Что делать, если нейросеть рассказывает о вашем бренде неправду

Почему видимость в AI-ответах ещё не гарантирует точность

Когда человек задаёт вопрос нейросети о лекарстве, он ждёт достоверной информации. Но AI-системы могут смешивать данные из разных контекстов: одни отвечают на основе параметров модели, другие подтягивают веб-поиск или RAG. Если источники противоречат друг другу, в ответе возникает путаница. Именно такой риск исследовали в ходе аудита для крупного фармацевтического бренда. За десятилетия вокруг него сформировался большой информационный контур: актуальные инструкции соседствуют с исследованиями прошлых лет, образовательными материалами и внешними публикациями, где сведения тоже расходятся. Главная задача состояла в том, чтобы проверить, насколько хорошо AI-системы разделяют эти данные и какие факты воспроизводят.

Сайт клиента давно присутствовал в поиске, публиковал инструкции, материалы о применении и научные работы, а сам бренд уже появлялся в ответах нейросетей. Однако одного показателя видимости недостаточно: система может «узнать» бренд, но неправильно назвать состав, форму выпуска или показания. Это и требовало более глубокого исследования. AI-аудит помогает определить, какие сведения о бренде воспроизводят нейросети, откуда они получают информацию и где возникают расхождения.

Как устроена диагностика: сценарии, системы, замеры

Для проверки составили промпт-сет из 60 вопросов, которые пользователь мог бы задать AI-системе о бренде и его препаратах. В него вошли прямые запросы по бренду, вопросы об отдельных продуктах и формах выпуска, сравнение вариантов, уточнение состава и общие вопросы по тематике заболевания. Такой набор охватывает ключевые пользовательские сценарии. Для повторного замера сохраняются одинаковые формулировки вопросов, AI-системы и условия запуска, поэтому результаты можно сопоставлять между собой и видеть изменения после доработок. Шестидесяти сценариев достаточно для контрольного среза, потому что они покрывают основные типы запросов, а не случайные вопросы.

По каждому запросу фиксировали, появляется ли бренд в ответе, как система его описывает, разделяет ли продукты и формы выпуска, какие ссылки показывает. Диагностика состояла из трёх частей. Сначала проверили ответы по подготовленному промпту в двух AI-системах. Perplexity показывает ссылки и цитаты, сопровождающие ответ, поэтому можно было отдельно проверить, подтверждают ли указанные страницы конкретные утверждения. С помощью ChatGPT изучали, какие знания о бренде воспроизводятся в диалоговых сценариях. Затем изучили AI-срезы Keys.so, сервиса, который собирает данные из реальной поисковой выдачи. Они показывают, какие ответы на пользовательские запросы формируют Алиса и Google AI Mode, упоминается ли в них бренд и какие ссылки выводятся рядом с ответом. Благодаря этому стало видно, как бренд представлен в ответах, которые люди получают при поиске в Яндексе и Google.

Этот срез дополняет контрольный аудит. В собственном сервисе задают AI-системам один и тот же список вопросов и подробно проверяют каждый ответ. Keys.so показывает более широкую картину: по каким запросам бренд появляется в AI-поиске, какие ответы там фиксируются и какие источники их сопровождают. Это важно, потому что Алиса и Google AI Mode встроены в привычный поиск: пользователь может увидеть AI-ответ прямо на странице результатов.

Что показали замеры и почему цифры требуют осторожности

В повторных контролируемых замерах по одному промпт-сету бренд появился в 53% сценариев в июле и в 50% в августе. Два близких по времени измерения не позволяют говорить об устойчивой динамике: ответы AI-систем зависят от формулировки запроса, доступных источников и изменений самих моделей. Поэтому эти цифры нужны прежде всего как исходная точка для дальнейших контрольных замеров. Это означало, что потенциальный пользователь уже мог встретить бренд в AI-ответе. Поэтому самостоятельным предметом проверки стало не наличие сведений, а их качество.

Что это значит для малого бизнеса, каналов и медиа

Подход применим не только к фарме. Любой бизнес, который продвигает товары или услуги, может столкнуться с тем, что нейросеть назовёт неверную цену, устаревшие условия или перепутает характеристики. Для владельцев Telegram-каналов и медиа риск тоже реален: AI-системы могут ссылаться на устаревшие публикации или приписывать автору чужие слова. Регулярный аудит помогает увидеть, какие именно формулировки попадают в ответы, и скорректировать контент на сайте и в открытых источниках. Главное, не ограничиваться разовой проверкой, а настроить повторяемые замеры по одному и тому же списку вопросов. Тогда изменения можно отслеживать, а не гадать, почему пользователи приходят с неверными ожиданиями.