«Reputation» ищут в Вордстате 8 331 раз в месяц, «репутационные» — ещё 7 363: спрос на управление репутацией стабильно высок. Но сам предмет управления изменился. Классический SERM построен вокруг страницы поисковой выдачи — а всё больше клиентов первым делом видят не выдачу, а один готовый ответ нейросети. И в этом ответе нет «второй страницы», куда можно задвинуть негатив.

Как работал классический SERM

SERM (search engine reputation management) исходил из простой механики: репутация бренда в поиске — это топ-10 по запросам вида «компания X отзывы». Методика отработана годами: наполнить выдачу подконтрольным позитивом — карточками на отзовиках, статьями, разделами сайта, — чтобы негатив опустился на вторую страницу, куда доходят единицы. Негатив при этом никуда не исчезал: он просто становился невидимым.

Почему для нейросетей это не работает

  • Один ответ вместо десяти ссылок. Нейросеть не показывает список, из которого можно что-то вытеснить. Она синтезирует единый вывод — «у сервиса X удобное приложение, но много жалоб на поддержку», — и позиция негативной ссылки в выдаче влияет на этот вывод слабо.
  • «Вторая страница» больше не прячет. Модели достают источники за пределами топа: 28% страниц, которые цитирует ChatGPT, вообще не видны в топе Google. Негатив, задвинутый вглубь выдачи, для модели остаётся полноценным источником.
  • Память модели. Часть «мнения» зашита в обучающих данных — снимке интернета, где старый конфликт мог быть громкой историей. Из выдачи он давно ушёл, из модели — нет.
  • Категоричность формулировок. Поиск показывал ссылки, выводы человек делал сам. Модель делает вывод за него — и нередко в более категоричной форме, чем первоисточник.

Как нейросети формируют «мнение» о бренде

Три слоя. Первый — обучающие данные: всё, что интернет писал о вас до момента обучения модели. Второй — поисковые источники: движки с доступом к вебу подмешивают свежие страницы, и 84% таких цитат приходится на сторонние площадки — отзовики, СМИ, обзоры. Третий — консенсус отзывов: на вопрос «можно ли доверять X» модель пересказывает усреднённую оценку с площадок, которые ей попались. Тональность источников превращается в тональность ответа — иногда с усилением. Отдельная ловушка — вопросы вида «расскажи о недостатках X»: модель услужливо соберёт все претензии, какие найдёт, даже если их доля в общем массиве отзывов невелика.

Чем опасны устаревшие и ошибочные данные

Главный риск — негатив без срока давности: давно решённый конфликт или отработанная волна плохих отзывов пересказываются в настоящем времени, как будто это происходит сейчас. Добавьте устаревшие цены, закрытые филиалы и путаницу с компаниями-тёзками — типовые ошибки мы разобрали в статье «Нейросети ошибаются о вашем бренде». Пользователь не видит ни дат, ни источников — он видит уверенный ответ и принимает решение. 35% российских интернет-покупателей уже выбирают с помощью ИИ: неверный абзац в ответе — это антиреклама на массовую аудиторию.

В выдаче негатив можно было задвинуть на вторую страницу. В ответе нейросети второй страницы нет: модель либо пересказывает негатив, либо нет — и без регулярного замера вы не знаете, какой из вариантов достаётся вашим клиентам.

Как выглядит управление репутацией в эпоху нейросетей

1. Мониторинг тональности вместо съёма позиций

Базовая метрика нового SERM — не позиция негативной ссылки, а тональность ответов: в какой доле ответов о бренде звучит негатив, в каких движках и по каким вопросам. Из-за стохастичности ответов измерять её нужно сериями прогонов, а не разовыми проверками: единичный ответ — случайная точка, а не диагноз. Замеряйте репутационные вопросы регулярно, раз в две-четыре недели: свежая волна негатива попадает в движки с поиском за считанные дни.

2. Работа с источниками, а не с выдачей

Ответ нельзя отредактировать, источники — можно. Смотрите, что цитируется в негативных ответах: устаревший обзор — попросить редакцию обновить, несправедливый отзыв — ответить и решить проблему, ошибка в каталоге — исправить. Это медленнее «вытеснения», зато действует на причину, а не на симптом.

3. Свежий позитив, который удобно цитировать

Движки с поиском предпочитают свежие страницы. Регулярные публикации, обновлённые обзоры и актуальные кейсы дают модели более новые источники, чем старый негатив, — и постепенно замещают его в ответах. Что именно попадает в цитаты — в статье «Как попасть в рекомендации нейросетей».

4. Контроль динамики

Исправления доходят до ответов с задержкой — от дней у движков с поиском до месяцев при обновлении моделей. Поэтому цикл замыкается регулярным замером: та же серия прогонов, та же методика, сравнение доверительных интервалов. Как устроен такой мониторинг целиком — в статье «GEO-мониторинг: что это и зачем».

С чего начать

  1. Соберите репутационные запросы: «компания X отзывы», «можно ли доверять X», «X недостатки», плюс сравнения с основными конкурентами.
  2. Проведите базовый замер по основным движкам сериями прогонов и разметьте тональность каждого ответа.
  3. Для каждого негативного ответа выпишите цитируемые источники — это и есть ваш рабочий список.
  4. Исправьте источники, добавьте свежий позитив и повторите замер через 4–6 недель той же методикой.

Чем поможет «Брендометр»

«Брендометр» размечает тональность каждого ответа в одиннадцати нейросетях — от Алисы AI и GigaChat до ChatGPT и Gemini, — показывает, какие источники цитируются в негативных ответах, хранит полные тексты для разбора спорных случаев и присылает изменения в Telegram: если тональность просела, вы узнаете об этом первым, а не от клиентов. При регистрации — 400 кредитов, их хватает на полную первую проверку бренда. Проверьте, что нейросети говорят о вашей репутации.