ipos.digital 
Тендеры и лиды
Информация
Попробуйте провести простой эксперимент. Спросите у Алисы или ChatGPT, что умеет ваша компания, и вы, скорее всего, получите внятный ответ. Теперь задайте вопрос от лица клиента: «Кого выбрать для [ваша услуга]?». В списке окажутся три-четыре конкурента, а вас там не будет.
Это не значит, что нейросеть о вас не слышала. Исследование Google Research показывает обратное: модели хранят почти все, что было о бренде в обучающих данных, но извлекают эти знания заметно хуже. Разбираемся, почему так происходит, чем это опасно для B2B и что можно сделать уже сейчас.
Что показало исследование
Исследователи пропустили 13 больших языковых моделей через 2150 фактов и сравнили два показателя:
Кодирование. Попал ли факт в веса модели во время обучения. Здесь результат 95–98 %
Воспроизведение. Может ли модель найти этот факт и выдать его в ответе на прямой вопрос. Здесь уже 66–74 %.
Иными словами, по объему «памяти» модель почти достигла предела, а вот доступ к этой памяти сильно отстает. Знание есть, а пути к нему нет. Для бизнеса из этого следует неприятный вывод: недостаточно просто присутствовать в обучающих данных, чтобы попадать в рекомендации.
У этого эффекта есть название: «проклятие обратного запроса». Модель, выучившая связь «А - это Б», не умеет сама выстраивать обратную связь «Б - это А». Причина в устройстве генерации: языковая модель строит текст слева направо, подбирая каждый следующий токен с определенной вероятностью. Если в обучающих текстах связь шла только в одну сторону, то для модели второе направление практически не существует.
Как это выглядит на практике:
Тип запроса / Пример / Что происходит
Бренд → категория / «Какие возможности есть у Битрикс24 для автоматизации продаж?» / Название бренда сразу вызывает нужные ассоциации, ответ точный.
Категория → бренд / «Какие CRM лучше всего подходят для автоматизации продаж в компаниях?» / Модель перечисляет amoCRM и SberCRM, хотя факты о Битрикс24 у нее есть: путь от категории к бренду слишком слабый.
Выбор из вариантов / Тот же вопрос, но с готовым списком CRM / Модель без труда указывает нужный бренд
Когда модели подсказывают варианты, они дают правильный ответ. Значит, проблема именно в поиске пути к знанию, а не в его отсутствии.
Клиенты же почти всегда задают вопросы по второму сценарию. Человек, который ищет подрядчика или программное обеспечение, редко знает ваше название заранее. Он описывает задачу.
Разрыв между тем, что знает модель, и тем, что она говорит, распределен неравномерно:
Крупные бренды теряют 10–15%.
Нишевые компании и редкие факты теряют 20–35%.
Дело в том, как факты представлены в обучающих данных. Есть основные факты: «Яндекс - поисковая система», «Битрикс24 - российская CRM-система». Такие утверждения повторяются в миллионах документов, и связи между токенами в модели закреплены намертво.
И есть «хвостатые факты» (long-tail knowledge): сведения, которые встречаются на паре сайтов, в PDF-документации или узконаправленном пресс-релизе. Модель кодирует их более чем на 90%, но воспроизводит на 20–35 пунктов хуже, чем популярные.
Для российского рынка это означает, что Алиса, GigaChat, YandexGPT и ChatGPT знают о многих компаниях больше, чем показывают. При вопросе по категории они называют эти компании реже, чем те того заслуживают. И чем уже ниша, тем сильнее недобор.
Молчание - это не самый плохой вариант. Если модель не может найти нужное знание, она не отвечает «не знаю». Она заполняет пробелы статистически вероятными токенами, и на выходе получается:
ваши функции, приписанные конкуренту;
выдуманные цены или характеристики;
искаженная история компании;
«средний по рынку» игрок вместо вас.
В сфере B2B это прямые деньги. В нишах, где ассистентов уже используют для подбора ПО, выбора подрядчиков и сравнения решений, неверный ответ модели отсеивает вас еще до первого контакта с клиентом.
Наша система сама подберет вам исполнителей на услуги, связанные с разработкой сайта или приложения, поисковой оптимизацией, контекстной рекламой, маркетингом, SMM и PR.
Заполнить заявку
13768 тендеров
проведено за восемь лет работы нашего сайта.
Современные модели (GPT, Claude, Gemini и другие) перед ответом проходят несколько этапов внутреннего рассуждения, а не просто подбирают следующее слово. Это меняет картину, но с оговоркой:
Факт есть в весах. Цепочка рассуждений выдает его в 40–65 % случаев: двигаясь по связям, модель натыкается на «забытую» компанию.
Факта в обучающих данных не было. Рассуждения не помогают, вероятность угадать остается на уровне 5–15 %.
Отсюда практическое следствие. На подробный запрос вроде «Подбери CRM для завода на 200 сотрудников с интеграцией с 1С и соответствием 152-ФЗ» модель включает фильтрацию по признакам и выдает специализированных игроков. Шансы нишевого бренда попасть в такой ответ возрастают в разы.
Проблема в том, что большинство пользователей так не пишут. Типичный запрос к нейросети состоит из трех слов, и в нем срабатывает только самая сильная связь.
Начните с диагностики. Задайте Алисе, GigaChat, ChatGPT и Яндекс.GPT три вопроса:
Прямой: «Расскажи о [бренде] в контексте [категории]».
Обратный: «Какие компании лидируют в [категории] на российском рынке?»
По признаку: «Какой инструмент лучше всего подходит для [ключевой функции продукта]?»
Сравните ответы. Если на прямой вопрос модель отвечает уверенно, а на обратный - нет, значит, проблема в воспроизведении, а не в кодировании. Модель вас знает, и работать нужно над связями. Регулярно повторяйте тест, чтобы видеть динамику.
Большинство брендовых текстов построено по схеме «Компания X предоставляет услугу Y». Такая фраза укрепляет связь только в направлении от бренда к категории. Добавьте формулировки, которые ведут в обратном направлении:
«Для решения задач типа Y в российских компаниях чаще всего выбирают X».
«X — один из ключевых инструментов для решения задач типа Y на рынке РФ».
Таким образом, ассоциация закрепляется в обоих направлениях, и модель легче находит вас по запросу, связанному с категорией.
Параметрическая память модели формируется на основе общедоступных текстов, на которых она обучалась. Если ваш бренд упоминается рядом с категорией только на вашем же сайте, это слабый сигнал. Нужны внешние площадки с правильными ассоциациями: Хабр, VC.ru, отраслевые СМИ, агрегаторы с обзорами и рейтингами.
Интеграции, сертификации, отраслевые кейсы относятся к тем самым «хвостатым» фактам, которые хуже кодируются и воспроизводятся. Охват здесь не спасает, работает только повторение. Один кейс на сайте не создает устойчивой ассоциации. Десять упоминаний в разных контекстах и источниках уже начинают ее формировать.
Разметка Schema.org (типы Organization, Product, Service) превращает сведения о компании в машиночитаемые факты. ИИ-краулеры активно читают файл robots.txt и структурированные данные, поэтому корректная разметка становится дополнительным каналом, по которому факты о бренде попадают в контекст ответа.
Прогнать прямой, обратный и признаковый запросы в нескольких ИИ-ассистентах.
Определить при каком типе запроса бренд пропадает.
Добавить в ключевые тексты формулировки «категория → бренд».
Получить упоминания в контексте категории на внешних площадках.
Повторить нишевые факты (интеграции, сертификаты, кейсы) как минимум в нескольких форматах.
Внедрить разметку Organization, Product, Service.
Запланировать повторное тестирование.
Нейросети знают о брендах больше, чем принято думать. Узкое место не в хранении знаний, а в доступе к ним, и сильнее всего это сказывается на вопросах типа «что выбрать для...», то есть именно на тех, которые задает клиент перед покупкой. Просто быть в интернете уже недостаточно: нужны правильные ассоциации, направленные в обе стороны, в тех текстах, на которых обучаются модели и из которых они собирают ответы.
Команда ipos.digital занимается GEO-продвижением: адаптирует сайты под нейровыдачу, выстраивает присутствие бренда во внешних источниках и проверяет, как компанию видят ChatGPT, Алиса и GigaChat. Если хотите узнать, на каких типах запросов нейросети теряют именно вас, оставьте заявку на консультацию в нашем профиле на Workspace.
