ChatGPT называет клиентам вашу старую цену: как проверить, что нейросети говорят о вашем бренде

Клиент спрашивает у ChatGPT, сколько стоит ваш продукт, и получает цифру, которой у вас нет уже полтора года. Уточняет, возите ли вы в Казань, и слышит, что вы работаете только по Москве. Просит сравнить вас с конкурентом, и получает ваше позиционирование пятилетней давности.

Это не сбой конкретной модели. Так устроена любая: она отвечает по тому срезу интернета, который успела впитать при обучении, плюс по тем страницам, которые нашла поиском в момент ответа. Ни то, ни другое не равно вашему сайту на сегодня. А отвечает она уверенно, без оговорок, и человек по ту сторону экрана не идёт перепроверять.

Разберу пять типов ошибок, которые встречаются чаще всего, и прикину, во что каждая обходится.

Самый частый случай. Модель берёт цену из обзора двухлетней давности, из отзыва на маркетплейсе или из прайса дилера, который давно не ваш. Дальше два сценария, и оба плохие.

Цена занижена: человек приходит с ожиданием 40 тысяч, видит 65 и уходит с чувством, что его обманули. Цена завышена: он не приходит вовсе, потому что решил, что не потянет. Второй случай страшнее, вы о нём никогда не узнаете: в аналитике его просто нет.

Считается легко. Возьмите долю обращений, которые начинаются со слов «мне ИИ сказал», умножьте на конверсию и средний чек. В нишах с долгим выбором (техника, оборудование, обучение, услуги для бизнеса) это уже проценты выручки, а не погрешность.

Модель охотно достраивает деталь, которой не знает. Приписывает интеграцию, которой нет, называет чужой срок гарантии, путает состав, комплектацию, поддерживаемые версии.

Дороже всего это в сделках, где характеристику проверяют уже после оплаты: возвраты, споры, отзывы в духе «обещали, а на деле нет». Обещали не вы, но объясняться будете вы.

Компания три года назад делала сайты, сейчас занимается аналитикой. В обучающих данных остались старые кейсы, старые интервью, старая строчка в каталоге. Модель повторяет их, потому что их много и они везде, а новое позиционирование живёт на одном сайте и в паре постов.

Здесь теряется не сделка, а рынок: вас не приносят в те подборки и сравнения, где вы теперь уместны.

Модель называет один город, потому что он в старом юрадресе и в подписи к статье. Филиалы, доставка по стране, работа удалённо появились позже и в текстах закреплены слабее. Клиент из другого региона получает ответ, что вы не его вариант, и на этом всё заканчивается.

Снятая с производства линейка продолжает всплывать в ответах, а тариф, запущенный полгода назад, не всплывает никогда. Люди приходят за тем, чего нет, менеджеры тратят время на объяснения, а новое, ради чего всё затевалось, остаётся невидимым.

Три источника, и ни один не под вашим прямым контролем:

• обучающие данные: срез интернета до даты отсечки, где старый сайт и старые статьи весят больше нового;
• поиск в момент ответа: модель берёт первые страницы выдачи, а это чаще агрегатор, отзовик или чужой обзор, чем ваш сайт;
• достройка по смыслу: недостающую деталь модель выводит из похожих компаний, и звучит это ровно так же уверенно, как факт.

Нужен час, чистая сессия без истории и три-четыре модели: ChatGPT, Gemini, Claude, поиск с ИИ-ответами. Задайте про свой бренд один и тот же набор вопросов:

• сколько стоит [продукт] у [бренд];
• что входит в [продукт], какие ограничения и какая гарантия;
• чем [бренд] отличается от [два конкурента];
• работает ли [бренд] в [три ваших региона];
• какие продукты и тарифы есть у [бренд] сейчас;
• стоит ли покупать у [бренд] и что пишут в отзывах.

Ответы складывайте в таблицу: вопрос, модель, что ответила, где ошибка, откуда она взялась. Про источник спрашивайте отдельно, модели обычно называют страницу. Повторите через месяц: так видно, что чинится, а что нет.

Руками этот прогон стоит сделать хотя бы раз: полезно своими глазами увидеть, как модель пересказывает ваш бренд. Дальше проверку проще отдать гео-сервисам, тем, что занимаются видимостью в ИИ-ответах: brandfound, Profound, Peec AI, Otterly. Логика у всех одна: вы задаёте список запросов и конкурентов, сервис регулярно прогоняет их по нескольким моделям и показывает, где бренд упомянут, с какой ценой и характеристиками, кого называют вместо вас и как это меняется от недели к неделе. Работы это снимает много, но одно остаётся на вас: разбираться, откуда взялась неверная цифра, и чинить источник.

1. Собрать на сайте страницу фактов: цена, комплектация, гарантия, регионы, актуальные продукты, дата обновления. Простой текст, цифры текстом, а не картинкой и не в PDF.
2. Разметить данные микроформатами Schema.org Product и Organization: их читают и поисковики, и краулеры моделей.
3. Зачистить чужие площадки: каталоги, карточки маркетплейсов, старые пресс-релизы, отраслевые справочники. Именно они чаще попадают в ответ, а не ваш сайт.
4. Положить в корень сайта llms.txt: короткий файл с описанием компании и ссылками на актуальные страницы. Гарантий нет, времени полчаса.
5. Написать один текст с прямым сравнением себя и конкурентов: моделям нечем ответить на вопрос «чем отличаетесь», и они берут первое сравнение, которое нашли.
6. Поставить проверку в календарь и раз в квартал прогонять тот же список вопросов.

Нейросеть стала первой витриной бренда, только на этой витрине вы ничего не выставляли: её собрали за вас из старых статей и чужих карточек. Час на проверку и одна страница фактов обходятся дешевле, чем квартал разговоров «а нам ИИ сказал другое»..