Хуже, когда знает неправильно. Если AI о компании ничего не знает, он просто её не называет, и клиент уходит к тем, кого система нашла. Это потеря, но честная. Если же AI знает компанию неправильно, он не молчит: он делает о ней вывод и уже на основании этого вывода решает, кому её советовать, а кому нет. Владелец при этом ничего не видит, потому что никто не присылает ему отчёт о том, как машина его поняла.
Не знает — молчит. Знает неправильно — решает за вас.
Неправильная картина меняет не описание, а рекомендацию
Ошибка в названии улицы или в часах работы неприятна, но её легко заметить. Опаснее ошибка в том, чем компания занимается, для кого работает и какого она размера. Именно из этих фактов AI собирает ответ на вопрос клиента «к кому мне обратиться», поэтому неверно понятая специализация или масштаб приводят уже к неверному коммерческому выводу.
Мы видели такой сценарий у одной польской компании. Google в своих ответах фактически собрал вместо неё другую компанию: приписал ей офисы в Мальмё и Стокгольме, крупных международных клиентов, большую команду разработчиков и специализацию в блокчейне и Web3. А дальше сделал логичный для такой картины вывод: компания выглядит слишком крупной и технологичной, чтобы советовать её небольшому польскому сервисному бизнесу. То есть ошибка ударила именно по тем клиентам, ради которых компания работает.
В тот же период другие системы ошибались по-своему. Одна приписала компании чужие проекты из другой страны и решила, что она работает в основном на том рынке. Другая описала ей другой набор услуг и заявила, что малый локальный бизнес — не её клиент. Три системы, три разные выдуманные компании, и ни одна из них не совпадала с настоящей.
Когда владелец увидел эти ответы, первой реакцией был не интерес, а тревога: неужели можно вот так просто приписать компании то, чего у неё нет? И если это возможно, то такая выдумка может всерьёз навредить репутации.
Когда AI не знает компанию, она просто выпадает из ответа
Вторую ситуацию мы тоже знаем по своей практике. У оконного сервиса в Познани в одном из замеров Gemini и Perplexity в своих ответах компанию не называли вообще. Для клиента, который спрашивал у них совета, этой фирмы просто не существовало.
Это тоже потеря клиентов, но у неё есть важное отличие: в ней нет искажения. Системе нечего исправлять, ей нужно впервые узнать, кто это, чем занимается и для кого работает. Поэтому задача здесь понятнее: последовательно выстроить правильную картину с нуля.
Исправить неправильную картину дольше, чем построить с нуля
Когда ошибочная картина уже сложилась, к построению правильной добавляется ещё одна задача: разобраться, откуда взялась неправильная. Пока источник смешения на месте, система будет возвращаться к нему снова и снова. Поэтому работы здесь больше, и она требует проверки: исправили, потом новым замером посмотрели, изменилось ли что-то в ответах.
Именно поэтому я считаю неправильную картину более тяжёлым случаем. Мне кажется, строить без ошибок всегда интереснее, чем сначала разбирать чужую ошибку и только потом строить.
AI путает компании, потому что сопоставляет данные из разных источников
Откуда вообще берётся такая путаница? Системам приходится решать, какие сведения из разных мест относятся к одной и той же реальной компании. Google в справке к своей базе знаний (Knowledge Graph) называет этот процесс сопоставлением, или reconciliation, и отдельно описывает, где он ломается: когда данных для сопоставления недостаточно, когда один объект почти совпадает с другим или когда несколько записей начинают сопоставляться с одним и тем же объектом.
Исследователи, которые изучают эту задачу, приходят к тому же. В обзоре 2026 года в журнале Data & Knowledge Engineering сопоставление объектов описано как определение того, какие записи из разных источников относятся к одной реальной сущности. Авторы показывают, что это становится особенно трудно, когда источники по-разному устроены и по-разному описывают одно и то же. У локального бизнеса так бывает часто: карточка в Google, сайт, соцсети и каталоги рассказывают о компании по-разному, а иногда о ней пишут те, кого компания даже не знает.
Через месяц работы ни одна система больше не путала компанию
Эту историю можно было бы закончить на тревожной ноте, но у неё другой конец. Мы поработали с тем, как системы понимают эту компанию, и через месяц сделали повторный замер. Все системы описали её правильно. Google больше не приписывал ей шведские офисы и сам уточнил, что компания с похожим названием в Швеции — это другая фирма.
Отсюда главный вывод для владельца. Неправильную картину не видно, пока компанию не проверили, но она исправима. Проблема не в том, что ошибка есть, а в том, что о ней никто не знает.
Когда это не про вас
Если компания совсем молодая и цифровой истории у неё почти нет, это не только слабость. Это возможность выстроить её правильно с самого начала: последовательно объяснить, кто вы, чем занимаетесь, для кого работаете и с какими задачами к вам стоит обращаться. Чем раньше бизнес начинает формировать согласованный цифровой след, тем меньше риск, что потом придётся отдельно разбираться с уже сложившейся неправильной картиной.
И честная оговорка: гарантировать, что именно модель будет знать о компании, не может никто. Можно проверить, что системы говорят сейчас, и работать с тем, из чего они складывают свои ответы.
А вы знаете, какой видят вашу компанию ChatGPT, Gemini и Google — и совпадает ли эта компания с вашей?
Источники: Google Search Console Help — Debugging entity matching issues; Data & Knowledge Engineering — Heterogeneity in entity matching: A survey and experimental analysis (2026).
Чтобы увидеть, появляется ли ваша компания в ответах AI уже сейчас, посмотрите аудит AI-видимости компании
Хотите проверить, рекомендует ли AI вашу компанию уже сейчас?
Начинаем с диагностики текущей видимости компании и реальных сценариев выбора клиентов.
ПОСМОТРЕТЬ АУДИТ