Представьте типичную ситуацию в секторе B2B или дорогих услуг. Потенциальный заказчик уже провел переговоры, получил на руки подробное коммерческое предложение и находится буквально в шаге от подписания контракта на миллионы рублей. Но перед финальным звонком он открывает поисковик или активирует умного голосового ассистента с простым вопросом: «Какая репутация у компании X?». То, что ответит нейросеть в следующую секунду, способно либо зацементировать доверие, либо навсегда похоронить сделку.
Основатель агентства RUPR Agency Александр Краснобаев решил проверить, как генеративный помощник Яндекса формирует репутационные сводки для реального бизнеса. Он провел полевое исследование ответов Алисы по 32 сервисным компаниям из четырех крупных городов — Москвы, Санкт-Петербурга, Екатеринбурга и Казани. В выборку вошли игроки из высококонкурентных ниш: капитальный ремонт квартир, доставка сборных грузов из Китая и аутсорсинг бухгалтерского учета.
Эксперимент на 32 фирмах: что на самом деле цитирует робот
Результаты аудита преподнесли бизнесу неприятный сюрприз. Алиса сгенерировала подробный репутационный вердикт для 22 компаний из 32 (в сфере ремонта квартир алгоритм в 8 случаях из 10 предпочел промолчать, выдав ссылки на каталоги).
Однако главное кроется в источниках данных, на которые опирался искусственный интеллект:
- Карты и геосервисы (Яндекс Карты, 2ГИС) вошли в базу 19 ответов.
- Собственный сайт компании цитировался в 17 случаях (но всегда с осторожной пометкой «по заявлениям самой компании»).
- Реестры контрагентов и финансовая отчетность появились в 15 ответах.
- Сайты клиентских отзывов («Отзовик», IRecommend) использовались 15 раз.
- Сайты отзывов о работодателях («Правда сотрудников», Dreamjob, hh.ru) попали в 11 ответов из 22 — ровно в половину всех сформированных справок.
- Публикации в авторитетных независимых СМИ и деловых медиа нашлись лишь в одном-единственном ответе из всей выборки.
Вердикты нейросети оказались далеки от идеала: в 10 случаях из 22 ответ открывался словами «смешанная» или «неоднозначная» репутация. В 14 справках робот охотно перечислял претензии по срокам, а в 6 ответах привел судебные споры из арбитражной картотеки.
Генеративный поиск работает по принципам Answer Engine Optimization (AEO): модель собирает разрозненные тексты из открытого интернета и компилирует связный ответ. Если о компании нет авторитетных аналитических статей и публичных кейсов, нейросеть сталкивается с информационным вакуумом. Чтобы заполнить пробел, алгоритм обращается к наиболее эмоциональным и многословным текстам в сети — отзывам обиженных кандидатов и бывших сотрудников.
В результате заказчик, готовый нанять компанию для бухгалтерского сопровождения или логистики груза, читает сводку о задержках премий менеджменту или конфликтах в офисе. Страх «нарваться на проблемы» только усиливается, и клиент уходит к конкурентам.
Карта страхов: пошаговый алгоритм AEO-оптимизации
Чтобы защитить компанию от искажений поискового ИИ, Александр Краснобаев предлагает трехшаговый алгоритм выстраивания правильного цифрового следа:
- Шаг 1. Составление карты клиентских страхов: зафиксируйте 3–5 ключевых фобий клиента его собственными словами. Для ремонта это страх срыва сроков и двойного роста сметы; для логистики — риск повреждения груза на таможне; для бухгалтерии — внезапный штраф от налоговой инспекции.
- Шаг 2. Аудит поискового следа: вбейте в поиск связки «бренд + главный страх» и проверьте, какие материалы находит сеть. Если на первых строчках висят жалобы с сайтов по поиску работы, репутационный щит компании пробит.
- Шаг 3. Заполнение репутационного вакуума: регулярно публикуйте экспертные статьи, разборы реальных инцидентов и кейсы с подтвержденными цифрами на индексируемых площадках (vc.ru, Habr, отраслевые медиа).
В эпоху искусственного интеллекта репутация измеряется не средним баллом на картах, а содержанием одного сводного абзаца в ответе голосового ассистента. Тот бизнес, который берет под контроль контекст для обучения нейросетей, забирает себе самых дорогих клиентов.