При ответе ИИ называет бренд из поиска почти в трети случаев

Большая часть средств, которые маркетологи потратят на повышение видимости в ИИ в 2027 г., будет направлена не туда, утверждает основатель GeoSurge (компания мониторинга видимости бренда в нейросетях) Франциско Виго, чьи слова приводит Marketing dive. По его данным, бренд, который модель уже запомнила, потом находят в три раза чаще, чем те, кого она не помнит.

Стандартная стратегия подстраивает контент под момент поиска в интернете в реальном времени, предполагая, что это дает каждому бренду равные шансы быть упомянутым в результатах ИИ. Однако к моменту поиска некоторые модели уже определили, какие бренды заслуживают внимания, и принимает это решение, опираясь на память. В таком случае бюджет должен быть направлен на то, что формирует память: охват, отзывы и ассоциации с категориями, на основе которых модели обучаются между запусками обучения.

Три варианта как «запомниться» нейросети

1. Выяснить, как именно люди находят информацию о бренде.

Прежде чем вкладывать деньги в продвижение, нужно понять, как работает категория. Если люди активно ищут товары или услуги, то качественные статьи и удобная информация о бренде могут довольно быстро улучшить его видимость в ИИ-системах.

Но если люди выбирают бренд на основе того, что уже знают о нем, одного хорошего контента недостаточно. Важно, чтобы бренд был известен и упоминался в разных источниках задолго до того, как пользователь задаст вопрос ИИ.

2. Вкладываться в публикации и упоминания в независимых источниках.

Важно не просто размещать рекламу, а добиваться того, чтобы о бренде регулярно писали СМИ, аналитики, авторы обзоров и участники профессиональных сообществ. Такие публикации формируют представление о бренде, которое ИИ усваивает во время обучения. Чем чаще и последовательнее бренд упоминается в своей категорией, тем больше шансов, что нейросеть будет его учитывать и рекомендовать. Но создать такую известность в момент пользовательского запроса невозможно: она формируется месяцами и годами.

3. Оценивать не просто количество упоминаний бренда в ответах ИИ, но и то, насколько хорошо нейросети его знают.

Важно также понимать, насколько часто бренд встречается в источниках, на которых обучаются модели, и насколько прочно он связан с определенной категорией товаров или услуг. При этом отслеживать упоминания стало дешевле: появились даже бесплатные инструменты. Поэтому рекламный бюджет разумнее направлять не только на мониторинг результатов, но и на формирование узнаваемости бренда.

Цифры GeoSurge

В компании по мониторингу провели измерения. Бренды, которые модель ИИ уже помнила, потом встречались в поиске примерно в три раза чаще, чем бренды, которые она не помнила: 55,7% против 17,4%. Для пяти наиболее запоминаемых брендов этот показатель достиг 67%. Эта закономерность сохранялась во всех девяти отраслях, которые тестировали.

Эффект неравномерный. Например, в автомобильной отрасли 82% поисковых запросов по конкретным брендам указывали на один из пяти наиболее запоминающихся брендов модели. В финансовой сфере этот показатель составил 77%. В сфере фитнеса и здорового образа жизни показатель был ближе к 50% из-за того, что  модели гораздо чаще использовали поиск за пределами своей памяти.

Предварительное заключение, которое исследование не проверяло, заключается в том, что в категориях, определяемых запоминанием, доминируют несколько давно существующих, широко освещаемых брендов. В категориях, определяемых поиском, напротив, много более мелких и новых брендов. Каждая отрасль опирается на 6-12 подсказок, поэтому рассматривать это разделение стоит как ориентировочное, отмечают в исследовании..

Поиск не решает проблему памяти

Когда ИИ-помощники впервые начали отвечать на вопросы о покупках, некоторые бренды опасались, что знания модели застывают на этапе обучения. Нечто похожее было с производителями одежды со сверхбыстрым циклом (категория Zara, H&M): Их бизнес-модель построена на смене трендов каждые несколько недель. Память ИИ, обновляемая раз в год, для них была абсолютно бесполезна. Это заставило ретейлеров перенаправлять бюджеты на разработку собственных внутренних ИИ-ассистентов на сайтах, вместо того чтобы полагаться на внешние нейросети. 

Поиск в реальном времени, казалось, решил эту проблему, потому что все, чего модель не знает, она может найти в настоящем времени. Это называют RAG — генерация, дополненная поиском. Однако, прежде чем модель сможет что-либо найти, она должна решить, что именно искать, и принимает это решение, используя собственную память, подобно человеку.

Современный поиск с использованием ИИ не выполняет один запрос. Спросите: «Какой лучший расчетный счет для малого бизнеса?», и модель разделит его на несколько параллельных поисковых запросов. Некоторые из них носят общий характер, а другие содержат названия конкретных компаний. Google называет это рассеиванием запросов. Каждая ссылка и рекомендация проходят через эти запросы, и источник, который никогда не совпадает ни с одним из них, редко попадает в ответ.

Как проводили исследование

Чтобы понять, как память влияет на эти запросы, сначала записали бренды, которые модель могла вспомнить без доступа к интернету, в девяти отраслях. Затем в течение 12 дней задавали 66 реалистичных вопросов покупателям по 60 раз каждый, получив около 4 тыс ответов и 13,2 тыс поисковых запросов, который модель выполняла в фоновом режиме. Около 69% этих запросов были общими запросами по категориям. Из 31%, которые назвали бренд, почти две трети назвали один из пяти наиболее запомнившихся.

Модель, создающая поисковые запросы, опирается на те же усвоенные ассоциации, которые она использует для создания любых других запросов. Она не может искать бренд, о котором никогда не знала, так же как вы не можете найти в Google ресторан, о котором никогда не слышали.

Оптимизация контента под запросы пользователей по-прежнему работает. Особенно в категориях, где люди активно ищут информацию и сравнивают предложения. Но многие компании, пишет Marketing dive, пытаются повлиять на ответ ИИ именно в момент запроса, хотя во многом этот ответ зависит от того, что нейросеть узнала о брендах еще во время обучения.

Здесь возникает цикл. Известные бренды чаще ищут в интернете. — Из-за этого о них чаще пишут и упоминают в разных источниках. — Эти публикации попадают в данные для обучения новых ИИ-моделей. — Новые модели еще лучше знают известные бренды и чаще учитывают их в рекомендациях. В итоге крупным и уже известным компаниям становится проще сохранять преимущество, а новым брендам — сложнее пробиться.