О задаче

Типовой срок в нише: 2-3 месяцев · регион: Москва и область Покупатели спрашивали нейросети о магазине и получали готовую сводку без перехода на сайт, а в ней всплывали старые жалобы и неточные сведения. Мы замерили, что пишут ИИ-ассистенты по фиксированному набору запросов, нашли источники, на которые они опирались, поправили данные на площадках клиента и наладили поток подробных отзывов. Повторный замер на тех же запросах показал, как изменились ответы.

Клиент – интернет-магазин с доставкой

Наш клиент работает как интернет-магазин с доставкой и продает частным покупателям. Проект под NDA, поэтому название и ассортимент мы не раскрываем. Покупатели все реже листают выдачу и все чаще спрашивают нейросеть, стоит ли заказывать у конкретного продавца. Сводку она собирает с отзовиков и других площадок, и сайт компании в ней звучит лишь одним голосом из многих.

С чем магазин пришел за работой с ответами нейросетей

Владелец не знал, что нейросети вообще рассказывают покупателям о его компании. Сводка формируется без перехода в поиск, и обычный мониторинг отзывов ее не показывает. В ответах встречались устаревшие сведения, например ассортимент, которого в продаже уже нет. Исправить впечатление после такой подсказки почти невозможно: по открытым исследованиям рынка больше 40% пользователей редко или никогда не переходят к источнику.

Жалобы нейросеть сводила вместе. Несколько похожих негативных отзывов превращались в один тезис о продавце. По исследованию рынка 2026 года из отзывов в цитаты попадают темы обслуживания в 62,9% случаев, доставки в 33,5%, качества продукта в 33,1%, возвратов в 21,3%. По запросам категории клиента могли и вовсе не назвать среди вариантов, потому что независимых источников о нем было мало.

Что магазин хотел изменить в ответах ИИ

Сначала владелец хотел узнать, как нейросети описывают магазин по названию и по запросам категории и где в этих описаниях ошибки. Базовые метрики фиксировали по единой методике: доля присутствия бренда в ответах и доля голоса среди брендов в том же наборе. Следом шли две цели: убрать фактические ошибки из своих источников и усилить внешние источники отзывов. Конкретной формулировки мы не обещали, ведь команду показывать бренд чаще нейросети дать нельзя.

Особенности репутации в нейросетях для e-commerce

Нейросеть строит ответ по консенсусу источников. Если большинство площадок о компании молчит, а часть критикует, сводка выйдет настороженной. Негативные события описываются подробнее и эмоциональнее, поэтому старый скандал может перевесить свежие нейтральные упоминания. По исследованию рынка 2026 года на этапе выбора бренда доля сайтов отзывов среди цитируемых источников выросла до 24,27% против 1,51% на этапе знакомства с категорией.

Для онлайн-торговли это значит, что отзовики весят больше всего в момент покупки, когда человек сравнивает конкретных продавцов. Скорость изменений предсказать нельзя. При обновлении модели формулировки меняются без предупреждения, а свежая публикация на авторитетной площадке может повлиять на них уже через несколько дней.

Как работали с репутацией магазина в нейросетях

Набор запросов и первый замер

Работа стартовала сразу после оплаты, кабинеты и доступы с первого дня оформлены на клиента. За 1 день брифа мы собрали запросы по названию и по категории, а также связки «название плюс отзывы» и «название плюс доставка». По этому набору сделали первый замер в нескольких ИИ-ассистентах. Сервисы и регион для замера закрепили сразу, чтобы повтор шел в тех же условиях.

Разметка ответов и базовые метрики

Аудит занял 3–5 дней. Каждую сводку мы разметили по трем признакам: назван бренд или нет, верно описание или с ошибкой, тон нейтральный или оценочный. Разметка шла по одной таблице, чтобы повторный замер можно было сравнить с первым построчно. По ней посчитали долю присутствия и долю голоса среди брендов того же набора.

Проверка источников

Затем собрали первую страницу выдачи по названию и связкам с отзывами и доставкой. Каждую найденную площадку сверили с тем, что пишут нейросети: где совпадает формулировка, где повторяется старая жалоба, где указан прежний ассортимент. Так нашли площадки, с которых ошибки попадали в выдачу ИИ.

Исправление сведений на своих площадках

Стратегию за 5–7 дней оформили планом и прогнозом на первый месяц. Первым пунктом в нем стояло исправить ассортимент, условия доставки и возврата на площадках самого магазина. Сведения на сайте и в профилях компании свели к одной версии, чтобы нейросети не находили двух разных описаний одного продавца.

Отзывы на внешних площадках

Покупателей просили оставлять подробные отзывы на тех площадках, которые цитируют нейросети: что заказали, как прошла доставка, как решился вопрос с возвратом. Такие истории содержат фактуру, которую модели забирают в сводки. Отзывы не генерировали и не заказывали, работали только с реальными покупателями клиента.

Повторный замер

Цикл работ длился 4 недели. После него повторили замер на тех же запросах, в тех же сервисах и в том же регионе, с той же разметкой по трем признакам. Сравнение показывает, какие ошибки ушли из ответов, какие держатся и с каких площадок они по-прежнему приходят. Оба замера вошли в ежемесячный отчет. Следующий месяц планируем по итогам этого сравнения.

Результаты по ответам нейросетей

Числовые примеры из материала не являются подтверждёнными результатами клиента.

Пример результата в нише. Так обычно выглядит итог за 4 месяца в таких проектах по нашей оценке и общим срокам рынка: доля ответов нейросетей с упоминанием магазина на наборе из 50 запросов с 10 до 35%, ответов с ошибками о доставке и оплате с 12 до 3. Доля голоса среди магазинов ниши растет с 5 до 15%, тон ответов чаще нейтральный или положительный. Цифры условные и показывают порядок изменений.

Здесь будут доля присутствия, доля голоса, число ответов с фактическими ошибками и тон при первом и повторном замере. Ориентира рынка с цифрами результата в открытых кейсах этой выборки нет. Поэтому мы сравниваем только два замера проекта, сделанные по одной методике на одном наборе запросов. Рост числа упоминаний при сохранении ошибки успехом не считаем, ведь покупатель все равно получит неверные сведения о магазине.

Что еще влияло на ответы нейросетей

Скорость обновления ответов зависит от модели, площадки и частоты обновления данных. Поэтому часть формулировок при повторном замере может остаться прежней, даже если источники уже исправлены. Тексты о доставке и возвратах держатся на реальном сервисе: пока жалобы повторяются, нейросеть будет их обобщать, и правка сайта этого не изменит. Отзывы, написанные нейросетью, мы не делали. В них нет логики и живой фактуры, а при ошибке репутационный риск высок.

Выводы для владельца интернет-магазина

Раз в месяц проверяйте, что нейросети пишут о вашей компании, по одному и тому же набору запросов. Без такой проверки ошибку никто не увидит, а покупатели продолжат ее читать. Берите запросы по названию, по категории и связки названия с отзывами и доставкой. Удобнее держать запросы в одном файле и не менять их формулировку от месяца к месяцу, даже если хочется добавить новые.

Сводка строится на отзывах и внешних источниках, поэтому поток реальных подробных отзывов весит больше текста на сайте. Порядок работ тоже имеет значение. Сначала исправляйте фактические ошибки на своих площадках, а долю присутствия считайте потом, когда сведения о бренде уже верны. Иначе рост упоминаний лишь разнесет неверные данные по большему числу ответов.