Как LLM решают, какие бренды рекомендовать

Вы спрашиваете ChatGPT “какой лучший инструмент для X”, где X - ровно то, что делает ваш продукт. Он перечисляет пять инструментов. Вашего среди них нет. Очевидный вопрос: как он выбрал эти пять? Ответ не в том, что “есть рейтинг, и вы на второй странице”. Никакого рейтинга нет. Понимание того, что на самом деле происходит, когда модель генерирует рекомендацию, - это разница между гаданием на AEO-тактиках и выполнением тех немногих вещей, которые работают.

Внутри модели нет списка

Первое, от чего нужно отвыкнуть: LLM не ищет “лучший CRM для стартапов” в базе данных и не возвращает верхние записи. Она генерирует ответ по одному токену за раз, и названия брендов появляются потому, что они статистически сильные продолжения в этом контексте.

Во время обучения модель поглотила огромный кусок публичного веба: посты в блогах, документацию, треды на Reddit, сайты с отзывами, сравнительные статьи, новости. Каждый раз, когда ваш бренд появлялся рядом со словами вроде “управление проектами”, “доступный по цене” или “для небольших команд”, ассоциация между вашим именем и этим контекстом становилась чуть сильнее. Спросите потом модель про инструмент для управления проектами, и с наибольшей вероятностью сгенерируются бренды с самыми сильными накопленными ассоциациями.

Для небольшого SaaS отсюда следуют два прямолинейных вывода:

• Частота имеет значение. Бренд, упомянутый в 400 независимых местах, перевешивает бренд, упомянутый в 12, почти независимо от того, насколько хорош каждый из продуктов.
• Контекст важен не меньше частоты. Если большинство упоминаний вашего продукта стоят рядом с неправильными дескрипторами, модель выучивает неправильную ассоциацию. Инструмент учёта времени, который обсуждают в основном на форумах фрилансеров, будет всплывать по запросу “учёт времени для фрилансеров” и оставаться невидимым по запросу “учёт времени для агентств”, даже если агентства - ваш основной рынок.

Если ваш продукт запустился после training cutoff модели или просто был слишком мал, чтобы оставить след в обучающих данных, модель может вообще не знать о вашем существовании. Мы подробно разобрали этот сценарий в статье почему ChatGPT не знает о вашем SaaS.

Обучающие данные - только половина истории: retrieval

Современные ассистенты редко отвечают на вопросы с покупательским намерением только по памяти. Perplexity всегда ищет в вебе. ChatGPT и Gemini делают это часто, особенно для вопросов вида “лучший X” и “X против Y”, где важна свежая информация. Модель выполняет один или несколько поисков, читает верхние результаты и пишет ответ, опираясь на эти страницы. Это паттерн RAG: retrieval-augmented generation.

Это меняет игру в вашу пользу, потому что на retrieval можно влиять в масштабе недель, а не циклов обучения:

1. Ассистент ищет - часто переписывая вопрос пользователя в несколько под-запросов за кулисами.
2. Обычный поисковый индекс возвращает страницы - так что классический SEO по-прежнему определяет, какие источники модель вообще увидит.
3. Модель читает и синтезирует - и здесь выигрывает извлекаемый контент. Страницы с понятными сравнительными таблицами, явными формулировками “для кого это” и конкретными цифрами цитируются; расплывчатый маркетинговый текст пропускается.
4. К ответу прикрепляются цитирования - у Perplexity всегда, у ChatGPT и Gemini при браузинге.

Практический вывод: страницы, которые доминируют в retrieval по покупательским вопросам, - это подборки и сравнения (“лучший X для Y”, “A против B”). Если ни одна из этих страниц вас не упоминает, модель, синтезирующая ответ из них, тоже вас не упомянет. Публикация собственных честных страниц сравнений и подборок и попадание в сторонние - самый прямой retrieval-рычаг, доступный небольшой команде.

Сигналы, которые склоняют решение

Сложите обучение и retrieval вместе, и можно перечислить, что на самом деле подталкивает модель к рекомендации конкретного бренда. Примерно в порядке отдачи для инди-SaaS:

• Сторонние упоминания в контексте категории. Платформы отзывов, нишевые блоги, рассылки, треды на Reddit и Hacker News, обзоры на YouTube. Независимые источники весят больше вашего собственного сайта, а у модели нет способа узнать, что подборку “топ-10” написал конкурент, поэтому поле битвы - это экосистема страниц вокруг категории.
• Согласованность вашей сущности. Модели распознают бренды как сущности. Если на главной странице написано “AI-платформа для рабочих процессов”, в профиле на G2 - “инструмент автоматизации”, а в Crunchbase - “приложение для продуктивности”, ассоциации размываются между тремя нечёткими идентичностями. Одно ёмкое, повторяемое описание в одну строку о том, что вы такое и кому служите, наоборот, укрепляет единую сущность.
• Извлекаемые факты. “От $19 в месяц, безлимитные места, сертификация SOC 2” переживает синтез. “Гибкие тарифы для команд любого размера” - нет. Модели предпочитают повторять конкретные, цитируемые утверждения, потому что именно они делают ответ содержательным на вид.
• Структурированные данные и доступность для краулеров. Schema-разметка, чистый семантический HTML и отсутствие блокировки ИИ-краулеров в robots.txt определяют, являются ли ваши страницы читаемым доказательством вообще. Это базовая гигиена, а не преимущество, но множество сайтов её проваливают.
• Тональность окружающего текста. Бренд, который в основном фигурирует в тредах “почему я ушёл с…”, накапливает негативные ассоциации. Модели это улавливают, и это проявляется в осторожных рекомендациях с оговорками.

Обратите внимание, чего в списке нет: вашей позиции в Google по главному ключевику, ваших расходов на рекламу, вашего Domain Rating самого по себе. Всё это коррелирует с видимостью, но ни одно из этого не является механизмом.

Почему ответ меняется при каждом запросе

Прогоните один и тот же промпт пять раз, и вы получите пересекающиеся, но разные списки брендов. Это не баг, который можно починить; так работает генерация. Модели сэмплируют из распределения вероятностей, поэтому бренд с умеренной ассоциацией появляется в одних прогонах и отсутствует в других. Retrieval добавляет ещё больше вариативности: разные прогоны могут подтянуть разные страницы.

Это важно для измерений. Основатель, который проверил один раз, увидел своё упоминание и заключил “у нас всё в порядке”, читает шум. Значимая метрика - частота упоминаний по повторным выборкам: из 20 прогонов промпта в скольких вы есть? В этом логика мультисэмплинга, и именно поэтому любая серьёзная цифра видимости - это среднее по многим прогонам и нескольким дням, а не скриншот.

Обновления моделей добавляют сверху более медленный слой изменений. Провайдеры выпускают новые версии моделей, ретриверы меняют логику ранжирования, поэтому частота упоминаний бренда может заметно сдвинуться за неделю без каких-либо действий с его стороны.

Что с этим реально можно сделать

Сведём описанную механику в рабочий план:

1. Запишите 20-50 вопросов, которые реально задают ваши покупатели. Не ключевики, а вопросы: “лучший инструмент для changelog для небольших SaaS-команд”, “альтернативы X с поддержкой SSO”.
2. Приведите в порядок свою сущность. Одно каноническое описание, используемое дословно на главной странице, в профилях отзывов, каталогах и соцсетях.
3. Сделайте сайт доказательного уровня. Конкретные факты, страницы сравнений, FAQ-контент, schema-разметка, доступность для ИИ-ботов.
4. Заработайте сторонние упоминания в подборках по категории. Сначала платформы отзывов, потом нишевые блоги и сообщества, где обсуждается ваша категория.
5. Измеряйте по расписанию, а не по настроению. Регулярно прогоняйте свой набор вопросов через ChatGPT, Claude, Perplexity и Gemini и отслеживайте частоту упоминаний во времени. Первый проход можно сделать вручную за один вечер по этому гайду по отслеживанию бренда в ChatGPT, и это стоит сделать хотя бы раз, чтобы самому почувствовать вариативность.

Правда, ручная проверка перестаёт масштабироваться почти сразу: 30 промптов на 4 модели по 3 сэмпла - это 360 диалогов за один цикл опроса. Это та скучная, повторяющаяся часть, которую AskAiRank автоматизирует - он прогоняет ваши промпты по расписанию через всех четырёх ассистентов, находит упоминания и показывает вашу частоту упоминаний и позицию относительно конкурентов, чтобы вы видели, действительно ли описанная выше работа двигает стрелку.

Главный вывод

LLM рекомендуют бренды, комбинируя выученные ассоциации из обучающих данных с теми доказательствами, которые retrieval выдаёт им в момент ответа. Оба слоя формируются одним и тем же активом: разбросанным по всему вебу следом из последовательных, конкретных, подтверждённых третьими сторонами утверждений о том, что такое ваш продукт и для кого он. Стройте этот след осознанно, а затем измеряйте частоту упоминаний по повторным выборкам вместо того, чтобы доверять единичным диалогам. Начните сегодня с ручной версии: задайте каждому ассистенту пять самых важных вопросов ваших покупателей, отметьте, кого упоминают, и уже через час вы будете знать, где находитесь.

Часто задаваемые вопросы

Ответы о том, какие сигналы ChatGPT, Claude и Perplexity учитывают перед рекомендацией бренда.