Разрыв консенсуса: как reasoning-модели меняют AI-поиск
Рынок AI-поиска оказался гораздо более фрагментированным, чем принято считать в индустрии. Команды маркетологов часто опираются на усредненные показатели видимости, известные как AEO (AI Engine Optimization), полагая, что если сайт попал в выдачу одной популярной нейросети, он с высокой вероятностью появится и в других. Однако масштабный анализ миллионов цитирований показывает, что поисковые движки формируют свою выдачу совершенно по-разному, а переход к моделям с рассуждением ломает все старые правила.
Иллюзия единого поисковика
По данным глубокого исследования Semrush, лишь 2% цитируемых ссылок одновременно попадают в ответы ChatGPT, Perplexity и Google AI Overviews для одного и того же промпта. В абсолютном большинстве случаев (91%) ссылка появляется только в одном конкретном поисковике.
Даже для коммерческих запросов с очень узким набором правильных ответов, например, при поиске лучшей CRM-системы, разброс источников остается критическим. Поисковые движки опираются не на единый консенсус доверия, а на собственную внутреннюю логику извлечения данных, отдавая предпочтение совершенно разным форматам и сайтам.
Усредненная метрика AEO надежно скрывает эту фрагментацию. Бренд может выглядеть крайне успешным в сводном отчете, но при этом полностью отсутствовать в двух из трех главных AI-поисковиков. Поэтому специалистам важно жестко разделять видимость (присутствие в одной конкретной системе) и переносимость (устойчивое присутствие во всех системах). При этом обучающие руководства и подробные гайды «переносятся» между поисковиками в два раза лучше, чем классические главные страницы брендов.
Влияние режима рассуждения (reasoning)
Ситуация усложняется в несколько раз, когда нейросеть начинает использовать глубокое рассуждение. При включении этого режима, например в архитектуре ChatGPT 5.2, модель обращается к совершенно другому сегменту интернета.
Совпадение доменов между стандартным режимом быстрых ответов и режимом глубокого рассуждения составляет всего около 25%. Модель с включенным рассуждением делает в 4,6 раза больше внутренних поисковых запросов и гораздо чаще цитирует внешние источники (68% против 50%).
При глубоком анализе нейросеть запускает настоящее мини-расследование. Например, запрос на сравнение Salesforce и HubSpot для отдела из 50 человек в режиме рассуждения разбивается на десятки отдельных узких подзапросов. Модель отдельно ищет лимиты API, соответствие стандартам безопасности SOC 2, поддержку SCIM-авторизации, архитектуру вебхуков и корпоративные тарифы. В итоге в выдачу попадает не тот бренд, у которого лучше оптимизирована главная страница, а тот, чья техническая документация дает четкие ответы на каждый из этих узких вопросов.
Почему контент верхней части воронки снова важен
Режим рассуждения меняет и само поведение брендов внутри единой диалоговой сессии. Если в стандартном режиме бренд, упомянутый в самом начале разговора, почти никогда не доходит до финальной рекомендации, то при глубоком рассуждении нейросеть формирует более устойчивую картину мира.
Бренды, которые нейросеть находит на этапе осознания проблемы (Problem stage), часто остаются в активном контексте до момента принятия окончательного решения о покупке (Selection stage). Это полностью возвращает ценность информационному контенту верхней части воронки (TOFU — Top of Funnel). Теперь публикация общих гайдов — это не просто узнаваемость бренда, а прямая гарантия того, что модель закрепит этот бренд в своем внутреннем контексте и с высокой вероятностью донесет его до финала исследования.
Чтобы адекватно оценивать свое присутствие в AI-поиске, командам необходимо сегментировать трекинг видимости по режимам работы моделей. Бренд, побеждающий в быстрых ответах, — это почти никогда не тот же самый бренд, который нейросеть выберет при глубоком пошаговом анализе сложной задачи.