«Пузырь ответов»: почему один и тот же бренд выглядит по-разному в ChatGPT, Google, Copilot и других системах

Маркетолог SaaS-компании решает проверить, как ИИ описывает его продукт. Открывает ChatGPT, вводит «Какой инструмент аналитики подойдёт для среднего интернет-магазина?» — и получает обнадёживающий ответ: бренд назван в тройке, описание близко к реальности, категория правильная. Через пять минут тот же вопрос уходит в Google AI Mode. Картина другая: компания упомянута, но уже пятой, охарактеризована как «корпоративное решение с высоким порогом входа», а в тройку вышли два конкурента, которых маркетолог считал нишевыми. Perplexity выдаёт третью версию: бренд вообще отсутствует, зато появился агрегатор, о котором маркетолог слышит впервые. Один вопрос — три системы — три разных рынка. И ни одна из трёх картин не является «правильной» в абсолютном смысле. Каждая собрана из своих источников, по своим правилам отбора и с собственным представлением о том, что вообще заслуживает упоминания.

Весной 2026 года исследователи в работе Answer Bubbles подтвердили это наблюдение на масштабе: 11 тысяч реальных запросов в нескольких системах показали, что дело не просто в разном качестве ответов — это структурно разные информационные реальности [1]. Одни и те же запросы приводили к разным наборам источников, разной тональности уверенности и разной видимости отдельных типов документов. Причём после подключения поиска системы начинали звучать увереннее, одновременно усиливая собственные источниковые перекосы [1]. Различия здесь — не в нюансах стиля. Это различия в устройстве самого окна, через которое пользователь видит рынок. Впрочем, расхождения не заканчиваются на границах платформ: стоит сменить язык запроса — и тот же бренд в той же системе может выглядеть совсем иначе. Этому языково-географическому измерению посвящён отдельный материал. Впрочем, расхождения не заканчиваются на границах платформ: стоит сменить язык запроса — и тот же бренд в той же системе может выглядеть совсем иначе. Этому языково-географическому измерению посвящён отдельный материал.

Почему так происходит? Первая причина — разные поисковые и извлекающие инфраструктуры. Google прямо объясняет, что AI Overviews и AI Mode используют веерный распад запроса по подтемам и источникам данных — то, что сама компания называет query fan-out, — и могут показывать более широкий набор поддерживающих ссылок, чем классический поиск [2]. Но Google также уточняет, что AI Mode и AI Overviews могут использовать разные модели и техники, а потому набор ответов и ссылок будет различаться даже внутри одной экосистемы [2]. Это важный нюанс. Разница между системами проходит не только по границе «Google против всех остальных», но и внутри каждой платформы между разными режимами ответа.

Вторая причина — различие параметрической памяти моделей, то есть того знания, которое было усвоено до конкретного запроса. Работа Navigating the Shift подчеркивает, что расхождение между традиционным поиском и генеративными ответами обусловлено не только текущим веб-извлечением, но и предварительным обучением модели, которое продолжает формировать логику отбора и интерпретации источников [3]. Для бренда это означает неприятную, но трезвящую вещь: его присутствие в интернете еще не гарантирует, что все системы прочитают это присутствие одинаково. Одна система сильнее опирается на живой поиск и свежие документы, другая — на заранее усвоенные закономерности категории, третья — на смесь того и другого.

Третья причина — разные источниковые предпочтения. Answer Bubbles показывает, что в генеративных сводках непропорционально часто оказываются Wikipedia и более длинные тексты, а социальные и негативно окрашенные источники, напротив, оказываются недопредставлены [1]. Работа The Rise of AI Search добавляет к этой картине еще один слой: ИИ-поиск в среднем выводит на поверхность меньше «длинного хвоста» веба, чаще ссылается на крупнейшие сайты и в целом предоставляет меньшую вариативность ответов, чем классический поиск [4]. Для рынка это означает, что разные системы не просто находят разные документы. Они по-разному решают вопрос о том, какой тип источника вообще достоин стать частью публичной версии реальности.

Четвертая причина — разные интерфейсные и политические решения. В уже упомянутой работе The Rise of AI Search авторы показывают, что само появление ИИ-ответа зависит от типа запроса: вопросы получают ответные сводки гораздо чаще, чем навигационные формулировки [4]. Это кажется мелочью, но для бренда последствия огромны. Компания может быть хорошо заметна в режиме прямого запроса по имени и почти исчезать в режиме вопроса о категории, где решение принимается раньше и без явного намерения посетить сайт бренда. На практике это означает, что разные системы не только по-разному отвечают на вопрос, но и по-разному решают, заслуживает ли сам вопрос генеративного ответа.

Пятая причина — различие в критериях доверия к источнику. В Search Arena видно, что пользователи чаще предпочитают ответы с большим числом цитат, а тип цитируемых источников также влияет на предпочтение [5]. В SourceBench подчеркивается, что качество источников напрямую определяет надежность ответа [6]. Но вопрос о том, какие именно источники считать качественными, каждая система решает по-своему. Для одной важнее крупные справочные узлы, для другой — технологические и общественные площадки, для третьей — официальные документы или коммерческие каталоги. Поэтому бренд может выигрывать в одной среде за счет сильной документации и проигрывать в другой, где решающим оказывается слой независимых обзоров.

Практический эффект этих различий хорошо заметен на примерах из повседневной работы. Допустим, компания продает сложный сервис аналитики для электронной торговли. В одном ответном интерфейсе она может быть представлена как «решение для средних и крупных магазинов» — потому что система оперлась на официальный сайт, отраслевой обзор и несколько длинных сравнительных статей. В другом интерфейсе тот же бренд будет выглядеть как «дорогой корпоративный продукт» — потому что модель притянула набор внешних публикаций о крупных внедрениях и проигнорировала сегмент малого бизнеса. В третьем ответе он вообще исчезнет, уступив место более простым сервисам, если пользовательский вопрос был сформулирован как «чем быстро начать без долгого внедрения». И во всех трех случаях речь будет идти не о лжи в строгом смысле слова, а о разных режимах селекции, акцентировки и обобщения.

Из этого следует очень важный методологический вывод: одиночный снимок видимости почти бесполезен. Если бренд проверил себя один раз, в одной системе, одним запросом и на одном языке, он не измерил рынок — он измерил случай. Чтобы понять реальное положение дел, нужно оценивать не только средний результат, но и разброс. Сколько различных версий бренда возникает в разных системах? Насколько стабильно повторяются ключевые свойства? Как меняется круг цитат при смене формулировки? Появляется ли бренд в ответах о категории без прямого упоминания его имени? Вот вопросы, которые действительно показывают положение компании в ответной среде.

Для будущей базы ai100 здесь напрашивается почти естественная схема наблюдения. По каждому исследуемому запросу стоит сохранять не только факт ответа, но и систему, режим ответа, дату, язык, тип намерения, набор цитат, преобладающий тон, место бренда в композиции ответа и число альтернатив, которые были автоматически подмешаны к сравнению. Тогда «пузырь ответов» станет не метафорой, а измеримой величиной: можно будет видеть, насколько бренд устойчив к смене посредника и где именно начинается расхождение.

Есть и более глубокий деловой вывод. Если разные системы строят разные версии бренда, то стратегическая задача компании — не добиться абсолютного единообразия, что в принципе недостижимо, а уменьшить хаотический разброс и увеличить долю желательных интерпретаций. Это достигается не магическими приемами «оптимизации под ИИ», а дисциплиной знания: согласованными формулировками на собственных ресурсах, сильными внешними подтверждениями, понятным машиночитаемым слоем данных, точной категоризацией продукта и вниманием к тем типам вопросов, где бренд сегодня исчезает.

В известном смысле «пузырь ответов» — это новая форма рыночной фрагментации. Раньше компании боролись за место в выдаче. Теперь они борются еще и за устойчивость своей сущности при переходе от одной ответной машины к другой. Поэтому зрелый бренд в 2026 году должен спрашивать не просто «что о нас говорит ИИ?», а «какие версии нас существуют в разных ответных мирах — и какая из них побеждает чаще остальных?» Только после такого вопроса начинается по-настоящему современная работа с видимостью.