AI-поиск выбирает победителя ещё до того, как покупатель сформулировал критерии

Я задал четырём ассистентам один и тот же вопрос: «посоветуй хороший банк». Ни один не переспросил, что я считаю хорошим. Все четыре сразу выдали короткий список названий, и в этих списках раз за разом повторялись одни и те же компании.

Это главное отличие от привычной поисковой выдачи. Поиск на неопределённый запрос отдавал десять ссылок и оставлял выбор человеку. Ассистент выбор забирает себе: он сам достраивает критерии, сам их применяет и показывает уже результат. Покупатель видит не варианты, а решение, принятое за него.

В запросе «посоветуй хороший банк» нет ни одного измеримого условия. Нет суммы, срока, города, задачи, нет даже того, нужен банк человеку или компании. Модель не может ответить «уточните» и остаться полезной, поэтому она достраивает условия сама, опираясь на то, что чаще всего встречала в текстах про эту категорию.

Дальше ответ строится не на моих критериях, а на этих достроенных. И именно они решают, кто попадёт в список. Формулировки, которыми разработчики описывают такое поведение модели, можно посмотреть в руководстве OpenAI по промптингу: модель трактует неполную задачу как задачу с неявными условиями.

Я взял три намеренно пустых запроса, какие люди реально пишут, и прогнал каждый по три раза в новых чатах, без истории диалога и без указания города:

• посоветуй хороший банк
• какую клинику выбрать
• кому заказать ремонт квартиры

Меня интересовал не сам список компаний, а объяснение: на каком основании ассистент считает названное хорошим. Эту часть ответа читать полезнее, чем перечень имён, потому что она показывает работающую модель выбора.

Первым делом в объяснении появляется величина: крупный, федеральный, работает с такого-то года, много отделений или филиалов. Размер удобен тем, что про него легко найти согласованные данные в десятках источников. Маленькая компания может быть лучше по сути, но про её качество источники расходятся, а про размер лидера нет.

В ответах про клиники и ремонт сильнее всего работает не похвала, а тишина. Ассистент охотнее называет тех, вокруг кого нет громких жалоб, судов и скандальных разборов. Это переворачивает привычную логику репутации: отсутствие плохого весит больше, чем присутствие хорошего.

Компания попадает в список заметно чаще, если про неё есть внешние сравнения и подборки, где она стоит рядом с конкурентами в одной таблице признаков. Собственный сайт на это влияет слабо. Нужен текст, написанный не компанией, где её свойства уже сопоставлены с чужими.

Ассистенту нужно уложить причину выбора в одну фразу. Поэтому выигрывают компании с одним понятным отличием: специализация на одном направлении, фиксированная цена, собственное производство, конкретная гарантия. Размытое «комплексный подход и индивидуальные решения» в такую фразу не превращается, и компания выпадает из ответа молча.

На пустой запрос модель отвечает так, чтобы совет нельзя было назвать вредным. Это сдвигает список к консервативным вариантам: государственное, крупное, давно существующее, массово известное. Любая смелая рекомендация для ассистента риск, и он его не берёт.

Из этих пяти допущений складывается вполне конкретный профиль победителя:

• крупные и давно работающие компании, про которые источники не спорят
• узкие специалисты с одним ясным отличием, которое влезает в одну строку
• те, кто попал в чужие сравнения и подборки по своей категории
• те, про кого нет свежих публичных конфликтов
• те, кто сам описал свои условия цифрами, а не прилагательными

И так же конкретно видно, кто проигрывает, не нарушив ничего: сильная компания с хорошим продуктом, аккуратным сайтом, но без внешних сравнений и без одного внятного отличия. В поиске она жила за счёт рекламы и собственных страниц. В ответе ассистента ей не за что зацепиться.

Практический вывод простой: бороться нужно не за место в списке, а за критерий, по которому список составляется.

• Собрать реальные формулировки запросов своей категории, включая пустые вроде «какую клинику выбрать», и посмотреть, какие критерии ассистент достраивает именно в вашей нише
• Прочитать не список компаний, а объяснение рядом с ним: там написана модель выбора, с которой придётся работать
• Выбрать одно отличие, выразимое в одной фразе с цифрой, и повторить его везде одинаково
• Добиваться упоминаний в чужих сравнениях по категории, а не только писать о себе на своём сайте
• Снимать публичные претензии и спорные истории: в этой механике они стоят дороже, чем раньше
• Перепроверять ответы регулярно, потому что достроенные критерии меняются вместе с моделями

Руками такую проверку можно сделать один раз, но она устаревает за месяц. Для регулярного наблюдения есть отдельный класс сервисов, которые гоняют наборы запросов по ассистентам и разбирают ответы: PixelTools AI-Visibility, brandfound. Они отличаются набором моделей и глубиной разбора аргументации, но задача у всех одна: показать, по каким основаниям нейросеть выбирает и кого выбирает вместо вас.

Неопределённый запрос не остаётся без критериев. Он получает чужие, и покупатель узнаёт об этом последним.