Материал подготовила команда theLUMA — платформы для управления видимостью бренда в нейросетях.
PR-отдел десятилетиями отслеживал одну и ту же вещь: как о компании пишут СМИ — позитивно, нейтрально или с явным негативом. Работа не изменилась, изменился адресат. Теперь тот же вопрос всё чаще звучит не про журналиста, а про ChatGPT, Gemini или Алису: что именно нейросеть скажет о бренде, если её спросят.
Разница в том, что у публикации в СМИ есть автор, дата и заголовок, который можно прочитать целиком. У ответа нейросети этого нет — есть только синтезированный вывод, собранный из десятков источников сразу, и PR-команде приходится реконструировать логику этого вывода, а не читать его напрямую.
Что такое тональность бренда в ИИ
AI Sentiment (тональность бренда в ответах ИИ) — оценка того, в каком эмоциональном ключе нейросеть говорит о компании, когда упоминает её в ответе: позитивно, нейтрально, негативно или смешанно (упоминает и сильные, и слабые стороны одновременно).
Здесь легко ошибиться с интуицией. AI-репутация — это не список фактов о компании, а взвешенная ассоциация, которую модель собирает из всего массива информации о бренде разом. Модель не выбирает «самый свежий» или «самый громкий» источник — она взвешивает всё, что успела увидеть, и то, что перевешивает в этой сумме, и становится тональностью ответа.
Отсюда вытекает контринтуитивное следствие: медийная публикация может перевесить сотни положительных отзывов, а случайный комментарий под трёхлетней давности статьёй — до сих пор формировать ассоциации в ответах модели. Дата публикации не гарантирует, что материал перестал влиять.
Почему один негативный отзыв перевешивает сто хороших
Есть ещё одна асимметрия, о которой важно знать до того, как строить план работы с тональностью: пара аргументированных негативных откликов способна перечеркнуть сотню позитивных пятизвёздочных оценок. Нейросети детально вчитываются в текст каждого комментария и группируют мнения в смысловые блоки — а не считают простое среднее по звёздам. Содержательный, конкретный негатив («не работает функция X», «обманули с доставкой») несёт больше веса, чем безликое «всё понравилось», потому что модель распознаёт в нём больше проверяемых деталей.
Практический вывод для PR: приоритизировать реакцию нужно не по свежести и не по громкости источника, а по содержательности и конкретности негатива — именно такие материалы будут перевешивать в ответах ИИ сильнее прочих.
Тональность и репутационный gap
Первый практический шаг — понять, что ИИ говорит о бренде прямо сейчас: задать нейросетям 15–20 вопросов о компании и категории вручную или прогнать их через инструмент мониторинга. Результат покажет, есть ли бренд в ответах вообще, в каком контексте и с какой тональностью.
Второй шаг — сравнить это с тем, что компания на самом деле хочет транслировать о себе. Расхождение между этими двумя картинами — и есть репутационный gap, тот самый разрыв, который PR-команде предстоит закрывать. Если бренда нет в ответах по тематическим запросам категории — это сигнал. Если он есть, но тональность настороженная или смешанная — тоже сигнал, просто более тихий. Если нейросеть по запросам категории упоминает только конкурентов — это уже не сигнал, а действующий репутационный gap, который прямо сейчас влияет на выбор клиентов.
Тональность vs остальные AI-метрики
Тональность — не единственный показатель видимости бренда в ИИ, и её легко перепутать с соседними метриками:
| Метрика | Что показывает | Пример |
|---|---|---|
| AI Sentiment (тональность) | В каком эмоциональном ключе говорит ИИ — позитивно / нейтрально / негативно / смешанно | Бренд упомянут с оговоркой «но были жалобы на сервис» → смешанная тональность |
| AI Share of Voice | Доля бренда среди упоминаний всех игроков категории | Бренд — 25% упоминаний в категории против 40% у лидера |
| Mention Rate | В каком % ответов бренд упомянут вообще | Бренд появляется в 12% проверенных ответов |
| Citation Rate | В каком % ответов ИИ сослался на сайт бренда как на источник | Ссылка на сайт бренда — лишь в 3% ответов |
Высокая доля голоса при негативной тональности — не победа, а более заметный репутационный риск: бренд не просто мало на виду, а на виду именно с проблемной формулировкой. Полные определения всех метрик — в глоссарии GEO-терминов.
Почему разные нейросети реагируют на изменения с разной скоростью
Это то, что почти никогда не учитывают в общих рекомендациях по «управлению тональностью», а для планирования PR-работы это критично: у разных моделей разная скорость, с которой новый материал вообще может повлиять на ответ.
| Тип модели | Как работает с информацией | Что это значит для PR |
|---|---|---|
| Модели с живым веб-поиском (Perplexity, ChatGPT и Gemini в режиме поиска, «Поиск с Алисой») | Обращаются к актуальным страницам в момент ответа | Свежая публикация может повлиять на тональность в течение дней |
| Модели без веб-поиска, отвечающие по данным обучения | Опираются на знания, зафиксированные на момент обучения модели | Изменения в информационном поле отражаются в ответах только после следующего обновления модели — это могут быть месяцы |
Из этого следует практический вывод: если у бренда открытый кризис прямо сейчас, работа со СМИ и площадками с живым поиском даёт эффект быстрее, чем ожидание, пока модели без веб-поиска «догонят» ситуацию.
Как PR-команде выстроить работу с тональностью на практике
- Снять базовый срез. 15–20 реальных вопросов аудитории про бренд и категорию — вручную по всем ключевым моделям или через специализированный инструмент мониторинга.
- Классифицировать тональность по каждой модели отдельно. Тональность в Perplexity и в GigaChat может отличаться — это подскажет, где сосредоточить усилия в первую очередь.
- Найти источники, которые формируют негатив или смешанную тональность. Не «весь интернет», а конкретные материалы — статья, серия комментариев, устаревшая новость.
- Приоритизировать по содержательности, а не по свежести. Один подробный негативный отзыв важнее для тональности, чем десять формальных положительных.
- Работать с первоисточником, а не с самим ответом ИИ. Повлиять напрямую на текст ответа нейросети нельзя — можно только изменить информационное поле, из которого она делает вывод: обновляющие публикации в СМИ, комментарии с фактами, актуализация Wikipedia и профильных справочников.
- Повторять измерение регулярно. Разовый срез тональности устаревает так же быстро, как разовый мониторинг СМИ — нужен цикл, а не одноразовый аудит.
Частые вопросы
Что делать, если ИИ говорит о бренде негативно? Сначала найти конкретный источник, который формирует этот негатив — устаревшую новость, серию отзывов, разовый громкий инфоповод. Затем работать не с самим ответом ИИ, а с информационным полем: публикации-обновления в авторитетных СМИ, актуализация фактов, реакция на конкретные претензии по существу.
Можно ли «исправить» тональность вручную, отредактировав сам ответ ИИ? Нет, у брендов нет прямого доступа к тому, что генерирует модель. Единственный рабочий путь — изменить источники, из которых модель делает вывод, и дождаться, пока модель их учтёт — либо через живой веб-поиск (быстрее), либо через следующее обновление модели (медленнее).
Как быстро меняется тональность после работы с источниками? Зависит от модели. У систем с живым веб-поиском эффект может быть заметен в течение дней после публикации. У моделей, которые отвечают по данным обучения без веб-поиска, изменения проявятся только после следующего обновления модели — это может занять месяцы.
Тональность одинакова во всех нейросетях? Нет. Разные модели по-разному взвешивают источники и по-разному часто обновляют знания о мире, поэтому тональность по одному и тому же бренду в ChatGPT, Gemini, GigaChat и Алисе может ощутимо отличаться. Проверять нужно по каждой модели отдельно, а не по одной как показательной.
