Какие источники влияют на ответы ChatGPT, Gemini и Алисы AI

Задайте один вопрос трем нейросетям — и получите три разных списка компаний. ChatGPT назовет одни бренды, Gemini — другие, Алиса AI — третьи, и пересечение может оказаться нулевым.

Дело не в качестве моделей: просто они отвечают, опираясь на разные наборы данных.

Вопрос давно вышел за пределы теории. По исследованию пути пользователя за 2026 год:

Ответ формируется до того, как человек дошел до сайта, и решает его формулировка вместе с набором источников, которые модель взяла в работу.

Разбираем, откуда нейросети берут информацию, почему один и тот же промпт дает разные ответы в разные дни и что из этого можно изменить со стороны бизнеса.

Почему нейросети по-разному отвечают на один вопрос

Расхождение дают четыре причины:

• Доступ к интернету. Perplexity, поисковые режимы ChatGPT и Gemini, Алиса AI и Google AI Overview обращаются к живой выдаче. Модель без поиска отвечает по памяти обучения: она не знает, что компания сменила тарифы месяц назад.
• Разные индексы. Алиса AI строит ответ на выдаче Яндекса, AI Overview — на выдаче Google, Perplexity использует собственный обход плюс сторонние поисковые API. Один запрос уходит в три разные базы документов, и списки источников расходятся еще до генерации.
• Недетерминированная генерация. Модель выбирает следующее слово вероятностно. Два прогона одного промпта подряд дают разный порядок брендов, а иногда и разный состав списка. Замер по одному ответу показывает случайную точку.
• Контекст сессии. История диалога, загруженные файлы, сохраненные предпочтения и регион меняют ответ. Пользователь, который до этого спрашивал про бюджет до 15 тысяч, получит другой список, чем тот, кто задал вопрос с чистого листа.

Какие типы источников используют AI-системы

Информация приходит в ответ по четырем каналам:

• обучающая выборка — тексты, на которых модель училась: веб-страницы, книги, документация, код, форумы; знания из нее встроены в веса и доступны без интернета;
• живая выдача — документы, которые система получает в момент запроса и цитирует со ссылками; здесь работает механика RAG: сначала поиск по индексу, потом сборка ответа из найденных фрагментов;
• контекст пользователя — файлы в диалоге, предыдущие реплики, память сервиса о человеке;
• внешние инструменты — подключенные сервисы, к которым модель обращается за данными: калькуляторы, базы, API компаний.

Для бизнеса значение имеют первые два. Внутри живой выдачи площадки делятся по типам:

• интернет-магазин;
• сайт услуг;
• контентный проект;
• СМИ;
• медиаплатформа с пользовательским контентом;
• агрегатор;
• справочник;
• рейтинг;
• отзовик;
• доска объявлений;
• сервис;
• социальная сеть;
• форум;
• блог;
• мессенджер.

Разбивка нужна для медиаплана: она показывает, какой тип площадок кормит ответы в вашей нише. Бренд может стабильно попадать в ответы через отзывы на агрегаторах, а собственный домен в источниках не появляться ни разу — тогда работа с корпоративным блогом видимость не сдвинет.

Чем обучающие данные отличаются от источников из интернета

Обучающая выборка формирует общее представление модели о рынке. Она объясняет, почему нейросеть без доступа к сети называет бренды, известные два года назад, и почему компания, о которой в интернете почти не писали, не появляется в ответе даже при идеальном сайте.

Три следствия для работы:

• данные устаревают до следующего цикла обучения — ошибка про вашу компанию, попавшая в веса, живет до переобучения модели, исправить ее со стороны бизнеса нельзя;
• ссылку на источник такой ответ не дает — модель воспроизводит утверждение, не указывая происхождение, потому что внутри весов отдельного документа уже нет;
• проверить состав выборки невозможно — разработчики публикуют общие описания корпусов без перечня доменов и дат.

Живая выдача устроена иначе. Она обновляется в тот же день и сопровождается списком источников. Публикация, вышедшая вчера, может попасть в ответ сегодня, если страница проиндексирована и стоит в топе по теме.

Разделить два слоя в замере просто. Задайте вопрос о компании модели с отключенным поиском и той же модели с поиском. Первый ответ показывает, что о вас записано в весах: помнит ли модель профиль компании, отрасль, продукты, не путает ли с однофамильцами. Второй показывает работу с индексом.

Прием работает на ChatGPT, Gemini и других моделях с переключаемым поиском: у Алисы AI и Google AI Overview поиск отключить нельзя, там оценивается только работа с индексом.

Как контекст диалога, файлы и данные пользователя влияют на ответ

Четыре фактора меняют ответ еще до обращения к источникам:

• загруженный файл получает приоритет над сетью — человек прислал прайс конкурента и попросил сравнить, и модель опирается на этот документ, а страницы из выдачи отходят на второй план;
• каждая реплика сужает шорт-лист — общий вопрос про CRM дает список из десяти систем, уточнение про интеграцию с Telegram отсекает половину, ограничение по бюджету оставляет две-три позиции;
• регион меняет выдачу под капотом — один промпт из Москвы и из Новосибирска уходит в поиск с разной геопривязкой, локальные компании появляются только в своем регионе;
• сохраненные предпочтения работают как персонализация — человек, который однажды сказал, что работает в строительстве, получит примеры из своей отрасли без повторного уточнения.

Материал, отвечающий на уточняющие вопросы так же конкретно, как на первый, держится в ответе дольше. К третьей реплике решение принято, и в него попадают компании, прошедшие все фильтры.

Как нейросети выбирают и оценивают источники

Формулы отбора ни OpenAI, ни Google, ни Яндекс не публикуют. Наблюдаемая механика складывается из трех шагов:

1. Поисковая подсистема собирает пул документов по запросу — обычно это верхние результаты обычной выдачи.
2. Модель отбирает из пула фрагменты, релевантные конкретной формулировке.
3. Система сводит фрагменты в связный ответ и решает, какие источники показать ссылками.

Опрос АКАР и АРИР, проведенный в том же месяце, дал похожую тройку по мнению специалистов рынка:

• экспертность источника — 57%;
• структурированность материала — 53%;
• наличие прямых ответов на вопросы — 50%.

Оба исследования сходятся в одном: вверху шкалы стоят форматы, из которых модель собирает готовую рекомендацию, — рейтинги, подборки, четкие определения, списки и таблицы. Технические приемы вроде специальных файлов для нейросетей остались внизу. При этом обычное SEO из уравнения не выпадает: SEO страниц с рейтингами получило 86,7%, доступность для краулеров — 84,4%.

Какие сайты и площадки чаще попадают в AI-ответы

По рейтингу источников нейросетей Пиксель Тулс разобрал 2 716 313 источников, использованных в 89 629 ответах нейросетей. Первые места по встречаемости заняли площадки с пользовательским контентом, классические медиа остались ниже. Самое цитируемое СМИ стоит на шестом месте и уступает блог-платформе в полтора раза.

Причина в форме подачи. Материал на UGC-площадке почти всегда написан как ответ на конкретный вопрос: сколько это стоит, как мы это сделали, чем X отличается от Y. Медийный текст построен как история — лид, интрига, контекст, суть в середине. Человек дочитает, модель заберет фрагмент поближе к вопросу, и фрагмент окажется с другого сайта.

Вторая причина — доступность. Пейволл, подгрузка текста скриптами и антибот-защита закрывают материал от читателя без подписки, а заодно от краулеров, которые собирают базу для ответов.

По типам площадок в верхней части рейтинга держатся медиаплатформы, сервисы и агрегаторы. Данные обновляются, актуальные доли по каждой нейросети смотрите в том же дашборде: там есть фильтры по Алисе, Google AI Overview и Perplexity и по типу площадки.

В B2B-услугах ответ собирается из отраслевых обзоров, рейтингов агентств и кейсов на профильных платформах. В e-commerce вверх выходят маркетплейсы, агрегаторы и отзовики: модель берет оттуда цену, наличие и оценку товара. В услугах с локальной привязкой — справочники и карты. Проверять состав нужно по своим промптам, средние доли по рынку задают только ориентир.

Приоритет площадок для медиаплана по убыванию отдачи:

1. платформы с пользовательским контентом и экспертными материалами — они держат верх рейтинга цитируемости;
2. рейтинги, подборки и каталоги по вашей теме;
3. отраслевые медиа с тематической репутацией;
4. справочники, карты и отзовики для локального бизнеса;
5. классические СМИ.

Критерий отбора один — страница, на которой выйдет материал, должна ранжироваться в поиске. Известность издания сама по себе присутствия в AI-ответах не дает: топовое СМИ в рейтинге цитируемости стоит шестым и уступает блог-платформе в полтора раза.

Почему источники зависят от темы, региона и формулировки запроса

Один и тот же бренд получает разную видимость в разных срезах:

• Тема. В нишах с высокой ценой ошибки — медицина, финансы, право — модели чаще опираются на официальные порталы и сайты с подтвержденной экспертизой. В бытовых темах вверх выходят отзовики и форумы.
• Регион. Локальный бизнес виден только в своей геопривязке. Для компании с филиалами в пяти городах это пять отдельных замеров вместо одного усредненного.
• Формулировка. «Лучшие CRM» и «какую CRM выбрать отделу продаж из пяти человек» уходят в разные пулы документов. Первый запрос вытянет рейтинги, второй — кейсы и сравнения под конкретный сценарий.
• Нейросеть. Российский рынок держится на Алисе AI: на нее приходится 64,83% трафика из нейросетей по выборке из 2921 сайта за период с июля 2025 по июнь 2026. Замер по одному ChatGPT покажет картину, которая к российской аудитории отношения почти не имеет.
• Язык. Запрос на английском по той же теме уходит в англоязычный сегмент индекса, и в источники попадают зарубежные площадки. Для компаний с экспортом или международными клиентами это отдельный набор промптов и отдельный медиаплан.

Отсюда требование к методике: разбивка по нейросетям, регионам и группам промптов обязательна, сводный процент без разрезов скрывает нули в половине сегментов.

Как определить, на каких источниках основан ответ нейросети

Начните с ручной проверки — она показывает контекст и стоит нуля.

Задайте промпт в чистой сессии, без истории и загруженных файлов. Разверните блок ссылок под ответом: Perplexity, Алиса AI и Google AI Overview показывают источники прямо в интерфейсе, ChatGPT — в поисковом режиме. Зафиксируйте домены, конкретные URL и место вашего бренда в списке. Повторите промпт три-пять раз: состав источников будет меняться, и разброс сам по себе информация.

Что проверять по каждому ответу:

• какие домены попали в источники и есть ли среди них ваш;
• упоминается ли бренд в тексте ответа или только в ссылках;
• на каком месте он стоит и в какой роли — рекомендация, альтернатива, пример;
• какие конкуренты названы рядом;
• корректны ли цена, условия и описание продукта.

Ручной прогон работает до 10–15 промптов. Дальше нужен сервис: двадцать промптов на пяти нейросетях по три повтора — это триста прогонов, и вручную такой объем не снять.

Инструмент анализа видимости брендов в нейросетях от Пиксель Тулс прогоняет пул промптов по расписанию, сохраняет ответы, показывает источники и проверяет, упоминается ли бренд на страницах-источниках. Сравнение ответов за разные даты показывает, что именно изменилось в формулировке между замерами.

Отдельная проверка — доступность вашего сайта для нейросетей:

• боты не закрыты в robots.txt;
• текст отдается в HTML, а не подгружается скриптом;
• антибот-защита не блокирует обход;
• контент виден из-за пейволла хотя бы в объеме лида и фактуры.

Фактор доступности эксперты оценили в 84,4%: материал может быть безупречным, но если краулер до него не дошел, источником он не станет.

Как бизнесу влиять на источники ответов AI

Работа делится на два контура с разной скоростью отдачи.

Практический порядок действий:

1. Снимите базовый замер до начала работ. 50–100 вопросов по ключевым темам, прогон по нейросетям, фиксация площадок-источников и своего места среди них.
2. Соберите медиаплан из полученного списка. Ориентируйтесь на площадки, которые модель уже цитирует по вашей теме; отраслевая привычка размещаться в конкретном издании здесь роли не играет.
3. Займитесь рейтингами и подборками. Самый сильный формат по оценке экспертов. Условие одно: страница рейтинга должна стоять в топе поиска, иначе для модели ее нет.
4. Переделайте свои страницы под извлечение фрагментов. Ответ в первом предложении раздела, вопрос в заголовке, цифры вместо общих формулировок, сравнения таблицей, блок вопросов и ответов внизу.
5. Подпишите материалы автором с должностью и датой обновления. В финансах, медицине и праве публикации от редакции проигрывают именной экспертизе.
6. Обновляйте цифры по графику. Прайс годичной давности обесценивает страницу: встретив расхождение с другими источниками, модель выберет свежий.

Отдельно стоит распространенная ошибка в распределении усилий. Команды продвигают собственный сайт, хотя в ответ модель тянет чужие подборки. Рабочий подход — продвигать страницы, на которых бренд уже упомянут: помогать площадке дорабатывать материал, добавлять структуру и цифры, поднимать эту страницу в поиске. Рейтинг вне топа выдачи для нейросети не существует, и ваше место в нем значения не имеет.

По кейсам конференции «GEO-кейс 2026» первые сдвиги видимости фиксируются через полтора-два месяца, выход на заявленные показатели занимает от четырех до шести месяцев. Быстрее двигаются промпты, по которым бренд уже появлялся хотя бы в одном замере: модель знает компанию, вопрос в закреплении. Промпты с нулевой видимостью требуют новых размещений и разгоняются медленнее.