Почему для продвижения бренда в ответах ИИ нужны сторонние сайты

Кто на самом деле рассказывает ИИ о вашем бренде

Когда вы спрашиваете LLM про компанию, модель редко отвечает «из головы». Она сначала подтягивает источники из сети, а потом собирает ответ. И тут начинается самое интересное: репутацию бренда для ИИ чаще формирует сайт не компании, а чужие площадки.

Новое исследование посвящено тому, на что именно модели ссылаются. Вместо вопроса «что ИИ сказал о бренде?» исследователь задаёт другой: «откуда ИИ это вообще взял?»

Для маркетинга, поиска и всего, что сейчас называют оптимизацией под генеративные системы, это важно. Если модель читает в основном ваш сайт — это одна стратегия. Если она читает Википедию, YouTube, карьерные порталы и деловые медиа — другая.

Вывод у статьи простой: ИИ строит представление о бренде в основном по внешнему вебу. И этот веб устроен неравномерно: есть несколько доменов, которые влияют очень сильно, а есть длинный хвост источников, которые почти незаметны.

Что именно изучали

Исследование собрано из трёх наборов данных Rankfor AI. В сумме это 128 брендов, 12 домашних рынков, 13 языков и 167 551 цитата с URL, то есть ссылки, где можно определить конкретный домен-источник.

Автора интересовали четыре вопроса:

🟠 сколько ссылок ведёт на собственные сайты брендов, а сколько — на сторонние ресурсы

🟣 насколько сконцентрирован пул источников

🟠 какие домены лидируют по языкам и рынкам

🟣 как по-разному ведут себя разные модели

Подход был достаточно прямой. Каждую ссылку приводили к домену, объединяли языковые поддомены Википедии в один `wikipedia.org`, а затем размечали тип источника: сайт компании, Википедия, новости, соцсети, государственный сайт и так далее.

Есть и важная техническая деталь. У Gemini часть ссылок шла через служебный перенаправитель Google. Если оставить всё как есть, получится ложная картина: будто главный источник — это служебный домен Google. Автор отдельно восстановил реальные домены из полей с заголовками ссылок. Без этой очистки результаты по моделям и языкам были бы неверными.

86% репутации для ИИ приходят извне

Самая заметная цифра в статье: 85,7% цитат ведут на сторонние сайты. На собственные домены брендов приходится только 14,3%.

Это значит, что когда ИИ отвечает на вопрос «кому доверять», «какой сервис выбрать» или «что известно об этой компании», он в основном опирается на то, что о бренде написали другие.

Даже у брендов, которые чаще других цитируются через собственные сайты, доля самоцитирования остаётся меньшинством. А у ряда компаний свои сайты вообще не появлялись среди источников.

Практический смысл тут жёсткий. Если вы хотите влиять на то, что ИИ говорит о вашей компании, одного хорошего корпоративного сайта мало. Нужны упоминания, обзоры, профили, статьи и карточки на площадках, которые модели реально читают.

Источники ИИ сильно сконцентрированы

Вторая находка: веб-источники распределены очень неравномерно.

🟣 80% всех цитат приходятся примерно на 18% доменов

🟠 половина всех цитат укладывается всего в несколько сотен хостов

🟣 оставшиеся тысячи доменов образуют длинный хвост с малой видимостью

Авторы дополнительно проверили распределение по закону Ципфа. Это классическая картина для многих информационных систем: несколько лидеров получают львиную долю внимания, дальше идёт быстрое убывание.

Почему это важно? Потому что борьба за видимость в ИИ-поиске — это борьба за попадание в небольшую группу доменов, которые модели читают чаще всего. Если ваш бренд заметен на этих площадках, шанс повлиять на ответы ИИ растёт непропорционально сильно.

В типах источников тоже есть понятный перекос. Самая большая категория — открытый сторонний веб: локальные медиа, отраслевые сайты, блоги, маркетплейсы, каталоги, всё, что не уложилось в аккуратные ярлыки. На неё приходится 77% URL-цитат. Википедия даёт около 4%, сайты компаний — около 16%, а все остальные типы по отдельности совсем малы.

Почти везде побеждает Википедия

Если смотреть на самые цитируемые домены по языкам, картина удивительно стабильна. Википедия — домен номер один в 11 из 12 языков.

Это один из самых прикладных результатов статьи. У Википедии нет «модной» ауры, но для LLM она остаётся базовым справочником. Если у бренда слабая статья, устаревшая статья или статьи нет, это напрямую влияет на то, из чего ИИ будет собирать ответ.

Исключение одно — литовский язык. Там Википедию обходит местное деловое издание `vz.lt`.

Это пример того, что общий слой у ИИ действительно глобальный, но на краях он меняется по рынкам. Модель почти всегда опирается на Википедию, но в конкретной языковой среде её могут подвинуть локальные деловые медиа, если они особенно заметны и релевантны.

Если смотреть на общий рейтинг доменов, верхушка выглядит так: Википедия, YouTube, Statista, дальше идут отдельные сайты брендов, Reddit, европейские государственные ресурсы и другие крупные площадки.

Из этого складывается ясная картина: ИИ собирает бренд не только из официальных корпоративных страниц, а из смеси энциклопедии, видео, статистических сайтов, форумов и локальных публикаций.

Польша выбивается: ИИ читает карьерные порталы

Самая интересная локальная аномалия в статье — польский рынок. Там у 46 национальных брендов самым цитируемым доменом оказался YouTube, а не Википедия.

Но ещё интереснее другое. Четыре польских кадровых и карьерных сайта вместе дали 637 цитат, тогда как польская Википедия — 297. То есть карьерные площадки обогнали энциклопедию более чем вдвое.

Что это значит на практике? Если вы работаете на рынке, где бренд активно обсуждают в контексте найма, условий труда, зарплат, вакансий и отзывов сотрудников, ИИ может собирать образ компании именно оттуда. Не из раздела «О нас», а из среды вокруг работодателя.

Для бизнеса это неприятный, но полезный сигнал. Репутация бренда в ИИ — это не только продукт, PR и новости. Это ещё и то, как вас описывает рынок труда.

Модели цитируют по-разному

Отдельный блок статьи посвящён различиям между моделями. Нет единого поведения «у ИИ» вообще. Разные системы читают и цитируют по-разному.

🟠 Perplexity цитирует больше всех

🟣 Perplexity охватывает самый широкий набор доменов

🟠 GPT ссылается на более узкий набор источников

🟣 Gemini без очистки перенаправителей даёт искажённую картину по собственным источникам

По данным работы, Perplexity дал 90 276 цитат из 131 514 в основной части корпуса и сослался почти на 16 тысяч доменов. Это заметно больше, чем у других моделей в выборке. У него же была и самая высокая доля ссылок на собственные сайты брендов.

Gemini показал другой тип проблемы: если не разбирать служебные ссылки, можно решить, что модель почти не ссылается на сайты компаний. После восстановления реальных доменов картина меняется.

Из этого следует правило для любых аудитов: если вы хотите понять, как ИИ видит ваш бренд, нельзя смотреть только одну модель и нельзя доверять сырым ссылкам без нормализации. Иначе вы измеряете артефакты дата-пайплайна, а не реальное поведение системы.

Почему это важно

За последние два года многие начали измерять видимость бренда в LLM по ответам: упомянули вас или нет, рекомендовали или нет, какой был тон. Эта статья показывает, что полезнее смотреть глубже — на слой источников.

Потому что ответ можно переформулировать. Источник — сложнее. Если модель раз за разом читает Википедию, YouTube, локальную прессу и карьерные порталы, именно там и формируется сырьё для будущих ответов.

Для компаний отсюда следуют несколько прямых выводов:

🟣 собственный сайт нужен, но он не главный источник для ИИ

🟠 работа с Википедией остаётся базовой задачей почти на всех рынках

🟣 локальные медиа и специализированные площадки могут быть важнее глобальных ресурсов

🟠 репутация работодателя влияет на то, что ИИ говорит о бренде

🟣 видимость нужно проверять по рынкам и по моделям, а не в одном усреднённом срезе

Есть и более широкий смысл. ИИ-поиск становится новым посредником между пользователем и вебом. А значит, вопрос «кто оказался в источниках» постепенно становится не менее важным, чем вопрос «кто оказался в топе обычного поиска».

Ограничения, о которых стоит помнить

У работы есть несколько аккуратно описанных ограничений.

Во-первых, три набора данных собирались не совсем одинаково. Это не единая идеально однородная таблица, а объединённый корпус с разной глубиной разметки.

Во-вторых, не все источники были доступны как чистые URL. Часть данных из Центральной и Восточной Европы размечалась по ключевым словам, а не по доменам, поэтому основной анализ фактически держится на двух крупных поднаборах.

В-третьих, эвристика «собственный сайт бренда» завязана на совпадение имени бренда в домене. Это разумно, но не идеально: какие-то случаи она может пропустить, а какие-то — посчитать спорно.

Наконец, исследование измеряет именно поведение моделей при цитировании, а не настоящую репутацию бренда в глазах людей. Это не одно и то же. Но в мире, где ответы ИИ всё чаще становятся первым касанием с брендом, такое измерение уже само по себе очень значимо.

Вывод

Если вы хотите влиять на то, что LLM говорят о компании, смотреть нужно не только на ответы, но и на источники под ними.

Статья показывает три устойчивые вещи. Первая: ИИ в основном читает сторонние сайты, а не сайты брендов. Вторая: влияние сосредоточено у небольшого числа доменов. Третья: глобальная картина почти везде строится вокруг Википедии, но локальные рынки могут резко менять баланс.

Отсюда следует практическая логика. Работать надо не только с собственным контентом, но и с внешним вебом: энциклопедиями, деловыми медиа, видеоплощадками, отраслевыми каталогами, карьерными ресурсами, локальными изданиями. Именно там LLM чаще всего «читают» бренд.

Видимость в ИИ-поиске всё меньше похожа на классическое продвижение сайта по одному домену. Это уже управление присутствием в сети источников, из которых модель собирает свою версию реальности.