Почему AI-системы «знают» одни бренды и игнорируют другие
Когда пользователь спрашивает у ChatGPT или Perplexity «какой сервис автоматизации email-рассылок выбрать», ответ формируется не на основе рекламного бюджета компании и не по алгоритму PageRank. Языковые модели генерируют ответ, опираясь на паттерны из обучающих данных: книги, форумы, энциклопедии и — в значительной мере — публикации в онлайн-СМИ.
Если о вашей компании писали «Коммерсантъ», vc.ru, Habr, отраслевые издания и авторитетные блоги, модель «видела» эти тексты во время обучения. Если о вас не писал никто, кроме собственного сайта, — вы для модели практически не существуете. Именно здесь GEO-продвижение пересекается с классическим PR: медиаприсутствие становится не репутационным бонусом, а техническим условием попадания в AI-ответы.
Как LLM обрабатывают упоминания в СМИ
Понять механику помогает базовое представление о том, как обучаются большие языковые модели. Во время предобучения модель «читает» огромный корпус текстов и запоминает статистические связи между словами, понятиями и сущностями. Чем чаще некая сущность — компания, продукт, персона — встречается в разных контекстах и источниках, тем выше её «вес» в параметрах модели.
Это означает несколько практических следствий для медиаприсутствия в LLM:
- Авторитет источника имеет значение. Упоминание в издании с высоким доменным авторитетом и широкой аудиторией вносит больший вклад, чем публикация на малоизвестном сайте. Логика схожа с SEO-ссылочным профилем, но применяется к обучающим данным.
- Контекст упоминания важен. Если о компании пишут в разделе «лучшие CRM для малого бизнеса», модель связывает бренд именно с этой нишей. Упоминания без конкретной категории менее полезны.
- Частота и разнообразие источников. Одна статья в топовом издании хуже, чем десять материалов в разных авторитетных источниках: это формирует более устойчивую «сущность» в пространстве представлений модели.
- Актуальность данных. Модели периодически дообучаются или используют RAG-компоненты (retrieval-augmented generation) с доступом к актуальному вебу. Свежие упоминания влияют на результат в системах с поиском в реальном времени — Perplexity, Bing Copilot, Google AI Overviews.
Цифровой PR для GEO: что это такое на практике
Цифровой PR для GEO — это системная работа по формированию медиаприсутствия бренда в источниках, которые попадают в обучающие корпусы и индексы AI-систем с поиском. Он принципиально отличается от классического PR несколькими вещами.
Во-первых, целевая метрика — не охват аудитории публикации и не тональность упоминаний в медиа, а частота и качество появления бренда в ответах AI-ассистентов на релевантные запросы. Во-вторых, контент публикаций оптимизируется под то, как формулируют вопросы пользователи AI, а не под поисковые запросы в традиционном понимании. В-третьих, приоритет отдаётся источникам, которые AI-системы используют как доверенные: Википедия, крупные отраслевые порталы, агрегаторы отзывов, авторитетные новостные издания.
PR и GEO-продвижение объединяет общая логика: доверие, которое пользователь испытывает к AI-ответу, транслируется на бренды, которые в этом ответе упоминаются. Попасть туда — значит получить рекомендацию с авторитетом самой AI-системы.
Какие форматы публикаций работают лучше всего
Не все упоминания в СМИ одинаково полезны для AI-выдачи. На основе наблюдений за тем, как разные типы контента попадают в ответы LLM, можно выделить наиболее эффективные форматы:
- Экспертные колонки и комментарии. Материалы, где представитель компании выступает экспертом в теме, формируют устойчивую связь «бренд — экспертиза в категории». Особенно ценны колонки в изданиях типа Forbes, РБК, «Ведомости», vc.ru.
- Обзорные статьи и рейтинги. Попадание в материалы формата «лучшие инструменты для X» или «топ-10 сервисов Y» — прямой аналог целевого запроса пользователя AI. Модели часто воспроизводят логику таких списков.
- Кейсы и истории успеха. Детальные публикации с конкретными результатами формируют богатый контекст вокруг бренда, что улучшает качество упоминаний в AI-ответах.
- Новостные поводы с фактурой. Запуск продукта, партнёрство, инвестиционный раунд — такие материалы распространяются по агрегаторам и создают множественные упоминания одного события.
- Упоминания в Википедии. Если компания достаточно значима для статьи или упоминания в существующих статьях Википедии — это один из наиболее весомых сигналов для LLM.
Распространённые ошибки в цифровом PR для GEO
Компании, которые начинают работу с медиаприсутствием ради AI-выдачи, нередко повторяют одни и те же ошибки.
Концентрация на одном издании. Даже очень авторитетный источник не заменяет разнообразие. Модель «видит» бренд как более реальный и значимый, когда о нём пишут независимо друг от друга разные авторы и издания.
Публикации без категориальной привязки. Упоминание компании в материале об экологии ничего не даст, если вы SaaS-сервис для бухгалтеров. Каждая публикация должна содержать чёткий контекст: что делает компания, для кого, в какой нише.
Игнорирование нишевых отраслевых изданий. AI-системы используют специализированные источники для ответов на профессиональные запросы. Публикация в узкоотраслевом медиа может быть ценнее для GEO, чем материал в массовом издании.
Отсутствие структурированных данных на сайте. PR-усилия работают лучше, когда на сайте компании правильно размечены schema.org-сущности: Organization, Product, Person. Это помогает AI-системам корректно атрибутировать упоминания из СМИ конкретной компании.
Разовые кампании вместо системной работы. Один пресс-релиз раз в квартал не создаёт устойчивого медиаприсутствия. Нужен редакционный календарь с регулярными поводами для публикаций.
Как измерять эффективность PR в контексте GEO
Традиционные PR-метрики — охват, AVE, тональность — недостаточны для оценки влияния на AI-выдачу. Нужны дополнительные инструменты и подходы.
Базовый метод — регулярный мониторинг упоминаний бренда в ответах AI-систем. Составьте список из 20–30 запросов, по которым ваша компания теоретически должна появляться в ответах ChatGPT, Perplexity, Claude, Gemini. Фиксируйте результаты раз в месяц и отслеживайте динамику по мере накопления публикаций.
Дополнительно полезно отслеживать: количество уникальных доменов с упоминаниями компании, появление в агрегаторах и рейтингах, наличие или отсутствие карточки компании в Knowledge Graph Google.
Если вы хотите системно оценить текущее состояние присутствия бренда в AI-ответах и медиапространстве, начать стоит с аудита: он покажет, как модели сейчас «видят» вашу компанию и какие точки роста существуют.
С чего начать: приоритеты на первые три месяца
Для большинства компаний разумная последовательность действий выглядит так:
- Провести аудит текущего медиаприсутствия: сколько уникальных авторитетных источников упоминают компанию, в каком контексте, насколько часто.
- Проверить упоминаемость в 5–7 ключевых AI-системах по целевым запросам — зафиксировать базовый уровень.
- Настроить schema.org-разметку на сайте и создать или обновить карточку компании в Google Business Profile и отраслевых агрегаторах.
- Определить 3–5 тематических кластеров, по которым компания хочет ассоциироваться в AI-ответах, и разработать под них контент-план для СМИ.
- Начать систематическую работу с журналистами и редакциями: экспертные комментарии, колонки, участие в обзорных материалах.
- Через 60–90 дней повторить замер присутствия в AI-выдаче и скорректировать приоритеты.
Важно понимать: результат не будет мгновенным. Обучающие данные LLM обновляются с задержкой, а для формирования устойчивых ассоциаций в модели нужно накопленное медиаприсутствие. Но компании, которые начинают эту работу сейчас, получат значимое преимущество по мере роста доли AI-ответов в потребительском поиске.
Частые вопросы
Влияют ли платные публикации в СМИ на AI-выдачу так же, как редакционные?
С точки зрения обучающих данных модель не различает редакционный и рекламный контент — важно, чтобы текст был проиндексирован и содержал нужный контекст. Однако редакционные упоминания, как правило, появляются в более авторитетных разделах издания и чаще цитируются другими источниками.
Сколько публикаций нужно, чтобы бренд начал появляться в AI-ответах?
Универсального числа нет: всё зависит от конкурентности ниши и авторитета источников. В узких B2B-категориях достаточно 10–15 качественных публикаций в авторитетных отраслевых изданиях. В высококонкурентных сегментах потребуется системная работа на протяжении 6–12 месяцев.
Работает ли цифровой PR для GEO для небольших региональных компаний?
Да, особенно если компания целится на региональные запросы. Публикации в авторитетных региональных изданиях, упоминания в местных рейтингах и отраслевых порталах формируют медиаприсутствие, которое AI-системы учитывают при ответах на геозависимые запросы.