За последние пару месяцев мне трижды присылали коммерческое предложение с обещанием «вывести бренд в топ ответов ChatGPT». Один раз — с конкретной цифрой: позиция № 1 всего за 30 дней. Такие обещания я проверяю руками: беру API OpenAI, ставлю temperature = 0 и фиксированный seed, отправляю один и тот же промпт дважды подряд — и получаю разный текст. Я работаю с AI‑видимостью брендов и знаю механику генерации ответа изнутри, поэтому дальше разберу, почему гарантия здесь физически невыполнима и что можно измерить и продавать вместо неё.
Почему вопрос гарантии вообще возникает
SEO приучило рынок к языку позиций: место № 1, топ-3, всё прописано в договоре. Клиент переносит эту историю на видимость в AI‑поиске, а агентство, которое не разбирается в архитектуре LLM, охотно переносит и это обещание.
Место в выдаче Google — вещь устойчивая: одна и та же страница почти всегда оказывается примерно на одной позиции по одному запросу. Ответ ChatGPT или Perplexity — это заново сочинённый текст, никакой готовой строчки из списка за ним не стоит. У такого ответа нет никакой позиции в списке: модель не достаёт бренд из готового рейтинга, а каждый раз прикидывает, какое слово написать следующим. Обещать в такой системе конкретный результат — значит либо не понимать, как она устроена, либо рассчитывать, что клиент в этом не разберётся.
Почему один и тот же вопрос даёт модели разные ответы
Модель не хранит готовых ответов, а собирает ответ слово за словом. На каждом шаге прикидывает, какое слово вероятнее идёт следующим, и выбирает из нескольких подходящих. У этого выбора есть настройка, насколько модели позволено вольничать: чем она выше, тем охотнее модель берёт не самое очевидное слово, а одно из соседних. Отсюда и разные формулировки, и разный набор упомянутых брендов на один и тот же вопрос в разное время.
Казалось бы, лечится просто → запретить модели вольничать и всегда брать самое вероятное слово — тогда ответ обязан повторяться. На практике не повторяется. Это признаёт даже сам OpenAI: у них есть настройка, которая должна делать ответы повторяемыми, но в документации описание очень осторожное — обещает не одинаковый ответ, а лишь почти одинаковый.
Причина в том, как эти модели работают на серверах. Чтобы дорогое оборудование не простаивало, запросы разных пользователей считают не по одному, а сразу пачками. А компьютер складывает дробные числа чуть по‑разному в зависимости от того, в какую пачку попал ваш запрос и кто оказался рядом. Разница микроскопическая, но на длинном ответе её хватает, чтобы одно слово выбралось иначе — и дальше ответ уходит по другой ветке.
Добавьте к этому устройство современных моделей. Внутри они собраны из нескольких моделей поменьше, и каждое слово по пути направляется к одной из них — смотря чем сейчас загружены соседние запросы. Ещё один рычаг, до которого бренду не дотянуться.
Это не догадки. Ещё в 2023 году инженер под ником 152334H разобрал этот эффект на GPT-4, а более поздний технический разбор от Thinking Machines Lab подтверждает то же самое: стабильный, повторяемый ответ на реальных рабочих серверах — не данность, а отдельная инженерная задача, которую большинство публичных сервисов не решает.
Что это значит для бренда: даже при идеальном контенте предсказать конкретный ответ конкретному человеку в конкретную минуту нельзя. Влиять можно на то, как часто модель называет бренд в среднем, — но не на отдельный ответ.
Ответ собирается из двух источников, и оба меняются сами
Ответ современного ИИ‑поиска — у ChatGPT с доступом в интернет, Perplexity, Алисы AI — берётся не из одного места, а из двух сразу. И оба меняются сами по себе, без участия бренда.
Первый источник — то, что модель запомнила во время обучения. Её обучали на огромном массиве текстов, но что именно туда вошло, компании не раскрывают, а обновляют этот багаж редко — раз в несколько месяцев. Повлиять на него снаружи невозможно.
Второй источник — живой поиск по интернету прямо в момент ответа. Прежде чем ответить, система сама ищет по вашему запросу, берёт несколько страниц и передаёт их модели прямо перед ответом — чтобы та отвечала не по памяти, а по свежим данным. Этот поиск не стоит на месте: список страниц пересобирается под каждый запрос заново, а правила отбора у каждой платформы свои и нигде не опубликованы.
Напрямую бренд не управляет ни памятью модели, ни этим поиском. В его руках только одно — что оба источника видят на входе: сколько понятного, хорошо устроенного контента о бренде есть в интернете. Это влияет на шансы попасть в ответ, но не даёт рычага, который гарантировал бы конкретный результат.
Что тогда измеримо: Share of Model и вероятностный подъём
Раз конкретный ответ не гарантируется, видимость надо мерить вероятностью упоминания на выборке запросов — эта метрика называется Share of Model. Бинарное попал или не попал здесь не работает: один и тот же промпт в двух прогонах даёт разный ответ.
Share of Model — доля контрольных промптов, на которых модель называет бренд без прямой подсказки в вопросе. Собирается контрольная выборка из 15–20 реальных формулировок из ниши по типу задачи (например, «какой сервис выбрать для X»); брендовые запросы в неё не берут, они сами подсказывают ответ. Выборка прогоняется через нужные платформы, фиксируется процент ответов, где бренд появился. Через 4–8 недель после доработки контента прогон повторяется на тех же формулировках — дельта Share of Model и есть то честное число, которое можно предъявить клиенту.
Насколько эта вероятность реально сдвигается от осмысленной оптимизации, за вычетом случайного разброса, посчитано в работе “GEO: Generative Engine Optimization” (Aggarwal et al., Princeton, Georgia Tech, IIT Delhi, Allen Institute for AI, 2024): на контролируемом наборе запросов правильно оптимизированный контент повышал частоту цитирования на 30–115% в зависимости от тактики — добавление цитируемых источников, статистики, структуры под прямой ответ. Это сдвиг распределения на большой выборке, не гарантия по конкретному промпту; методологически исследование само построено вокруг метрики Share of Model‑типа; позицию оно вообще не измеряет.
Ещё одно, что я проверял на клиентских проектах: первое место в обычной выдаче Google не гарантирует, что ChatGPT процитирует эту страницу. Google и ИИ‑поисковики отбирают страницы по разным правилам — Perplexity и ChatGPT ищут источники по‑своему и не обязаны повторять ранжирование Google. Бывает, страница первая в поиске, но в ответ ИИ не попадает ни разу; бывает и наоборот.
Как отличить честного подрядчика от продавца гарантий — ред флаги
обещание конкретной позиции или гарантированного попадания в ответ: «топ-1 в ChatGPT», “выведем в ответы за 30 дней”;
договор без замера до и после — без контрольной выборки промптов и baseline любая цифра после работ ничем не подтверждена;
нет объяснения механики — если подрядчик не может простыми словами объяснить, чем память модели отличается от живого поиска по интернету, он либо тащит SEO‑язык без перевода, либо сам не понимает продукт;
единый процент прироста сразу по всем платформам — у ChatGPT, Perplexity и Алисы AI поиск источников устроен по‑разному, одну и ту же цифру на все три технически не обосновать.
Честная формулировка звучит иначе: «зафиксируем текущий Share of Model на контрольной выборке из 15–20 промптов, обновим контент по конкретным факторам цитируемости, через 6–8 недель покажем дельту на тех же формулировках». Звучит значительно проще гарантии, зато проверяется постфактум.
Гарантий в ответах ИИ не бывает — так устроены сами модели, и честный подрядчик это признаёт. Что бывает — воспроизводимый замер: сколько раз вас называют сейчас и насколько это выросло после работы над контентом. Спрашивайте цифру, а не обещание позиции, которую никто не контролирует.
Если остались вопросы по тому, как модель выбирает слова или ищет источники, — задавайте в комментариях, разберу на конкретном примере.