Что делать, если ChatGPT говорит о компании хуже, чем клиенты: кейс изменения репутации в ИИ
В этой статье я подробно разберу, на какие источники опираются нейросети и разберу кейс, как мы шаг за шагом добились честной и корректной оценки в ответах ИИ для нашего клиента.
Недавно мы разобрали одну показательную ситуацию. У компании были хорошие рейтинги на геосервисах: реальные клиенты оценивали ее либо средне, либо хорошо.
Но когда мы проверили, что о той же компании говорит ChatGPT, выяснилось, что больше половины ответов оказались нейтральными или отрицательными. В DeepSeek картина была еще хуже: один положительный ответ при семи негативных и двенадцати нейтральных.
Проблема в том, что способ поиска информации сегодня меняется радикально. Если раньше люди шли за ответами в Яндекс или Google, то сейчас все чаще обращаются напрямую к нейросетям. И это уже не гипотеза. По данным исследований в США и Европе, около 40–50% аудитории 18–35 лет используют ChatGPT как полноценный инструмент поиска. В России пока только 15–20%, но этот показатель постоянно растет.
Люди не просто ищут информацию в ИИ — они принимают на его основе реальные решения: что купить, куда пойти, как лечиться и какой компании довериться. Поэтому сегодня важно не только то, что о вас пишут клиенты, но и то, как искусственный интеллект формирует цифровой образ бренда. И этот образ может совсем не совпадать с реальностью.
Исходная ситуация: что мы увидели в выдаче и почему это стало проблемой
Чтобы понять, откуда нейросети берут негативные ответы, мы начали с базового шага — провели аудит. Сначала посмотрели на поисковую выдачу в Яндексе и Google. Именно там формируется информационный фон, который дальше используют ChatGPT и DeepSeek.
Картина оказалась далекой от той, которую видел сам клиент. На уровне карт рейтинги действительно выглядели приемлемо, и бизнес считал, что проблем нет. Но при детальном разборе стало ясно: в топ-10 и топ-20 по брендовым и околобрендовым запросам стабильно присутствовали площадки, которые создавали устойчивый негативный фон.
В выдаче были:
Отзовик с рейтингом 1.0;
Yell, ZOON, SPR.RU и другие отзовики с низкими оценками (<4);
старые упоминания, которые давно не отражали реальную ситуацию.
Эти площадки постоянно находились на видимых позициях, поэтому именно они становились первичными источниками информации для нейросетей.
Отдельно проявилась проблема HR-бренда. На ряде ресурсов, куда также обращаются ChatGPT и DeepSeek, был размещен всего один-два отзывa от сотрудников — но с негативной окраской. Для нейросети объем не важен: само наличие таких сигналов автоматически формирует искаженный вывод.
Именно такая структура выдачи — сочетание низких оценок на отзовиках, спорных упоминаний в рейтингах и отрицательных отзывов сотрудников — и создавала тот цифровой образ компании, который мы увидели в ответах нейросетей.
Как мы анализировали ответы нейросетей: структура запросов, источники и тональность
Чтобы понять, почему ChatGPT и DeepSeek дают негативные ответы о компании, мы провели детальный анализ по этим нейросетям. Это позволило получить два независимых результата и увидеть общие закономерности.
Мы разбили запросы на четыре категории, которые наиболее близки к реальному поведению клиентов:
Репутационные — что пишут о компании, как ее оценивают клиенты.
Продуктовые — например, где лучше купить экскаватор-погрузчик в России.
Коммерческие — запросы, связанные с выбором поставщика.
Обзорные, системные — более широкие вопросы о рынке и конкурентах.
Каждый запрос анализировался по одинаковой схеме:
есть ли упоминание компании;
в каком контексте она фигурирует;
какая тональность ответа — нейтральная, положительная или отрицательная;
есть ли упоминания конкурентов;
какие источники использует нейросеть;
появляются ли ссылки или цитаты.
Именно здесь проявилась ключевая деталь. Основной тип упоминания, который GPT и DeepSeek поднимали в ответах, — это отзывы именно с отзовиков. Нейросети брали информацию именно с тех площадок, которые чаще появлялись в топе 10–20, и делали на них основной опорный вывод.
Дополнительно нейросети поднимали упоминания из статей и разборов. В этих материалах конкуренты были показаны в более выгодном положении, тогда как о компании встречались утверждения о том, что она затягивает сроки и не предоставляет своевременных гарантий. И если GPT передавал эту информацию мягче, частично сглаживая формулировки, то вот DeepSeek формировал свои выводы более жестко, вплоть до прямых рекомендаций «не работать» с компанией.
И на этом этапе становится понятно: если не разобрать всю картину целиком — выдачу в топ-10, геосервисы, отзовики, статьи, упоминания и ответы нейросетей — невозможно понять, почему ИИ говорит о компании именно так. Да, такой анализ занимает время, но дает реальное понимание точки, в которой находится бренд.
Если вы хотите получить подобный разбор по своей компании и увидеть, что о вас говорят клиенты и нейросети, можете оставить заявку и получить аудит репутации бесплатно. Но поспешите, так как количество таких аудитов в месяц ограничено.
Как мы изменили мнение нейросетей о компании
Шаг 1. После того как мы увидели, откуда нейросети берут информацию и какие площадки оказывают наибольшее влияние, первым шагом стало сформировать все релевантные ресурсы, которые есть у конкурентов, и собрать их в общий список. Это позволило понять, с каким пулом площадок нам необходимо работать
Шаг 2. Далее мы сделали подбор статей, которые нужно сформировать и продвигать в топ-10 и топ-20 Яндекса и Google. Были определены темы, которые наиболее оптимально отвечают запросам потенциальных клиентов — как в нейросетях, так и в классической выдаче. После этого статьи были подготовлены и запущены в продвижение.
Шаг 3. Параллельно мы закрыли вопрос с площадками, которые имели низкий или отрицательный рейтинг в топ-10. Это Yell, ZOON, Flamp, SPR и другие ресурсы. Был ряд карточек, которые вообще не относились к нашему клиенту, но имели упоминания о компании. Эти карточки были закрыты, а отзовики переработаны.
Шаг 4. После формирования площадок и публикации статей стали прорабатывать поисковые подсказки. Мы отработали подсказки, которые связаны с брендом, чтобы пользователи и нейросети сталкивались с корректными формулировками и релевантными вариантами запросов.
Шаг 5. Следующим этапом стала оптимизация сайта. Мы сделали разметку, чтобы нейросети могли забирать правильную информацию и корректно ее анализировать. Это важно, потому что часть запросов ChatGPT и DeepSeek опирается именно на данные сайта.
Шаг 6. Зарегистрировали новые карточки компании на площадках, которые были для нас наиболее релевантны, и занялись их продвижением в топ-10. Это усилило присутствие бренда в выдаче там, где раньше компания не была представлена, и помогло вытеснить менее релевантные ресурсы за пределы топ-20.
Отдельным направлением стал HR-блок. На ряде площадок, к которым обращались ChatGPT и DeepSeek, были размещены один-два отзыва сотрудников, и они имели негативный тон. Для этого мы разработали внутреннюю структуру, которая позволила получать отзывы от текущих сотрудников, а также собирать обратную связь уже на этапе собеседования. Это помогло переломить ситуацию в положительную сторону.
Результаты трех месяцев работы
За последние три месяца нам удалось вывести ситуацию на принципиально другой уровень. Негативные площадки были сведены к минимуму: независимые отзовики сейчас формируют более чем 70% доверия, а ChatGPT и DeepSeek рекомендуют компанию примерно в 70% случаев. Остальная часть ответов включает смешанные упоминания конкурентов.
При этом в этих 70% нейросети уже не используют негативные формулировки. Компания сравнивается по коммерческим показателям — объему выручки, количеству отгружаемого товара и другим метрикам. Такие сравнения не создают отрицательного образа и не влияют критично на выбор поставщика.
Топовые площадки Яндекс, Google и 2ГИС изначально находились на хорошем уровне. Yell, Flamp, SPR и другие ресурсы были подтянуты примерно до 75% доверия. Часть площадок остается в работе, поскольку изменения на них требуют длительной коммуникации и сами ресурсы реагируют довольно медленно.
Дополнительно мы продвинули в топ-10 и топ-20 порядка 15 новых релевантныхплощадок по разным запросам. В HR-направлении рекомендации составляют около 65%, а доля негативной информации от сотрудников составляет не более 10%.
Таким образом, за три месяца и одну неделю ситуация была значительно переломлена. Тем не менее изменения в искусственном интеллекте необходимо отслеживать постоянно. Запросы меняются, появляются новые источники и авторы, которые могут иметь больший вес, поэтому контроль нужно вести через автоматический мониторинг и регулярную ручную проверку.
Как удерживать контроль над тем, что нейросети говорят о вашей компании
Важно понимать, ИИ сам по себе не злой и не добрый. Он просто работает с тем, что находит про вас в сети. Если он видит хаотичные отзывы, старые негативные истории, перекошенную повестку на форумах, в СМИ, он будет транслировать именно это. Если он видит системно выстроенный позитивный фон, закрытые конфликты, внятные ответы на критику, живые кейсы и понятную экспертизу, он будет опираться уже на эти данные.
Поэтому сегодня работа с репутацией в интернете — это не роскошный максимум, а базовый минимум. Если компания сама не формирует свой цифровой образ, его формируют конкуренты, недовольные клиенты и нейросети.
Ну а если вы хотите увидеть, что действительно нейросети говорят о вашей компании и на каком этапе воронки вы теряете клиентов, начните с базового шага — проведите аудит вашей репутации в интернете. Сейчас такой аудит можно получить бесплатно, просто заполнив форму на нашем сайте.
Ведущий поисковый аналитик нашего агентства оценит ваши финансовые потери и подскажет, как усилить доверие к вашему бренду. В итоге вы получите не просто отчет, а детальный разбор всех факторов, влияющих на онлайн-репутацию: с цифрами, примерами и приоритетами для дальнейшей работы.
Но учтите, количество бесплатных аудитов в месяц ограничено. Поэтому заявку лучше оставить заранее.
How to
Неделя рекламы 
Новости 
Кейсы 
Интервью и дискуссии 
Маркетинговые исследования 
Просто о сложном 
Энциклопедия обмана 
Проверено ADPASS 
Рекламные кампании