Можно ли купить рекомендацию нейросети? Как работают ChatGPT Ads, реклама в Алисе и GEO

Ещё недавно, выбирая CRM, ноутбук или подрядчика для разработки, мы открывали поисковик, изучали несколько сайтов, сравнивали предложения и читали отзывы. Теперь значительную часть этого процесса можно пройти в одном диалоге, например, с ChatGPT и Алисой AI.

Для пользователя это удобно. Вместо десятка вкладок – один разговор, в котором можно уточнять требования, задавать дополнительные вопросы и постепенно приходить к решению.

Но для бизнеса такая модель меняет привычную логику привлечения клиентов. Теперь важно не только оказаться на первой странице поисковой выдачи, но и попасть в список решений, которые нейросеть предложит пользователю.

Рекламные платформы уже адаптируются к этому сценарию. OpenAI запустила ChatGPT Ads, Яндекс тестирует рекламу в диалогах с Алисой AI, а стартапы создают инфраструктуру монетизации для сторонних ИИ-продуктов.

При этом существует и другой путь – GEO (Generative Engine Optimization), когда бренд появляется в органических ответах нейросети без покупки рекламного размещения, аналог SEO, только для нейросетевой выдачи.

Возникает интересный вопрос: что эффективнее для бизнеса – платить за присутствие рядом с ответом нейросети или работать над тем, чтобы она самостоятельно включала компанию в рекомендации?

Чтобы разобраться, посмотрим, как устроены новые рекламные механизмы, что происходит с пользовательским опытом и почему GEO постепенно становится отдельным направлением маркетинга.

Пользователь не просто ищет – он выбирает вместе с нейросетью

Представим небольшую компанию, которой нужно внедрить CRM.

В классическом поиске руководитель вводит “лучшая CRM для малого бизнеса” и получает рекламные объявления, сайты разработчиков, рейтинги и сравнительные статьи. Дальше начинается самостоятельное изучение вариантов. Нужно разобраться в тарифах, интеграциях, возможностях автоматизации, сравнить несколько продуктов и понять, какой из них подходит конкретной компании.

Теперь тот же процесс может выглядеть иначе.

Пользователь открывает ChatGPT и пишет:

У нас отдел продаж на семь человек. Работаем с заявками из Telegram и сайта, используем 1С. Хотим автоматизировать обработку обращений, но без сложного внедрения. Какие CRM стоит рассмотреть?

Нейросеть может предложить несколько вариантов, объяснить различия, уточнить бюджет, сравнить интеграции и помочь выбрать подходящее решение.

Следующий вопрос уже не требует повторять исходные требования. Пользователь просто продолжает разговор:

А какая из этих систем лучше интегрируется с 1С? И сколько будет стоить внедрение?

Контекст сохраняется, а выбор постепенно сужается. Здесь и происходит принципиальное изменение пользовательского опыта. Поисковая система преимущественно помогала найти информацию для принятия решения. Нейросеть может участвовать в самом процессе выбора: структурировать требования, сравнивать альтернативы и объяснять компромиссы.

Разумеется, рекомендации ИИ могут быть неполными или ошибочными. Для важных решений их по-прежнему нужно проверять. Но сам пользовательский сценарий становится другим. И бизнесу приходится учитывать, что потенциальный клиент может составить короткий список поставщиков ещё до посещения их сайтов.

ChatGPT Ads: реклама подбирается не по одному запросу, а по контексту разговора

21 октября 2026 года OpenAI опубликовала инженерный разбор архитектуры ChatGPT Ads.

Это один из наиболее интересных материалов о том, как реклама адаптируется к генеративным интерфейсам. В обычной поисковой рекламе у системы есть относительно самостоятельный сигнал – запрос пользователя. Например, “купить ноутбук для программирования”. Алгоритм подбирает подходящие объявления, учитывает ставки и другие параметры, проводит аукцион и показывает результаты.

В диалоге с ChatGPT намерение пользователя может формироваться постепенно. Человек сначала спрашивает, какой язык программирования изучать. Потом обсуждает инструменты разработки, требования к компьютеру и особенности работы с большими проектами. И только через несколько сообщений начинает выбирать ноутбук. Если рекламная система анализирует каждую реплику отдельно, значительная часть контекста теряется.

Поэтому OpenAI построила отдельную рекламную инфраструктуру, в основе которой находится специализированная LLM-оркестратор. Её задача – интерпретировать разговор и определить, какие рекламные предложения могут быть полезны пользователю в текущий момент.

Как работает рекламная система ChatGPT

Рекламный конвейер включает несколько этапов:

1. Анализ намерения пользователя.

Отдельная LLM анализирует доступный контекст разговора и формирует краткие представления потенциального коммерческого интереса.

Например, обсуждение подготовки к марафону может содержать сразу несколько потребностей: выбор беговой обуви, спортивных часов или программы тренировок.

Система не обязана сводить всё к одному поисковому запросу. Она может сформировать несколько семантических представлений разных потребностей.

2. Поиск релевантных объявлений.

Для поиска кандидатов используются embeddings – векторные представления смысла текста – и approximate nearest neighbor search (ANN). Это позволяет сопоставлять объявления с намерением пользователя не только по буквальному совпадению слов.

Например, запрос о снижении нагрузки на колени во время бега может оказаться релевантным некоторым предложениям спортивной обуви, даже если пользователь не произнёс конкретное название товара.

3. Проверка кандидатов.

Найденные объявления проходят фильтрацию. Учитываются доступность кампании, география, рекламные политики, бюджеты, настройки пользователя и совместимость объявления с размещением.

4. Оценка качества и аукцион.

Оставшиеся объявления оцениваются по релевантности, прогнозируемому взаимодействию и другим сигналам. Затем рекламная инфраструктура проводит аукцион для определения итогового размещения и цены.

Это важная техническая деталь: LLM не просто выбирает рекламодателя с самой высокой ставкой. Она участвует в подборе и оценке кандидатов, а финальный выбор проходит через отдельные механизмы ранжирования и аукциона.

OpenAI подчёркивает, что контекстные подсказки рекламодателей помогают подбору, но не работают как гарантированные ключевые слова с точным соответствием.

Реклама и обычный ответ работают независимо

Самое важное для пользователя – разделение двух процессов.

Обычный ответ ChatGPT генерируется отдельно от рекламной системы. Рекламная LLM не должна изменять содержание рекомендаций, которые формирует основная модель.

Объявление появляется под ответом в отдельном спонсируемом блоке. Рекламодатели не могут покупать изменение содержания или порядка обычных ответов ChatGPT.

При этом реклама доступна не всем пользователям: она показывается на соответствующих рынках пользователям Free и Go (бесплатный тариф и ограниченный - Go). На Plus, Pro, Business, Enterprise и Edu объявления отсутствуют. Для B2B-рекламодателей это может быть существенным ограничением. Согласно исследованию NBER, опубликованному в октябре 2026 года, платными генеративными ИИ-сервисами в США чаще пользуются более обеспеченные потребители. Это не означает, что вся платежеспособная аудитория находится на платных тарифах, но показывает, что исключение таких пользователей из рекламного охвата стоит учитывать при планировании кампаний.

Есть и региональное ограничение: нельзя настраивать кампанию на пользователей из РФ и другие страны под ограничениями. Сама рекламная платформа ещё сырая и находится в стадии бета.

Но тем не менее, для бизнеса такой подход открывает интересную возможность. Реклама может появиться не просто в ответ на коммерческий поисковый запрос, а в контексте разговора, в котором пользователь уже объяснил свою задачу и сформулировал критерии выбора. Например, предложение сервиса автоматизации может оказаться уместным после обсуждения конкретной бизнес-проблемы, а не только при запросе “купить программу автоматизации”.

Фактически рекламная система получает возможность учитывать более содержательный сигнал спроса. При этом возможность показать объявление ещё не означает, что пользователь ему доверяет, заинтересуется предложением или совершит покупку. Эти результаты по-прежнему зависят от продукта, рекламы и качества аудитории.

Яндекс тоже интегрирует рекламу в диалоги с Алисой AI

Похожее направление развивается и в России.

Яндекс официально описывает тестирование промообъявлений в чате с Алисой AI.

Алгоритмы анализируют контекст пользовательского запроса и подбирают подходящее рекламное предложение. Оно появляется под ответом Алисы в виде текстового баннера или карточки и сопровождается маркировкой “промо”.

Как и OpenAI, Яндекс заявляет, что показ рекламы не изменяет содержание обычного ответа нейросети.

При этом не стоит предполагать, что внутренняя архитектура Алисы полностью повторяет ChatGPT Ads. Яндекс публично описывает пользовательскую механику, но не раскрывает рекламный конвейер с такой же детализацией, как OpenAI.

Разница между платформами может быть существенной. Но с точки зрения пользовательского опыта тенденция одна: рекламное предложение становится частью интерфейса, в котором человек обсуждает задачу с ИИ.

Представим пользователя, который планирует ремонт квартиры. В обычном поиске он может последовательно искать стоимость ремонта, варианты материалов, способы планирования бюджета и подрядчиков. В диалоге с Алисой эти вопросы объединяются в один процесс. По мере обсуждения пользователь уточняет требования и формирует представление о будущем проекте.

Рекламное предложение в таком контексте потенциально может оказаться более уместным, чем объявление, подобранное по отдельному запросу. Но есть и другой сценарий: Алиса может сама перечислить подходящие компании или сослаться на тематические материалы в обычном ответе.

И здесь мы уже говорим не о покупке рекламы, а об органической видимости в нейросетях (GEO).

GEO: как бренд может оказаться в ответе без затрат на рекламу

Предположим, пользователь задаёт ChatGPT вопрос:

Какие российские сервисы лучше подходят для автоматизации работы небольшого отдела продаж?

Модель формирует ответ, перечисляет несколько продуктов и объясняет, чем они отличаются. Никакого спонсируемого блока нет. Компании появляются непосредственно в основном ответе нейросети.

Для бизнеса такое упоминание потенциально ценно: продукт попал в поле зрения пользователя, который уже заинтересован в решении соответствующей задачи. При этом компания не покупала рекламное размещение.

Именно с подобными сценариями связано развитие GEO – Generative Engine Optimization, направления, связанного с повышением органической видимости брендов в ответах генеративных систем.

Но возникает интересный вопрос: почему нейросеть рекомендует одни компании, а другие даже не упоминает? И можно ли на это повлиять?

Чтобы разобраться в этом направлении, при подготовке статьи я обратился к команде ГЕОранк – разработчикам платформы для GEO-аналитики. Коллеги помогли разобраться в особенностях органического присутствия брендов в нейросетях и предоставили возможность посмотреть, как GEO работает на практике: от анализа пользовательских запросов до изучения конкурентов и источников, на которые ссылаются AI-системы.

Первое, что важно понимать: GEO – это не способ договориться с нейросетью о рекомендации. Нельзя заплатить за изменение органического ответа или гарантировать появление компании в списке предложенных решений.

В отличие от рекламных размещений, здесь работа строится вокруг информационной представленности бренда: насколько подробно описан продукт, где о нём говорится, какие сведения доступны генеративным системам и насколько они соответствуют вопросам пользователей.

В зависимости от системы и режима работы нейросеть может опираться на знания, полученные во время обучения, или обращаться к дополнительным источникам информации.

В сценариях генеративного поиска часто используется механизм, близкий к Retrieval-Augmented Generation (RAG), когда модель получает внешнюю информацию для подготовки ответа.

Упрощённо процесс выглядит так:

Например, если пользователь спрашивает о CRM-системах с интеграцией 1С, поисковый механизм может находить документацию разработчиков, сравнительные обзоры, статьи и другие материалы, связанные с этим вопросом. На основе доступной информации нейросеть формирует ответ, в котором могут появиться названия конкретных продуктов.

Но здесь есть несколько нюансов. Во-первых, не каждый ответ ChatGPT использует веб-поиск. Во-вторых, найденный источник необязательно будет процитирован. И в-третьих, цитирование сайта компании ещё не означает, что нейросеть рекомендует её продукт.

При этом техническая доступность информации тоже имеет значение. Например, OpenAI отдельно документирует поискового робота OAI-SearchBot, который используется для поисковых функций ChatGPT. Если сайт блокирует доступ этому роботу, это может ограничивать использование его содержимого в поисковых ответах.

Однако одного разрешения на сканирование недостаточно. На появление бренда могут влиять релевантность материалов запросу, полнота информации, наличие независимых источников и другие факторы, значение которых различается между системами.

Представим компанию, которая разработала собственную систему автоматизации склада. На её сайте есть только главная страница с обещанием “повысить эффективность бизнеса”, но отсутствуют техническая документация, описание интеграций и реальные кейсы внедрения.

Пользователь спрашивает нейросеть, какие системы подходят для склада с 1С и определённым объёмом заказов. Даже если информация о компании доступна поисковым механизмам, её может оказаться недостаточно для содержательного сравнения с конкурентами.

А если у других разработчиков опубликованы подробные инструкции, описания ограничений, примеры внедрения и независимые обзоры, у генеративной системы будет больше конкретной информации об этих решениях. Это не означает, что нейросеть обязательно отдаст им предпочтение. Но показывает, почему качество и доступность информации могут иметь значение для органической видимости.

И здесь появляется практическая задача: недостаточно просто публиковать материалы и надеяться, что нейросети начнут их использовать. Нужно понимать, по каким вопросам бренд уже появляется в ответах, какие компании рекомендуются вместо него и какие источники встречаются в рекомендациях.

Для этого и развивается отдельное направление GEO-аналитики, позволяющее перейти от единичных проверок ChatGPT к систематическому наблюдению за ответами разных AI-сервисов.

Почему GEO может быть экономически интереснее платной рекламы

На первый взгляд у платной рекламы есть преимущество: рекламодатель выделяет бюджет, настраивает кампанию и получает возможность показывать объявления выбранной аудитории.

У GEO всё менее предсказуемо. Нельзя просто указать ставку и гарантировать, что завтра ChatGPT будет рекомендовать компанию по нужным вопросам. Почему же бизнесу вообще стоит рассматривать этот подход?

Дело в различии экономики двух моделей. У платной рекламы значительная часть расходов связана с покупкой размещений. В зависимости от платформы бизнес оплачивает показы, клики или другие события. Когда рекламная кампания прекращается, прекращаются и новые оплаченные размещения. GEO устроено иначе.

Компания вкладывается в развитие информационной представленности: содержание сайта, техническую доступность, экспертные публикации, продуктовую документацию, кейсы и присутствие на релевантных площадках. Эта работа не обеспечивает гарантированных показов, зато созданные информационные материалы потенциально могут использоваться многократно.

Представим B2B-компанию, которая занимается внедрением WMS-систем. Для платного привлечения она может рекламироваться по запросам, связанным с автоматизацией складов, управлением остатками и интеграциями с 1С.

В органической модели компания может подготовить подробные материалы, отвечающие на вопросы потенциальных клиентов:

• Как выбрать WMS для склада среднего размера?

• Какие системы можно интегрировать с 1С?

• Как рассчитать бюджет внедрения?

• Какие ошибки чаще всего возникают при автоматизации складской логистики?

Если информация действительно полезна, её ценность не ограничивается одной рекламной кампанией. Она может работать в поиске, помогать менеджерам по продажам, отвечать на вопросы потенциальных клиентов и становиться частью контекста, который используют генеративные системы.

В этом и заключается потенциальное преимущество GEO: расходы на создание качественного информационного актива не обязательно растут пропорционально количеству будущих органических упоминаний.

Но здесь нужна важная оговорка.

GEO не является бесплатным каналом

Работа с GEO требует вложений: в контент, техническую доступность сайта, экспертную редактуру, внешние публикации и аналитику. Поэтому сравнивать GEO с платной рекламой корректнее по полной стоимости привлечения клиентов на длительном периоде, учитывая в том числе накопленный эффект от созданных материалов.

Условно:

CAC платной рекламы = расходы на кампании и их сопровождение / количество привлечённых клиентов.

Для GEO формула похожая:

CAC GEO = расходы на контент, технические работы и мониторинг / количество дополнительных клиентов, привлечённых благодаря GEO.

Но именно вторая формула сложнее в применении. Как доказать, что клиент обратился после рекомендации нейросети, если он не переходил по ссылке, а позднее нашёл компанию самостоятельно? Без корректной атрибуции и оценки дополнительного эффекта сравнение может оказаться неточным.

Поэтому GEO экономически интереснее рассматривать как долгосрочную инвестицию в видимость бренда, а не замену всей платной рекламе.

Особенно в нишах, где пользователь долго изучает варианты перед покупкой: B2B-сервисы, корпоративное ПО, сложное оборудование, профессиональные услуги и технологические продукты. Здесь один содержательный материал потенциально может быть полезен для множества связанных вопросов. А рекламная кампания чаще ориентирована на конкретный период и ограниченный бюджет.

Как измерить органическое присутствие бренда в нейросетях

Здесь возникает ещё одна практическая проблема. Классические рекламные системы предоставляют рекламодателю понятный набор метрик: показы, клики, расходы, стоимость взаимодействий и конверсии. У органических ответов нейросетей такого универсального рекламного кабинета нет.

Предположим, пользователь попросил ChatGPT порекомендовать сервис автоматизации клиентской поддержки. Модель включила компанию в список из пяти решений. Человек запомнил название, но не перешёл по ссылке. Через несколько дней он самостоятельно нашёл сайт компании и оставил заявку.

В привычной веб-аналитике такой переход может выглядеть как прямой или брендовый поисковый трафик. Первоначальное знакомство с продуктом внутри ChatGPT останется незамеченным.

Поэтому оценивать GEO только по переходам из нейросетей недостаточно. Нужно анализировать сами ответы.

Причём важно различать три события:

• Упоминание бренда – компания присутствует в тексте ответа.

• Цитирование источника – нейросеть ссылается на страницу или материал.

• Рекомендация – модель предлагает компанию как один из вариантов решения задачи пользователя.

Эти события связаны, но не эквивалентны друг другу. Например, нейросеть может процитировать сайт производителя, описывая недостатки его продукта. Формально источник присутствует, но позитивной рекомендации нет.

Как это выглядит на практике

Посмотрим, насколько часто нейросети упоминают один и тот же бренд в ответах на разные пользовательские запросы.

Например, по запросу “Как понять, какие звонки были целевыми?” исследуемый бренд появился в 21 из 33 ответов (63,6%). А по запросу “Лучшие сервисы речевой аналитики для отдела продаж” – в 16 из 33 ответов (48,5%).

Разница составляет 15,1 процентного пункта. При этом оба вопроса относятся к одной тематике, но отражают разные пользовательские намерения: в первом случае человек пытается разобраться с проблемой, во втором – ищет подходящий сервис. Разница показывает, насколько заметно может меняться видимость бренда при запросах с разным пользовательским намерением. Поэтому для анализа важно учитывать несколько формулировок, а не ограничиваться одним общим вопросом.

Но агрегированные показатели – только часть картины. Интереснее посмотреть, что происходит в конкретных ответах.

Например, в одном из ответов Алисы AI на вопрос “Лучшие сервисы речевой аналитики для отдела продаж” исследуемый бренд не упоминался. При этом в результатах анализа был обнаружен конкурент SalesAI и шесть источников, среди которых отраслевые публикации и сравнительные материалы.

Такие данные позволяют не только зафиксировать отсутствие бренда, но и посмотреть, какие конкуренты появляются в ответах, на какие материалы ссылаются нейросети и насколько полно собственный продукт представлен в доступных источниках.

Изучение источников помогает выявлять темы, статьи и обзоры, которые встречаются в ответах нейросетей, и находить направления для дальнейшей работы с контентом

Чтобы сравнивать результаты систематически, нужны количественные показатели.

Какие метрики имеют смысл

Один из базовых показателей – Mention Rate, доля ответов, в которых упоминается исследуемый бренд.

Mention Rate = количество ответов с упоминанием бренда / общее количество проверенных ответов × 100%. Но важно правильно интерпретировать результат.

Если бренд появляется в 8 из 20 проверенных ответов, его Mention Rate в этой выборке составляет 40%. Это не означает, что 40% всех пользователей ChatGPT видят эту компанию. Метрика описывает только конкретный набор запросов, моделей и условий проверки.

Аналогичным образом можно оценивать присутствие конкурентов, позиции брендов в ответах и динамику показателей после изменения сайта, публикации новых материалов или появления внешних упоминаний.

И здесь особенно важна регулярность. Один удачный ответ нейросети не означает устойчивого присутствия бренда. Формулировка запроса, модель, доступные источники и другие условия могут менять результат. Поэтому для сопоставимого мониторинга необходимо сохранять методику измерений и отслеживать показатели в динамике.

В результате GEO-аналитика помогает ответить на два принципиальных вопроса: рекомендуют ли нейросети наш продукт и что отличает ситуации, в которых он появляется, от тех, где присутствуют только конкуренты?

Чтобы связать органическую видимость с бизнес-результатами, важно сопоставлять её динамику с переходами из AI-сервисов, брендовыми запросами, обращениями и данными CRM.

Таким образом, GEO-аналитика помогает понять, по каким запросам бренд уже присутствует в ответах нейросетей, где уступает конкурентам и какие изменения могут усилить его позиции.

Таким образом, GEO-аналитика становится инструментом проверки гипотез о видимости бренда, а не гарантией получения клиентов из нейросетей.

Что это меняет в стратегии бизнеса

ChatGPT Ads, реклама в Алисе и GEO решают разные задачи. Платные размещения позволяют тестировать спрос и управлять бюджетом, а работа с органической видимостью требует времени и улучшения доступной информации о продукте. Эти подходы не исключают друг друга.

Если компания только начинает работать с GEO, я бы выстроил процесс в четыре шага.

1. Собрать вопросы клиентов. Начать не с упоминаний собственного бренда, а с запросов, возникающих до покупки: какую проблему решить, какие решения существуют, как сравнить их ограничения, стоимость и интеграции. Такие вопросы лучше группировать по этапам выбора.

2. Зафиксировать исходную видимость. Для этого я использовал ГЕОранк: проверял один и тот же набор вопросов в разных нейросетях и смотрел, где появляется бренд, каких конкурентов рекомендуют вместо него и на какие источники ссылаются. Формулировки запросов и условия проверки сохранял, чтобы затем можно было сравнивать результаты в динамике.

3. Найти и закрыть информационные пробелы. Сопоставить ответы с материалами собственного сайта. Достаточно ли подробно описаны возможности, ограничения, интеграции и реальные внедрения? Если нейросети цитируют обзоры или документацию конкурентов, стоит понять, на какие вопросы отвечают эти материалы, и подготовить собственные содержательные ответы – не копируя чужой контент. На практике я начинал именно с источников: смотрел, какие статьи и обзоры цитируют нейросети и в каких темах информации о бренде недостаточно. ГЕОранк по результатам анализа сам формирует список рекомендаций по улучшению видимости.

4. Проверить изменения и коммерческий эффект. После публикации или обновления материалов повторить измерения в сопоставимых условиях. Отдельно посмотреть на переходы из AI-сервисов, брендовые запросы и обращения в CRM.

В итоге получается рабочий цикл: вопросы пользователей → анализ видимости → улучшение информации → повторная проверка. Параллельно компания накапливает качественные информационные материалы, полезные и для поискового продвижения, и для потенциальных клиентов, и для отдела продаж.

Главное изменение – не реклама, а сам процесс выбора

ChatGPT Ads, промообъявления в Алисе AI и развитие проектов, встраивающих рекламу поверх ИИ-выдачи показывают, что генеративные интерфейсы постепенно становятся самостоятельным рекламным пространством. Но я бы обратил внимание не столько на появление новых рекламных блоков, сколько на изменение самого пользовательского поведения.

Человек приходит к нейросети не только за информацией. Он может обсуждать задачу, постепенно уточнять требования и сравнивать решения непосредственно в диалоге. Для бизнеса это означает, что часть процесса выбора перемещается из сайтов и поисковой выдачи в генеративный интерфейс.

Платная реклама позволяет взаимодействовать с пользователем в этом новом контексте.

GEO открывает другую возможность – органически присутствовать в информационных ответах, которые помогают человеку разобраться в задаче и выбрать подходящее решение.

Первая модель даёт больше инструментов непосредственного управления рекламным размещением.

Вторая потенциально позволяет создавать долгосрочные информационные активы, которые могут использоваться в разных сценариях поиска и выбора без оплаты каждого отдельного упоминания.

Скорее всего, для многих компаний наиболее интересным окажется сочетание двух подходов: платное привлечение там, где необходим быстрый и управляемый контакт, и системная работа над органической видимостью там, где пользователь изучает альтернативы.

Раньше бизнес боролся преимущественно за место в поисковой выдаче. Теперь ему всё чаще приходится думать о том, почему нейросеть вообще должна включить его продукт в список подходящих решений.

И это, пожалуй, более существенное изменение, чем появление очередного рекламного формата.