Тёмная сторона AI-видимости. Как нейросети сами создают мифы о брендах, которые расходятся на миллионы пользователей

Новая категория репутационных рисков, которую сейчас не отслеживает почти никто

Представьте ситуацию. Ваш потенциальный клиент задаёт ChatGPT или Алисе вопрос про вашу компанию. Может, ищет ваш продукт. Может, сравнивает с конкурентами. Может, проверяет отзывы.

И AI отвечает…

Подробно. Уверенно. С деталями. И при этом приписывает вашему бренду характеристики, которых у вас нет. Услуги, которые вы не оказываете. Цены, которые вы не выставляли уже два года. Скандал, который у вас был один раз и давно закрыт. Или вообще путает вас с другой компанией с похожим названием.

Клиент это читает и принимает решение. Принимает решение на основе ложной информации, которая выглядит как авторитетный обзор. Вы об этом не знаете. Узнаете только если случайно зададите тот же вопрос или если клиент позвонит и спросит «а правда у вас этого нет, мне в AI написали что есть».

Это новая категория репутационных рисков, которая прямо сейчас бьёт по компаниям. И большинство брендов её не отслеживает, не понимает, что она существует. Согласитесь, в первую очередь об этом не подумаешь.

Расскажу, как это работает, какие бывают типы искажений, и почему это намного опаснее, чем кажется на первый взгляд.

С обычными ошибками в публичных источниках мы научились работать ещё в эпоху Web 1.0. Появилась ошибочная статья на сайте, написали в редакцию, попросили исправить. Появился неточный отзыв, ответили в комментариях. Появился слух, выпустили опровержение в СМИ. Эти процессы понятные, инструменты известные.

С AI-выдачей всё работает принципиально иначе, и в этом главная проблема.

AI не имеет редакции, с которой можно связаться. Нет адреса, по которому отправить претензию. Нет правил публикации, которые можно нарушить. Когда ChatGPT, Алиса или Perplexity пишут про вас неправду, у вас нет понятного механизма это исправить.

AI не показывает один и тот же ответ всем. Каждому пользователю модель формирует ответ заново. Это значит, что одна и та же ошибка может тиражироваться в десятках вариантов, и проверить, что AI говорит о вас прямо сейчас, технически вручную невозможно без специального мониторинга.

AI воспринимается как авторитет. Когда обычный пользователь читает ответ ChatGPT или Алисы, он не относится к нему как к мнению одного человека на форуме. Он воспринимает это как сводку из множества источников, объективную картину. И ошибки в этой «объективной картине» весят намного больше, чем такая же ошибка в любом другом канале.

Никаких видимых сигналов «здесь ошибка». AI не предупреждает «я не уверен». Он говорит уверенно одинаково, врёт он или нет. У пользователя нет внутри ответа сигналов, по которым можно отличить факт от выдумки.

В сумме это даёт ситуацию, которой раньше не было. Информация о вашем бренде формируется на лету, в режиме реального времени, миллионы раз в день, и никто этот процесс не контролирует. В том числе вы.

За последний год работы с AI-видимостью я выделил 5 характерных категорий искажений, которые повторяются в разных нишах и для разных моделей. Это не «иногда случается», это устойчивые паттерны, с которыми сталкивается почти любой бренд, если посмотреть на его AI-выдачу внимательно.

Самый частый и самый опасный тип. AI приписывает компании услуги, продукты, направления деятельности, которых у неё нет. Не в виде «возможно, у них есть», а уверенным тоном, с деталями, как будто это известный факт.

Пример из реальности. Авиакомпания не летает в определённый город. Никогда не летала. AI на вопрос «есть ли прямые рейсы из X в Y» уверенно отвечает «да, через эту авиакомпанию, время в пути такое-то, цена примерно такая». Клиент идёт на сайт, не находит этого маршрута, расстраивается, делает вывод что «у них всё плохо с информацией», уходит к конкуренту.

Самый известный публичный кейс этого типа произошёл в 2024 году с Air Canada. Чат-бот на сайте авиакомпании рассказал клиенту Джейку Моффату о политике скидок при тяжёлой утрате, которой у компании не существовало. Моффат купил билеты, полагаясь на эту информацию, потом подал на возврат. Air Canada отказала и попыталась в суде доказать, что чат-бот это «отдельное юридическое лицо», за которое компания не отвечает. Гражданский трибунал Британской Колумбии не согласился и обязал Air Canada выплатить компенсацию. Цитата судьи: «не имеет значения, исходит ли информация со статичной страницы или от чат-бота». Компания несёт ответственность за всё, что говорит её AI.

Сейчас этот же принцип постепенно применяется и к ситуациям, когда AI внешних разработчиков приписывает компании то, чего у неё нет. Юридическая практика только формируется, но репутационный ущерб уже происходит.

AI описывает бренд не в той категории, в которой компания реально работает. Премиум-бренд называет масс-маркетом. B2B-сервис описывает как B2C. Региональную сеть позиционирует как федеральную. Узкоспециализированную клинику показывает как многопрофильную.

Это особенно опасно для компаний, которые годами строили специфическое позиционирование. Вы потратили 10 лет, чтобы стать «лучшим в своём узком сегменте», вложили в это бюджеты, контент, PR. Но нейросети в каждом ответе смазывают ваше позиционирование до средне-абстрактного, потому что в его обучающих данных вы оказались в одной куче с непохожими на вас игроками.

Пример. Премиальная медицинская клиника, которая принципиально не работает по ОМС, в AI-ответах часто появляется в одной выборке с массовыми сетями «доступной медицины». Пользователь, который ищет «премиум», AI её упомянет, но в окружении дешёвых конкурентов. Пользователь, который ищет «доступно», тоже её увидит, придёт, обнаружит цены и оставит злой отзыв «не соответствует ожиданиям».

Восстановить такое позиционирование сложно.

Один из самых неприятных типов. AI путает вашу компанию с другой, особенно если у вас похожие названия, схожие продукты или одна категория. И приписывает вам её характеристики. Или ей ваши.

Самые громкие случаи здесь, конечно, со скандалами. У конкурента был кризис, AI его помнит, но приписывает его вам. Или у вас был внутренний инцидент, который вы давно урегулировали, но AI распространяет его на всю вашу нишу, в том числе на компании, которые с ним никогда не связаны.

Реальный паттерн. Две компании с похожими названиями работают в одной нише. У одной были проблемы с возвратами в 2022 году. AI в 2026 на вопрос «как с возвратами у [бренда]» уверенно отвечает «есть проблемы, в 2022 году была громкая история…». Только пользователь, который задал этот вопрос, имел в виду второй бренд. У которого таких проблем никогда не было.

Доказать AI «ты нас перепутал» невозможно. Можно только пытаться вытеснить эту ассоциацию более сильным сигналом про реальный бренд. Но это, опять же, долгая работа на месяцы.

AI стирает ваши уникальные особенности, описывая вас как «типичного представителя категории». Все ваши уникальные сильные стороны, которые вы годами вкладывали в позиционирование и контент, становятся невидимыми. AI описывает вас в терминах среднего конкурента.

Это работает из-за статистической природы LLM. Модель ищет наиболее вероятный набор характеристик для «компании вашего типа» и подменяет вашу реальность этим средним. Если ваша уникальная особенность не была массово упомянута в открытых источниках, AI её не видит и подставит на её место типичную для категории.

Пример. Сеть стоматологий, у которой реальная уникальная особенность это детская специализация и работа с тревожными детьми. В обычной выдаче они известны, в нише их знают. Но в открытых источниках у них меньше упоминаний именно этой специфики, чем общих описаний «современная клиника, опытные врачи». AI на запрос «куда отвести ребёнка к стоматологу» эту сеть либо не упомянет, либо упомянет в общем ряду, без подсветки уникальности.

Уникальные особенности это конкурентное преимущество. Усреднение его уничтожает.

Если ваша компания работает в нише с плохой репутацией, AI приписывает вам стереотипы всей этой ниши, даже если конкретно вы работаете белым способом. Микрофинансовые организации, коллекторские агентства, букмекеры, частные клиники, юридические услуги, недвижимость, ремонт квартир.

В каждой такой нише есть отдельные белые компании, которые работают честно, придерживаются стандартов, не используют сомнительные методы. Но AI не различает их и средних игроков ниши. На запрос «можно ли доверять [конкретной белой компании из плохой ниши]» он часто отвечает с настороженностью, как если бы спрашивали про всю нишу.

Пример. Микрофинансовая организация, которая по сути работает как обычный потребкредитный банк, с прозрачными условиями, без скрытых комиссий, с возможностью досрочного погашения без штрафов. В AI на запросы про неё всплывают стереотипы про МФО в целом, типа «высокие проценты», «риски долговой ямы», «осторожнее с такими организациями». Это не про конкретную компанию, это про нишу. Но пользователь видит ответ про конкретную компанию.

Бороться с этим в одиночку очень сложно. Нужно либо менять описание категории своего сервиса в публичном пространстве, либо системно создавать контент, который выделяет компанию из общего ряда ниши.

Раньше «неправда в интернете» имела ограниченное распространение. Один сайт, один форум, один пост в соцсетях. Кто-то прочитал, кто-то нет. Урон ограниченный.

С AI-выдачей всё меняется

Масштаб. Нейросеть отвечает миллионам пользователей в день. Каждое искажение тиражируется в каждом ответе по теме. За месяц одна ошибка может разойтись по сотням тысяч диалогов.

Авторитетность. Пользователь воспринимает ответ не как мнение одного человека, а как сводку из множества источников. Это даёт каждой ошибке намного больший вес, чем у обычной публикации.

Невидимость. Большинство брендов не отслеживает свою AI-выдачу. Они узнают о проблеме только когда она уже стала проблемой. К этому моменту искажение тиражировалось десятки тысяч раз.

Полностью контролировать AI-выдачу нельзя. Это нужно принять. Но можно гораздо сильно снизить ущерб через несколько практических шагов.

1. Регулярно мониторить, что AI говорит о вас. Не «иногда зайти в ChatGPT и спросить», а системно, по списку ключевых запросов, по разным моделям, по разным регионам. Это базовая гигиена, без которой невозможно вовремя замечать проблемы. И это нужно делать не в ручную.

2. Иметь актуальную, структурированную информацию о компании в открытых источниках. Корпоративный сайт, Википедия, отраслевые каталоги, профессиональные базы данных. AI учится на этих источниках, и чем больше там точной свежей информации, тем меньше пространства для выдумок и устаревших данных.

3. Активный PR в качественных медиа. Не для тщеславия, а для того, чтобы создавать поток свежих публикацийпро вас. Это сигнал для будущих моделей о том, что компания актуальна, в развитии, и что у неё есть конкретные нынешние характеристики, а не только старые истории.

4. Реагировать на найденные искажения там, где это возможно. Если ошибка распространяется через конкретные источники, на которые AI ссылается, имеет смысл обратиться к этим источникам с просьбой исправить. Если ошибка системная и не привязана к конкретному источнику, остаётся только перевешивать её свежим контентом.

Сейчас большинство брендов в России про эту проблему просто не знает. Они уверены, что их репутация это то, что говорят про них в новостях, отзывах и соцсетях. Они не видят, что параллельно с этим формируется отдельный слой репутации в AI-ответах, который влияет на пользователей сильнее, чем все остальные каналы вместе взятые. И в этом слое о них могут говорить совершенно не то, что они о себе думают.

Меня тревожит, что осознание этого придёт большинству брендов в виде кризиса. Когда клиент позвонит и спросит «а правда у вас этого нет, мне в AI написали что есть». Когда журналист найдёт в ChatGPT компромат, которого никогда не было в реальности, и напишет об этом. Когда конкурент построит маркетинговую кампанию вокруг вашей выдуманной AI-проблемы. Когда суд признает компанию ответственной за то, что её клиент пострадал от неверной информации в AI.

Через год-два это будет одна из главных тем в репутационном менеджменте. Сейчас это слепое пятно почти для всех. Кто разберётся в этом раньше, получит большую фору в защите своего бренда. Кто проигнорирует, рискует столкнуться с проблемой, для которой ещё не существует понятных инструментов решения.

Вопрос к читателям: Вы сталкивались с тем, что AI пишет о вашей компании что-то фактически неверное? Если да, как вы это обнаружили и что делали?

Если статья пригодилась, буду признателен за плюс. Это помогает таким разборам набирать охват и доходить до тех, кому тема актуальна.

Пишу здесь регулярно про видимость брендов в нейросетях, GEO, AEO и эксперименты с ChatGPT, Алисой и другими LLM. Подписывайтесь, чтобы не пропустить следующее.