данные есть по другим странам и про использование нейросетей вообще: например, по опросу Pew Research Center, к февралю–марту 2025 года ChatGPT хотя бы раз пользовались 34% взрослых американцев — примерно вдвое больше, чем в 2023-м. Но это про пользование в целом, а не про выбор банка или клиники. Публичного замера того, какая доля покупателей в Казахстане советуется с ИИ при выборе в конкретной категории, нам не известно. Поэтому ниже — способ получить эту цифру для вашей категории, а не чужую цифру взамен.

Способ 1. Проверить ответы моделей самим

Это самостоятельная проверка, которую может сделать ваш маркетолог. Она не требует исследовательского агентства, но требует дисциплины: один раз заданный вопрос не говорит почти ничего.

Почему один ответ ничего не значит. Исследование SparkToro и Gumshoe.ai: 600 добровольцев почти 3 000 раз задавали одинаковые запросы о рекомендации брендов трём ИИ-инструментам. Для двух из трёх инструментов шанс получить один и тот же список брендов в двух ответах на один запрос оказался меньше одного из ста, одинаковый порядок — ещё реже. При этом доля ответов, в которых бренд вообще упоминается, при многих повторах держалась заметно устойчивее. Вывод авторов прост: следить за «местом в выдаче» нейросети бессмысленно, считать долю упоминаний на большом числе повторов — можно.

Как устроить проверку.

Набор запросов. 15–25 вопросов так, как их задаёт покупатель, а не маркетолог: «какой банк лучше для зарплатной карты», «где сделать МРТ в Алматы недорого», «посоветуй застройщика в Астане». Включите запросы с вашим брендом и без него, общие и с конкретной задачей.
Два языка. Каждый запрос — на русском и на казахском, и казахскую формулировку пишет носитель, а не переводчик: иначе вы проверяете, как модель отвечает на неестественный вопрос.
Повторы. Каждый запрос — по 5–10 раз, в новом чате, без истории. Если инструмент учитывает регион, фиксируйте, откуда шёл запрос.
Что записывать. Дату, инструмент, язык, текст запроса, упомянут ли ваш бренд, какие конкуренты названы, тон упоминания (рекомендует, нейтрально, с оговоркой или предупреждением), есть ли в ответе неверные факты о вас — старые цены, закрытые филиалы, чужие продукты.
Периодичность. Раз в квартал тем же набором запросов. Сравнивайте долю упоминаний, а не отдельные ответы.

Условный пример. 20 запросов × 2 языка × 5 повторов = 200 ответов. Бренд упомянут в 46 из них — 23%. Выборочную погрешность к этой доле не применяют: 200 ответов — это повторы одних и тех же 40 запросов к одному источнику, а не 200 независимых наблюдений, и интервал «как у выборки в 200» здесь неприменим. Устойчивость доли видна по разбросу между повторами: посчитайте долю упоминаний отдельно в каждом из пяти прогонов, и если она колеблется от прогона к прогону на несколько пунктов, разница такого же размера между кварталами ничего не значит. По языкам разница заметнее: на русском 31 упоминание из 100 ответов (31%), на казахском — 15 из 100 (15%). Тон: 12 упоминаний с рекомендацией, 30 нейтральных, 4 с оговоркой (12 + 30 + 4 = 46). Два практических вывода: на казахском модели знают о бренде меньше, а четыре оговорки стоит прочитать целиком — часто за ними стоит устаревшая информация, которую можно исправить на своём сайте и в открытых источниках.

Ограничения, которые надо держать в голове.

Ответы меняются от запуска к запуску и от версии модели к версии. Сравнивать можно только доли на одном наборе запросов, снятые близко по времени.
Ответ зависит от формулировки: «лучший банк» и «надёжный банк» дают разные списки.
Ответ зависит от региона, языка интерфейса и истории пользователя, которую вы не воспроизведёте.
Проверка показывает, что говорит модель, а не что делает покупатель. Упоминание в ответе — не знание бренда и не покупка.

Отдельная ловушка — просить нейросеть не только ответить, но и «посчитать долю рынка» или «найти статистику» о вашей категории: модели охотно выдумывают цифры. Почему так происходит и как с этим работать, разобрано в статье о кабинетном исследовании с нейросетью.

Способ 2. Спросить покупателей в опросе

Проверка ответов моделей не скажет, сколько ваших покупателей вообще спрашивает ИИ и повлиял ли его совет на выбор. Это измеряется только опросом людей, которые недавно выбирали в категории. Вопрос «советовались ли с ИИ» не требует отдельного исследования — это блок из двух-четырёх вопросов, который встраивается в уже запланированную анкету.

Где в анкете	Какой вопрос	Что даёт
Факторы выбора	«Где вы искали информацию, когда выбирали?» — чат-бот с ИИ одним вариантом рядом с поиском, отзывами, советами знакомых	Какую роль ИИ играет среди источников именно в вашей категории
Usage & Attitude	Кто спрашивал ИИ: «Что посоветовал чат-бот? Какие марки он назвал?» — открытый вопрос; «Повлиял ли этот совет на ваш выбор?»	Какие бренды ИИ приносит в список рассмотрения и доходит ли совет до покупки
Медиапотребление	Ответы чат-ботов одним из каналов, где человек встречал информацию о марке	Место ИИ среди digital-каналов для медиапланирования

Несколько правил, без которых блок даёт неверные цифры.

Формулировка через примеры. «Большая языковая модель» или «генеративный ИИ» респондент понимать не обязан. Пишем «чат-бот с искусственным интеллектом» и приводим в скобках два-три примера инструментов.

Разные формулировки в разных вопросах. Источник информации при выборе — активный поиск: «спрашивал(а) у чат-бота». Канал контакта с информацией о марке — пассивный: «видел(а) в ответах чат-бота». Если формулировки одинаковые, человек ответит одно и то же дважды.

Открытый ответ кодируется как спонтанное знание. Марки, которые «назвал чат-бот», кодируются по справочному списку анкеты, с учётом латиницы, кириллицы и казахских написаний — так же, как первая ступень воронки бренда. Как устроить эту кодировку и её проверку, если её ускоряют нейросетью, — в статье о кодировке открытых ответов с ИИ.

Запрет вставки. В открытом поле «что посоветовал чат-бот» особенно велик соблазн скопировать ответ бота целиком. При программировании анкеты вставку скопированного текста в открытые поля запрещают: иначе вы получаете текст модели, а не то, что человек запомнил и что на него повлияло.

Условный пример. Опрошены 800 покупателей категории, выбиравших за последние полгода. Чат-бот как источник информации отметили 96 человек — 12% (примерно от 10% до 14%). Из них 58 вспомнили хотя бы одну марку, которую он назвал, — 60% от 96. Здесь важна база: 96 человек — это итог по всей выборке, но разрезать его по городам и возрастам уже нельзя, во многих ячейках окажется меньше 30 человек. Если роль ИИ в вашей категории — главный вопрос, выборку нужно считать от этой узкой группы, а не от общего числа анкет.

Как читать два способа вместе

Проверка моделей отвечает на вопрос «что увидит человек, если спросит». Опрос — «сколько людей спрашивает и что из этого доходит до выбора». Если в ответах моделей вас нет, но опрос показывает, что ИИ-советом пользуется небольшая доля покупателей категории, это пока задача на наблюдение, а не на перестройку стратегии. Если доля заметная и растёт от волны к волне, а в ответах моделей вас нет или есть с устаревшими фактами, это аргумент заняться открытой информацией о бренде так же, как вы занимаетесь поисковой выдачей и отзывами. В Mosaic эту работу могут сразу взять digital- и PR-команды агентства. Как встраивать новые каналы в план на основе данных о медиапотреблении аудитории, разобрано в статье о digital-стратегии.

Что это значит для вашего решения

Аудит ответов нейросетей — не исследование в привычном смысле: его можно и стоит делать самим, по правилам выше. Исследование нужно для второй половины вопроса — узнать у живых покупателей, сколько из них советуется с ИИ и что из этого совета доходит до покупки. Это общий принцип кластера, который мы разбираем в опорной статье «Заменит ли ИИ маркетинговые исследования»: модель может показать, что она говорит, но не может сказать, как поступают люди. И если вы думаете о том, чтобы спросить нейросеть о самих покупателях, — сначала прочитайте, можно ли спросить ChatGPT, чего хотят клиенты. Остальные методы, которыми измеряют поведение покупателей, собраны в разделе «Методы».

Источники

Fishkin R., O’Donnell P. NEW Research: AIs are highly inconsistent when recommending brands or products; marketers should take care when tracking AI visibility // SparkToro, 28.01.2026. sparktoro.com
Pew Research Center. 34% of U.S. adults have used ChatGPT, about double the share in 2023, 25.06.2025. pewresearch.org