Языковое поле видимости: почему один и тот же бренд живёт в разных конкурентных мирах

Статья «Язык и география видимости» разбирает механизмы, через которые язык влияет на видимость. Здесь мы смотрим с другой стороны — от данных к выводу: что именно происходит с конкретным брендом и его конкурентами при переключении языка.

Мы выбрали Notion — глобально узнаваемый продукт для продуктивности. Намеренно: нам нужен был бренд, который модель точно знает, чтобы исключить объяснение «просто мало данных». Пять прогонов, пять языков, одна модель, один корпус сценариев.

Оценка самого Notion колебалась умеренно: от 62.9 на французском до 75.7 на немецком, разброс 12.8 балла. Доверительные интервалы прогонов частично перекрываются. Если бы мы остановились здесь, вывод был бы спокойным: «небольшие колебания, возможно шум модели».

Но мы посмотрели на конкурентов.

Разброс Notion — 12.8. Разброс Slack — 54.9. Monday.com — 39.5. Asana — 30.4. Это пять разных конкурентных ландшафтов, сведённых в одну таблицу.

Бинарное исчезновение: Slack

На русском языке Slack получает оценку 0.0 — модель вообще не упоминает его в контексте продуктивности и workspace-инструментов. На четырёх остальных языках результат стабильный: 51–55 баллов, разброс всего 3.8 балла. Такая стабильность на четырёх языках при полном нуле на пятом — сильный аргумент в пользу того, что это устойчивое свойство русскоязычного поля, а не случайный выброс.

Объяснение, скорее всего, в обучающих данных: Slack активно обсуждается в англо-, франко- и немецкоязычных источниках как инструмент командной работы. В русскоязычных — практически нет. Модель не утратила знание о Slack; она его в этом контексте никогда не приобретала.

Градиент исчезновения: Monday.com

Monday.com показывает плавный спад от 47.4 на русском до 7.8 на французском. Это третий паттерн, отличный и от стабильности Notion, и от бинарного переключения Slack. Бренд как будто тает по мере перехода между языковыми полями — сохраняя присутствие, но теряя вес.

Инверсия: Microsoft Copilot

Там, где Notion сильнее всего (немецкий — 75.7), Copilot слабее всего (24.8). На французском — обратная картина: Notion 62.9, Copilot 51.1. Два бренда как будто работают на качелях, и язык определяет, кто оказывается выше. По нашим наблюдениям, это может быть связано с активностью Microsoft на европейских франкоязычных рынках — но для уверенного утверждения данных недостаточно.

Независимый анализ наших данных выявил закономерность, которая, пожалуй, важнее самой матрицы конкурентов.

Когда бренд уже назван в промпте (диагностический режим), модель отвечает о нём одинаково устойчиво на всех языках: 73–79 баллов, коэффициент вариации 3.7%. Модель знает Notion одинаково хорошо на русском, французском и немецком.

Расхождения начинаются, когда пользователь ещё не назвал бренд по имени. Средняя позиция в ответе, попадание в тройку лидеров, цитирование домена notion.so — всё это сильно зависит от языка. На русском notion.so цитируется в 24.5% ответов, на немецком — в 21.4%, на французском — в 0%.

Для бренда это неудобный вывод: знание о вас в модели — необходимое, но недостаточное условие. Вопрос в том, попадаете ли вы в шортлист, когда пользователь ещё не произнёс ваше имя. Ответ на этот вопрос зависит от языка.

Мы видим три канала, через которые язык перестраивает конкурентное поле. Все три — гипотезы, подкреплённые данными этих прогонов, но не валидированные экспериментально.

Первый — асимметрия обучающих корпусов. Модель училась на текстах, в которых разные бренды обсуждаются с разной частотой на разных языках. Русскоязычные тексты о продуктивности почти не упоминают Slack; англоязычные — упоминают постоянно.

Второй — разные веб-источники. В web-режиме модель ищет на языке запроса и находит разные обзоры, сравнения, рейтинги — с разным составом брендов. Французский поиск возвращает французские источники, в которых Notion известен, но notion.so не цитируется.

Третий — разные ассоциативные графы категории. На каждом языке модель выстраивает свою карту категории «продуктивность». На русском это Notion, Asana, ClickUp, Monday.com. На французском — Notion, Slack, Microsoft Copilot, ClickUp. Состав игроков различается, и это определяет, кто попадает в рекомендацию.

Для бренда-лидера категории VLF — скорее стратегическая задача, чем кризис. Ваш собственный score колеблется умеренно, но конкуренты, с которыми вы боретесь на одном языке, могут оказаться другими на другом. Стратегия, выстроенная вокруг одного набора конкурентов, рискует оказаться нерелевантной на соседнем языковом рынке.

Для бренда, который не является доминантом, ситуация жёстче. Monday.com теряет 40 баллов при переходе с русского на французский. Slack исчезает на русском полностью. Если ваш бренд занимает второе-третье место, VLF — это прямой бизнес-риск: видимость, заработанная на одном языке, не переносится на другой автоматически.

Практическая рекомендация проста: запускать отдельное исследование на каждом языке целевого рынка. Сравнивать не только свой score, но и состав конкурентного поля. Стратегия роста видимости должна учитывать конкретных конкурентов, которые существуют на каждом языке, — потому что на разных языках это могут быть разные компании.

Данные получены на основе пяти прогонов одного бренда (Notion) на модели GPT-5.4. Все прогоны использовали стандартный корпус AI100 из 200 сценариев. Два прогона (RU и FR) выполнены 2 апреля, три (EN, DE, ES) — 3 апреля 2026 года. Различия между днями (day effect) не отделены от языкового эффекта.

Доверительные интервалы итоговых score частично перекрываются. Cochran Q-тест оценивает вероятность того, что весь разброс объясняется шумом модели, в 4–8% — на границе статистической значимости. Однако структурные паттерны — стабильность Slack на четырёх языках при нуле на пятом, градиент Monday.com, инверсия Copilot — стохастикой объясняются плохо.

Главное ограничение: один бренд, одна модель, одна категория, по одному прогону на язык. Для полноценной валидации нужны повторные прогоны (минимум 5 на язык) и тесты на других брендах и моделях. Мы называем это наблюдение VLF и считаем его достаточно обоснованным для публикации, но недостаточно валидированным для окончательных выводов.