Привет, Хабр.

Началось всё с бытовой сцены. Человек пишет ассистенту «где в Москве срочно вылечить зуб, болит с ночи» и получает не лекцию про гигиену и не совет погуглить, а готовый список: три названия, адреса, цены, иногда телефон дежурного врача. Не ссылку на поиск. Список.

Мне стало интересно, откуда этот список берётся. Не в общем смысле «модель обучена на интернете», а конкретно: что попало в контекст, что модель вспомнила сама, почему на один и тот же вопрос девять ассистентов выдают девять разных ответов.

Я взял локальный рынок услуг, где решение принимают быстро, платят дорого и почти всегда начинают с вопроса «куда идти». Стоматология Москвы подошла идеально.

Дальше будет 4941 ответ, 94 клиники и много цифр. Спойлер трёх главных, чтобы вы решили, читать ли целиком:

• В 91,7% ответов названа хотя бы одна конкретная клиника. Ассистент не отправляет искать, он рекомендует.

• Имя бренда приносит в среднем 8,7% упоминаний. Всё остальное приносят страницы сайта. Одна клиника попала в ответы 1694 раза и ни разу не была названа по имени.

• Половина моделей в интернет вообще не заглядывает. ChatGPT ответил без единой ссылки в 28% случаев, Чат с Алисой в 46%. Остальные ссылаются в 93-100% ответов.

Как я считал

Никаких опросов и экспертных оценок. Только реальные ответы моделей.

Я собрал 549 запросов на живом языке, теми словами, которыми человек пишет в чат: «посоветуй стоматологию в Митино», «беременна, разболелся зуб, куда обратиться», «где в Москве ставят импланты за один день». Разбил их на шесть смысловых групп.

Каждый запрос ушёл в девять ассистентов: Google Gemini, Google AI Mode, Perplexity, Поиск с Алисой, ChatGPT, Чат с Алисой AI, Grok, DeepSeek, GigaChat. Ровно по 549 ответов на модель, итого 4941. Выборка сбалансирована специально: разницу между движками задаёт сама модель, а не разное число вопросов.

Инструменты, если кому-то важен метод: ответы я собирал и размечал в brandfound, домены-источники прогонял через Ahrefs.

Domain Rating понадобился вот зачем. Без него список цитируемых сайтов читается плохо: непонятно, где крупный справочник с накопленной ссылочной массой, а где мелкий сайт, попавший в ответ разово. DR даёт грубую, но рабочую шкалу веса площадки.

В ответах я размечал 94 клиники: около 38 тысяч упоминаний, 15 458 ссылок, примерно 2400 доменов-источников. Снимок сделан в июле 2026 года, только Москва, только русский язык.

Одна деталь методики держит весь разбор, поэтому остановлюсь на ней отдельно. Каждое попадание клиники в ответ бывает двух типов:

• упоминание по имени, модель пишет название прямо в тексте;

• упоминание ссылкой, модель даёт ссылку на страницу клиники как источник.

Это принципиально разные события, и я считал их раздельно, не сводя в один балл. Клиника может быть сильна в одном типе и полностью отсутствовать в другом. Как выяснилось, именно на этом разломе держится вся картина.

Негативных запросов в выборке не было, так что мерил я присутствие, а не репутацию. Для справки тональность вышла такая: 20% позитив, 77% нейтрально, 3% негатив.

Ассистент не ищет за вас, он уже выбрал

Первая цифра, ради которой всё затевалось: конкретная клиника названа в 4531 ответе из 4941. Это 91,7%.

Здесь стоит остановиться, потому что мы привыкли к другой картине мира. Поисковик даёт десять ссылок и перекладывает выбор на человека. Ассистент выдаёт три названия с адресами. Пользователь дальше не сравнивает, он звонит.

При этом у модели нет ни малейшего представления о том, как в этих клиниках лечат. Она не видела ни одного пациента. Она пересказывает то, что смогла прочитать.

Две разные игры за одно и то же место

Дальше начинается интересное. Попасть в ответ можно двумя способами, и они почти не связаны между собой.

Игра имён. Модель помнит клинику и называет её по памяти, ссылок при этом почти нет. Чистый пример: ПрезиДЕНТ, 1541 упоминание по имени, 79,7% всех его попаданий это текст ответа, а не ссылка. Ещё так живут К+31, InWhite Medical, Dental Fantasy: последняя набрала 616 упоминаний именем и ноль ссылками. Эти бренды модель выучила из чужих статей, подборок и рейтингов, а не с их собственных сайтов.

Игра страниц. Модель находит контент клиники и ссылается на него, а имя в тексте не звучит вообще. Здесь эталон Зуб.ру: 1694 попадания в ответы, все до единого ссылками, ни одного упоминания по имени. Клиника просто выложила прайс файлом, и ассистенты читают его построчно.

Лидер рынка СМ-Стоматология играет в обе сразу: 1142 упоминания именем плюс 1762 ссылкой, суммарно 2904. Поэтому она и первая.

А теперь цифра, которая переворачивает привычную логику маркетинга.

В среднем по рынку имя даёт лишь 8,7% упоминаний. Остальные 91,3% приносят страницы.

Узнаваемость бренда, в которую годами вкладывают бюджеты, для ассистента почти ничего не значит. Значит то, что он смог прочитать и процитировать.

Девять моделей это девять разных рынков

Я ждал, что лидеры совпадут хотя бы примерно. Не совпали ни разу.

Из таблицы видно два разных класса поведения.

Первый: модель идёт в интернет и строит ответ на свежих страницах. Gemini и Perplexity ссылаются в 100% случаев, причём Perplexity тащит в ответ по пятнадцать источников. Для них решает контент, который лежит на сайте прямо сейчас.

Второй: модель отвечает по памяти. ChatGPT обошёлся без ссылок в 28% ответов, Чат с Алисой в 46%. Здесь свежий контент не поможет, работает только накопленная известность.

Отдельно стоит DeepSeek. Там 592 упоминания забрала одна клиника, К+31, которая больше не лидирует нигде. Если смотреть только на общую цифру по рынку, получится вывод «К+31 сильна в теме седации». На деле это особенность одного движка, и без разбивки по моделям её не увидеть.

Общая цифра по девяти моделям обманывает почти всегда. Усреднение здесь склеивает девять разных рынков в один несуществующий.

Различаются и источники. GigaChat берёт из справочников 36% ссылок, Чат с Алисой 34%: без карточки в справочнике в эти модели просто не попасть. Grok и Perplexity используют больше 900 разных доменов и чаще уходят напрямую на сайты клиник. DeepSeek заметно чаще других опирается на карты, 11,8% его ссылок.

Что реально попадает в контекст

Здесь меня ждал главный сюрприз. Я думал, что увижу сайты клиник и медицинские источники. Увидел справочники.

По типам источников картина такая: сайты клиник 51,5%, справочники и рейтинги 32,2%, карты 7,6%, СМИ 6,1%.

Но сайтов клиник в выборке 101 штука, а справочников 29. И эти 29 дают столько же показов, сколько все сто с лишним клинических сайтов вместе. Сайт отдельной клиники встречается в среднем в одном-трёх ответах. Справочник в сотнях.

Отсюда следует довольно неуютная вещь. Ассистент не оценивает клиники. Он пересказывает агрегаторы. Кого нет в справочнике, того нет и в ответе, независимо от того, как там лечат.

Доверие модель тоже не проверяет, а измеряет тем, что умеет считать: числом отзывов и рейтингом. Эти цифры переносятся в ответ дословно, вида «рейтинг 5,0, 411 оценок». Забавно, что сами отзовики в цитатах почти не встречаются, меньше 1% ссылок. Отзывы работают, но внутри карт и справочников.

Пять вещей, которые сломали мою интуицию

Одна статья сильнее целого сайта. Материал «что делать, если выпал зуб» у одной из клиник попал в 785 ответов. Обычная страница услуги даёт около двадцати. Разница в сорок раз, и это один текст.

Узкая страница бьёт общий раздел. В группе про седацию 83% ссылок ведут прямо на сайты клиник, но выигрывает тот, у кого сделана отдельная страница под каждый случай: наркоз взрослому, седация ребёнку, лечение беременных. Общий раздел «услуги» модель использовать не может, ей нечего процитировать в ответ на конкретный вопрос.

В срочных запросах бренд не работает вообще. Здесь решают слова: «круглосуточно», «без записи», «ночью», адрес и телефон. Уберите из запроса слово «ночью», и лидеры группы исчезают из выдачи, их место занимают совсем другие клиники.

Таблицу чужих цен цитируют охотнее собственного прайса. Одна клиника опубликовала средние цены по Москве и собрала 227 цитат: модель берёт её как независимый источник, а заодно называет автора.

Честный тон цитируется чаще рекламного. Статьи-сравнения вроде «коронка или имплант» дают клинике роль эксперта: у одной сети в этой группе 80 ссылок на статьи против 10 упоминаний имени. Продающий текст модель берёт заметно реже.

И ещё одно наблюдение, скорее про рынок, чем про технологию: у лидера всего 5,2% доли голоса, у топ-3 вместе 13,2%. Девяносто четыре клиники, и ни одна не забрала рынок ответов.

Где мой метод врёт

Раздел, который я обычно ищу в чужих статьях первым.

Это снимок, а не тренд. Июль 2026, один прогон. Модели обновляются, индексы переползают, через квартал числа будут другими. Тренд требует повторных замеров, у меня их пока нет.

Один город и один язык. В регионах структура источников почти наверняка другая: меньше специализированных справочников, больше карт.

Подсчёт автоматический. Названия клиник ловятся по словарю синонимов. Редкие написания и опечатки модели скрипт пропускает, так что абсолютные числа занижены, хотя пропорции это не ломает.

Только коммерческие запросы. Негативных и репутационных в выборке не было, поэтому про тональность я ничего серьёзного сказать не могу.

Ответы плавают. Один и тот же вопрос в разное время суток даёт немного разные списки. Я гасил это объёмом, но полностью такой шум не убирается.

Что из этого следует

Если убрать стоматологию, останется довольно общая механика ответа ассистента про любую локальную услугу.

Модель собирает рекомендацию из того, что смогла прочитать, а прочитать она чаще всего может справочник, карту и страницу с конкретикой. Известность бренда и присутствие в ответах это два разных актива: первый строится годами, второй иногда одной страницей с открытыми ценами.

Меня больше всего зацепило вот что. Мы обсуждаем, будут ли ассистенты заменять поиск, а на локальных услугах они его уже заменили: в девяти ответах из десяти человек получает готовое имя. Только собран этот ответ не из знаний о качестве услуги, а из того, что удалось распарсить.

Если у вас есть данные по другой отрасли или по региону, интересно сравнить. И если считаете, что метод где-то кривой, пишите в комментариях, поправки приму.