ИИ-шопинг: как товару попасть в рекомендации, когда покупатель спрашивает нейросеть, а не гуглит

Чтобы товар попал в рекомендацию нейросети при покупке, у бренда должны совпасть три вещи: структурированные и непротиворечивые данные о товаре в открытых источниках, устойчивая репутация в независимых упоминаниях (отзывы, обзоры, форумы, маркетплейсы) и техническая доступность страницы для ИИ-краулеров. Нейросеть не «продвигает» товар за деньги — она собирает ответ из того, что уже написано о продукте в сети, и выбирает наиболее последовательную, проверяемую версию. Дальше в статье — что конкретно на это влияет и как выстроить работу без иллюзий о волшебной кнопке.

Почему это не SEO 2.0, а другая механика

Когда пользователь пишет в ChatGPT, Perplexity или Алисе «посоветуй увлажнитель воздуха для квартиры с детьми», система не ранжирует десять синих ссылок. Она формирует один ответ, синтезированный из нескольких источников, и упоминает 2–4 конкретных товара или бренда. Если вашего товара среди них нет — для этого покупателя вас не существует, независимо от того, насколько хорошо вы стоите в органической выдаче Яндекса или Google.

Ключевое отличие от классического SEO: в поиске вы конкурируете за клик, в ИИ-шопинге — за упоминание внутри чужого текста. Модель не переходит по ссылке пользователя ради «трафика на сайт» — она уже решила, что скажет, опираясь на корпус данных, собранный при обучении и дополненный live-поиском. Это смещает фокус с посадочной страницы на весь цифровой след бренда: карточки на маркетплейсах, отзывы, статьи с упоминаниями, сравнительные обзоры, Q&A-платформы.

Мы сознательно не будем здесь разбирать, как измерять сам трафик из ИИ-поисковиков в аналитике — это отдельная задача. Сосредоточимся именно на механике попадания в рекомендацию.

Из чего модель собирает ответ

Важно понимать источники, из которых ИИ-системы формируют рекомендации, потому что работа с каждым источником требует разных действий.

• Обученные знания модели. Массив текстов, на которых модель обучалась до определённой даты. Повлиять на него напрямую нельзя — можно только повышать вероятность, что в следующем обновлении корпуса ваш бренд будет представлен шире и точнее.
• Live-поиск и retrieval. Многие ИИ-сервисы при ответе на транзакционные запросы («купить», «сравнить», «посоветуй») делают запрос в поисковую систему или к партнёрским базам в реальном времени. Здесь работает почти классическая логика видимости — но с упором на структурированность страницы, а не на позицию в выдаче.
• Структурированные фиды. Часть ассистентов (в первую очередь встроенные в маркетплейсы и поисковики с функцией покупок) подключены к товарным фидам напрямую — тем же, что используются для товарных объявлений. Корректность и полнота фида здесь решают почти всё.
• Независимые упоминания. Обзоры, сравнения, редакционные подборки «топ-10», отзывы на независимых площадках. Модель склонна доверять источникам, где мнение о товаре не является рекламой — это её способ отличать факт от промо.

Ни один из этих каналов не заменяет остальные. Компания, которая вложилась только в идеальный товарный фид, но не имеет независимых упоминаний, всё равно проигрывает конкуренту с более «грязными» данными, но живой репутацией в обзорах.

Данные о товаре: минимальная гигиена

Прежде чем думать про репутацию и контент, нужно закрыть базовый уровень — техническую и фактическую точность данных о товаре везде, где они публикуются.

Отдельно стоит сказать про техническую доступность: если сайт закрыт для ИИ-краулеров через robots.txt (что сейчас делают многие из соображений защиты контента), вы автоматически выпадаете из live-поиска этих систем. Это осознанный компромисс — иногда оправданный, — но его нужно принимать осознанно, а не по умолчанию от разработчика.

Репутация решает больше, чем описание

Модель не может «поверить на слово» продавцу — у неё нет способа проверить, что заявленное в карточке товара соответствует действительности. Поэтому она взвешивает независимые сигналы сильнее, чем собственный контент бренда.

Практически это означает следующее.

• Обзоры и сравнения от независимых изданий весят больше, чем ваш блог. Если в нише есть авторитетные обзорные ресурсы — точечная работа с ними (не платное размещение, а честное получение продукта на тест) даёт более устойчивый эффект, чем десять SEO-статей.
• Объём и качество отзывов на маркетплейсах и агрегаторах — это, по сути, крупнейший источник «народного» консенсуса, который модель использует для формулировок вроде «покупатели отмечают».
• Упоминания в Q&A и на форумах (включая профильные Telegram-чаты, Пикабу, тематические форумы) формируют долгий хвост контекста, который модель может процитировать при более специфичных запросах.
• Внутренняя согласованность фактов. Если на одном ресурсе указано, что товар «для чувствительной кожи», а на другом — «не рекомендован при аллергии», модель либо промолчит про эту характеристику, либо выберет более осторожную формулировку — то есть менее продающую.

Здесь прямая связь с классической конкурентной аналитикой: чтобы понять, какие сигналы уже забрал конкурент, полезно системно смотреть на его цифровой след и сопоставлять с KPI отдела маркетинга — см. материал про KPI маркетолога.

Контент, который цитируют, а не который продаёт

Отдельная ошибка — переносить в ИИ-оптимизацию логику рекламных текстов. Модели избегают цитировать откровенно продающие формулировки, потому что их задача — дать пользователю нейтральный, полезный ответ, а не выступить каналом продвижения.

Работает контент с другими свойствами.

1. Прямые ответы на конкретные вопросы. «Подходит ли этот увлажнитель для комнаты 25 м²» — лучше, чем общее «инновационное решение для вашего дома».
2. Сравнительные данные, а не превосходная степень. Таблица «расход воды в час», «уровень шума в дБ», «объём резервуара» цитируется охотнее, чем «самый тихий на рынке».
3. Контекст использования. Кейсы, сценарии «для кого подходит / не подходит» — модель любит формулировать рекомендации с оговорками, и ваш контент должен уже содержать эти оговорки, а не заставлять её додумывать.
4. Актуальность. Дата публикации и обновления имеет значение — многие системы визуально или алгоритмически понижают доверие к явно устаревшему контенту.

Это пересекается с более широким вопросом — кто внутри компании вообще отвечает за то, чтобы такой контент системно производился: штатный специалист или подрядчик. Разбор этого выбора — в материале штат или аутсорс маркетинга.

B2B-контекст: рекомендации нейросетей в закупках

Для B2B-компаний история почти идентична, но с более длинным циклом. Закупщик, который спрашивает у корпоративного ассистента или у ChatGPT «какие есть решения для автоматизации склада для среднего бизнеса», получает список поставщиков, собранный по той же логике: структурированные данные (кейсы, спецификации на сайте), независимые упоминания (G2, Capterra, отраслевые обзоры, кейсы клиентов) и согласованность фактов между источниками.

Разница в том, что в B2B у модели меньше «народных» отзывов и она больше опирается на редакционный и экспертный контент — статьи, вебинары, публичные выступления сотрудников компании, упоминания в профильных СМИ. Если у вас нет системной работы с контентом на уровне компании, вероятность попасть в такую рекомендацию низкая независимо от качества продукта. Общий каркас того, как выстраивать такую работу, разобран в статье про B2B-маркетинг.

Как проверять, попадаете ли вы в рекомендации

Прежде чем оптимизировать, нужно измерить текущее состояние — иначе изменения оценить нечем.

• Ручные прогоны запросов. Регулярно (раз в 1–2 недели) задавайте топ-20 транзакционных запросов вашей категории в основных ИИ-сервисах и фиксируйте, упоминается ли бренд и в каком контексте.
• Мониторинг источника ответа. Многие системы показывают, на какие страницы они опирались. Смотрите, какие домены цитируются чаще всего в вашей нише — это карта того, где нужно наращивать присутствие.
• Сегментация трафика. Если у вас настроена аналитика с выделением рефереров от ИИ-сервисов, отслеживайте динамику отдельно от органического поиска — смешивать их в одну метрику бессмысленно, поведение и конверсия отличаются.
• Аудит фидов и разметки на регулярной основе, а не разово при запуске — устаревшие атрибуты в товарном фиде через полгода снова становятся проблемой.

Это ровно та зона, где нужен отчёт с цифрами, а не ощущениями — если вы защищаете бюджет на эту работу перед советом директоров, полезно посмотреть на структуру такой презентации в статье про отчёт маркетинга совету директоров.

Частые ошибки

• Считать, что это разовый проект. ИИ-оптимизация данных о товаре — это процесс, требующий регулярного аудита фидов и контента, а не единоразовая настройка перед запуском.
• Игнорировать техническую доступность сайта. Закрытый для краулеров robots.txt или контент, рендерящийся только на клиенте, делает всю остальную работу бессмысленной — модель физически не видит данные.
• Копировать SEO-тексты один в один в ИИ-стратегию. Продающий тон и превосходная степень снижают вероятность цитирования — модели выбирают нейтральные, проверяемые формулировки.
• Не следить за противоречиями между источниками. Расхождения в характеристиках между сайтом, маркетплейсом и фидом заставляют модель либо промолчать о свойстве, либо выбрать самую осторожную версию.
• Недооценивать вес независимых отзывов. Компания вкладывается в собственный контент, но не работает системно с отзывами и обзорами — а именно они чаще цитируются как источник доверия.
• Путать присутствие в ответе с продажами. Упоминание в рекомендации — это верхняя часть воронки, а не гарантированная конверсия; нужно считать экономику канала отдельно, как и с любым другим источником трафика.

FAQ

Можно ли заплатить нейросети, чтобы товар попал в рекомендации?

Прямая покупка присутствия внутри самой рекомендации по-прежнему не работает так, как в контекстной рекламе. С февраля 2026 года OpenAI показывает в ChatGPT спонсорские сообщения пользователям бесплатного тарифа и тарифа Go, но это отдельные рекламные блоки рядом с ответом, а не часть самой рекомендации модели; Perplexity в том же месяце, наоборот, отказалась от рекламы совсем в пользу органических цитирований. Основной путь остаётся прежним — структурированные данные и репутация, а не медиабюджет.

Сколько времени занимает увидеть эффект от такой оптимизации?

Для live-поиска изменения могут отразиться в течение недель, если краулеры регулярно обходят ваш сайт. Для встроенных знаний модели эффект отложен до следующего обновления обучающего корпуса, что может занимать месяцы. Поэтому измеримый горизонт стоит планировать в квартал, а не в недели.

Нужна ли отдельная команда или бюджет под ИИ-шопинг?

Отдельная команда обычно не нужна — это расширение существующих зон ответственности: SEO/контент-команда добавляет работу со структурированными данными и независимыми площадками, e-com-команда следит за фидами. Бюджет чаще идёт не на новые инструменты, а на время специалистов и точечные интеграции с обзорными площадками.

Как быть маленькому бренду без ресурсов на PR и обзоры?

Начните с гигиены данных — это бесплатно и полностью в вашей власти: корректная разметка, полные атрибуты, живые отзывы на маркетплейсах. Это база, без которой даже дорогая PR-кампания не даст эффекта, потому что модель не сможет сопоставить упоминания с точными фактами о товаре.

Отличается ли механика между ChatGPT, Perplexity и российскими ассистентами вроде Алисы или GigaChat?

В общих принципах — нет: везде важны структурированные данные, независимые упоминания и техническая доступность. В деталях источники отличаются: российские сервисы чаще опираются на данные Яндекса и партнёрские маркетплейсы, поэтому для них особенно важна корректность карточек на Яндекс.Маркете и Ozon.

Как понять, что конкурент обходит меня именно в ИИ-рекомендациях, а не в обычном поиске?

Проведите те же ручные прогоны запросов, что и для своего бренда, и сравните частоту и контекст упоминаний. Если конкурент стабильно появляется, а вы нет, при сопоставимом качестве товара — разница почти всегда в объёме и качестве независимых упоминаний, а не в характеристиках продукта.

Влияет ли ИИ-шопинг на юнит-экономику маркетинга?

Да, но косвенно: канал меняет распределение трафика по воронке, а не структуру затрат напрямую. Оценивать его стоит в той же логике, что и любой другой источник — через связку с итоговым ROMI, а не как изолированную метрику присутствия. Подход к этому расчёту разобран в статье про как считать ROMI.

Если вы хотите не просто разово навести порядок в данных о товаре, а выстроить систему, которая держит эту работу как регулярный процесс — вместе с остальной архитектурой маркетинга, — приходите на интенсив Marketing OS: там разбираем, как встроить подобные процессы в операционку компании без ручного контроля каждого шага.