Исследование: как AI выбирает бренды

Когда пользователь спрашивает у ChatGPT, Perplexity или Gemini совет по выбору продукта, модель не открывает страницу бренда — она синтезирует ответ на основе десятков источников, которые сама сочла заслуживающими доверия. Свежие данные 2026 года впервые показывают эту механику на уровне самих цитирований — и картина оказывается куда менее выгодной для собственных сайтов брендов, чем принято думать.

Два уровня знаний модели о бренде

LLM формируют ответ о компании на основе двух слоёв данных. Первый — статичные знания, усвоенные во время обучения: если бренд был плохо представлен в качественных источниках на момент сбора обучающего корпуса, модель просто не знает о нём. Второй слой — поиск в реальном времени: при коммерческих и актуальных запросах модель дополнительно обращается к вебу, формируя серию подзапросов и оценивая найденные страницы по правилам, отличным от классического поиска.

Отсюда ключевое отличие от SEO: LLM не ранжирует страницы по обратным ссылкам и ключевым словам, а собирает единый ответ из фрагментов разных источников, оценивая бренд как сущность, а не набор оптимизированных URL.

Кто реально цитируется: собственные сайты почти не участвуют

Независимое исследование исследователя Дмитрия Затучина впервые количественно проверило, откуда языковые модели берут информацию о брендах. Автор проанализировал 167 551 цитирование с привязкой к URL по 128 брендам в 12 странах и 13 языках и получил четыре устойчивые закономерности:

• 85,7% цитирований указывают на сторонние сайты, которые бренду не принадлежат, и лишь 14,3% — на собственные ресурсы компании.

• База источников сильно концентрирована: 80% цитирований приходится примерно на 18% доменов, распределение подчиняется закону Ципфа (альфа = 0,86, R² = 0,983)

• Википедия — самый цитируемый домен в 11 из 12 языков; исключение — литовский рынок, где чуть впереди деловое издание vz.lt (4,38%).

• Состав источников зависит от рынка: для 46 польских национальных брендов главным источником оказался YouTube, а HR-порталы дали 637 цитирований против 297 у польской Википедии.

Если почти 86% упоминаний бренда формируется вне его собственного сайта, то усилия, вложенные только в собственный контент, закрывают меньшую часть картины, которую видит модель.

Факторы отбора источников

Анализ более 23 000 цитирований по сотням брендовых запросов показывает, что LLM опираются не на трафик или рекламный бюджет, а на три сигнала: плотность упоминаний бренда в обучающих данных, чёткость описания бренда как сущности и качество самого источника цитирования. Наибольшим доверием пользуются отраслевые издания с устойчивыми редакционными стандартами, сообщества вроде Reddit как индикатор органического мнения, развёрнутый редакционный контент и материалы академических институтов.

Отдельный эксперимент 2026 года, посвящённый механике реранжирования уже отобранных кандидатов, показал, что убедительные, подкреплённые доказательствами формулировки способны менять порядок брендов внутри уже сформированного шорт-листа. В контролируемом тесте с участием моделей GPT-4o, Gemini 2.5, Claude 4 и Grok 3 наиболее эффективная стратегия текста в среднем поднимала целевой продукт в топ-5 в 91,4% испытаний, в топ-3 — в 86,6%, на первое место — в 80,3% случаев. Авторы исследования подчёркивают: результат описывает работу модели уже после того, как источник попал в число кандидатов, а не гарантирует само попадание в этот список.

Экспертность и репутация важнее ссылочной массы

Данные 2026 года фиксируют смещение веса от классических SEO-сигналов к репутационным. По данным аналитической компании Superlines, упоминание бренда в тексте без гиперссылки коррелирует с цитируемостью в LLM сильнее, чем классическая обратная ссылка: коэффициент корреляции Спирмена для упоминаний бренда составил 0,664 против 0,2 у обратных ссылок. Для модели важнее не техническая ссылка, а сам факт последовательного и достоверного упоминания компании в источнике, который она считает авторитетным.

Свежесть публикации в 2026 году превратилась в самостоятельный критерий отбора: по данным аналитической платформы Profound, приведённым в том же обзоре, 82% цитирований в Perplexity приходятся на материалы младше 30 дней. Параллельно, согласно исследованию компании Brandlight, пересечение между топ-10 классической выдачи Google и источниками, которые реально цитируют LLM, за 18 месяцев сократилось с 70% до менее 20% — хорошие позиции в обычном поиске всё слабее гарантируют присутствие в ответах нейросетей.

Локальная специфика

Рынок LLM в России в 2026 году сильно фрагментирован: по данным опроса ВЦИОМ, ChatGPT занимает 27% аудитории, YandexGPT/Алиса AI — 23%, DeepSeek — 20%, GigaChat — 15%, Shedevrum — 11%. При этом пересечение цитируемых доменов между ChatGPT и Perplexity составляет всего около 11% — оптимизация под одну модель не переносится на другие, и бренду приходится выстраивать репутацию именно в источниках, которым доверяет платформа, где сосредоточена его аудитория.

Почему это уже не гипотетический сценарий

Масштаб влияния AI-рекомендаций на покупательские решения растёт быстрее, чем ожидалось год назад. По оценке исследовательских компаний PHD и WARC, объём потребительских расходов с участием AI-агентов в 2026 году достигнет 944 млрд долларов, около 1,3% мирового частного потребления, а к 2030 году утроится — до 3,35 трлн долларов. Попадание или непопадание бренда в число источников, которым доверяет модель, всё чаще напрямую отражается на выручке, а не только на охвате.

Что это означает для брендов

Видимость в ответах ИИ строится не столько на оптимизации собственного сайта, сколько на управлении репутацией во внешней информационной среде. Приоритетными точками влияния становятся авторитетные отраслевые издания, структурированные и часто обновляемые справочные источники, площадки с отзывами и профессиональными обсуждениями, а также последовательное и непротиворечивое описание бренда во всех источниках одновременно. Модель не «верит» изолированному заявлению компании о себе — она ищет подтверждение из нескольких независимых мест, и чем убедительнее и свежее это подтверждение, тем выше шанс, что бренд попадёт в короткий список, который видит пользователь.