AIRM. Управление репутацией в эпоху ИИ

Тот самый Момент, меняющий РИТОРИКУ в компании

Представьте обычную рабочую ситуацию. Директор по маркетингу решает провести простой эксперимент: открывает Гигачат, ChatGPT, Perplexity или Claude и задаёт вопрос, который каждый день в том или ином виде задают потенциальные клиенты компании — «какие решения в этой категории стоит рассмотреть». Бренда, которым он руководит, в ответе нет. Есть три конкурента, один из которых объективно слабее по продукту, но модель уверенно рекомендует именно его — с конкретными аргументами, ссылками на источники и точным описанием, для кого он подходит.

Дальше начинается самое интересное. Директор идёт разбираться, кто в компании за это отвечает. SEO-команда отвечает за позиции в классической выдаче — но там всё в порядке, сайт в топе. PR-служба отвечает за упоминания в прессе — и упоминания есть, вполне приличные. Бренд-маркетинг отвечает за то, как компанию воспринимает аудитория, — но меряет это через опросы и охваты рекламных кампаний, а не через то, что модель отвечает на прямой вопрос. Каждая функция закрывает свой участок в рамках собственной зоны ответственности. И ни одна не считает своей задачей то, что случилось в диалоговом окне у директора на экране.

Это не пробел в компетенциях конкретных людей. Это пробел в самой архитектуре функций, которая была спроектирована для мира, где не существовало посредника между брендом и решением клиента в виде языковой модели. Эта книга — практическое руководство по тому, как закрыть этот пробел системно, а не разовым экспериментом одного директора с ChatGPT.

Определение: что такое AIRM

Управление репутацией в сознании ИИ, или AIRM (AI Reputation Management), — это практика системного управления тем, как языковые модели и генеративные поисковые системы представляют, понимают и рекомендуют бренд.

Ключевое слово здесь — системного. Отдельная статья, оптимизированная под попадание в конкретный ответ модели, — это тактика, а не система. AIRM как дисциплина занимается не отдельными точками контакта, а всей совокупностью сигналов, из которых модель формирует представление о бренде: структурированными данными о компании, согласованностью того, что говорится о бренде в разных источниках, качеством и авторитетностью источников, которые на бренд ссылаются, и тем, насколько бренд вообще присутствует как узнаваемая, чётко определённая единица в той информационной среде, на которой обучаются и с которой работают модели.

Внутри этого широкого поля полезно выделить более узкий, специфический срез — управление репутацией в генеративных поисковых системах, или GERM (Generative Engine Reputation Management). В моей модели AIRM — это зонтичная дисциплина, охватывающая всё, включая работу с голосовыми ассистентами, рекомендательными системами и корпоративными ИИ-инструментами, тогда как GERM — её ядро, сфокусированное конкретно на генеративном поиске: на том самом моменте, когда пользователь задаёт вопрос ИИ-системе и получает не список ссылок, а прямой, сформулированный ответ. Для большинства компаний практическая работа начинается именно с GERM, а расширяется до полного AIRM по мере роста зрелости.

Почему это не переименованный PR (или, скажем, SEO)

Соблазн отмахнуться от этой дисциплины как от ребрендинга уже существующих функций понятен — и ровно поэтому его стоит разобрать явно, а не проигнорировать.

SEO управляет тем, как страница ранжируется в списке результатов классического поиска. Это работа с одним, конкретным типом объекта — веб-страницей — и с одним, конкретным алгоритмом ранжирования. AIRM работает с объектом принципиально другой природы: не страницей, а тем, что можно назвать цифровой сущностью бренда — совокупным, синтезированным представлением о компании, которое модель собирает из множества источников одновременно и которое не привязано ни к одной конкретной странице.

PR управляет тем, что о компании пишут журналисты и какие сообщения компания транслирует через официальные каналы. Это работа с людьми и с редакционными процессами. AIRM работает с тем, как модель интерпретирует и агрегирует уже опубликованные материалы — включая те, на которые PR-служба никогда не обращала внимания, потому что они выходили за пределами её мониторинга: отраслевые форумы, комментарии, второстепенные упоминания, которые по отдельности не стоили бы внимания пресс-службы, но в совокупности формируют то, что видит модель.

Бренд-маркетинг управляет восприятием через контролируемые каналы — рекламу, дизайн, тональность коммуникации. AIRM управляет восприятием там, где бренд не контролирует канал вообще: в ответе модели, сформированном по логике, которую компания не может напрямую редактировать, а может только на неё влиять через качество и структуру доступных источников.

Разница здесь не в инструментах, а в объекте управления и в типе влияния: SEO, PR и бренд-маркетинг управляют тем, что компания публикует и как это ранжируется или воспринимается. AIRM управляет тем, что о компании синтезирует система, которая читает всё сразу и не спрашивает разрешения ни у одной из трёх функций по отдельности.

Рынок уже начал платить за то, чего не было в штатном расписании

Абстрактное определение легко было бы списать на теоретическую конструкцию, если бы не растущее число реальных вакансий, формулирующих именно эту зону ответственности напрямую — управление тем, что ИИ-системы говорят о бренде, когда клиент напрямую спрашивает у них совета в категории компании. За такими позициями стоит понимание, до которого маркетинг-лидерам стоит дойти раньше, чем это сделают конкуренты: если бренда нет в ответе модели, он отсутствует в одной из точек, где клиент сегодня может принимать решение о покупке — и купить это отсутствие не купишь, его можно только системно исправить.

Появление таких вакансий — не отдельный кадровый тренд, а реальный сигнал того, что функция, для которой пока нет устоявшегося названия в большинстве компаний, уже получает отдельный бюджет и владельца в некоторых из наиболее продвинутых компаний. Задача этой книги — дать язык и инструменты, чтобы прийти к этому не через два-три года отставания, а сейчас.

Чем AIRM не является

Прежде чем двигаться к практике, стоит закрыть три частых заблуждения, которые иначе будут мешать на каждом следующем шаге.

AIRM — не разовый проект. Нельзя «внедрить AIRM» за квартал и закрыть тему — модели переобучаются, конкуренты публикуют новые материалы, рынок меняется, и репутация в сознании ИИ требует того же постоянного, циклического внимания, что и любая живая репутация в сознании людей.

AIRM — не подмножество технической оптимизации. Разметка Schema.org, технические файлы и прочая инфраструктурная работа — это необходимый, но недостаточный минимум. Без содержательной, авторитетной, согласованной цифровой сущности вся техническая разметка лишь аккуратно оформляет пустоту.

И ещё, AIRM — не задача одного человека или одного отдела, спрятанная где-то внутри маркетинга. Она требует полномочий, пересекающих SEO, PR, контент и продукт одновременно, — и именно поэтому в большинстве компаний она сейчас либо не выполняется никем, либо выполняется случайно, частями, без единого владельца результата. Пятая часть этой книги отдельно разбирает, как выстроить организационную структуру, которая эту проблему решает, а не консервирует.

Инструмент главы: пятиминутный тест

Каждая глава этой книги заканчивается конкретным, применимым сразу инструментом. Первый — самый простой возможный диагностический тест, который любой директор по маркетингу может провести прямо сейчас, до того как читать книгу дальше.

Откройте три разные модели — например, ChatGPT, Perplexity и Claude. Задайте каждой один и тот же вопрос, сформулированный так, как его сформулировал бы реальный клиент, а не так, как сформулировал бы маркетолог: не «расскажи о компании Х», а «какие решения в категории Y стоит рассмотреть для задачи Z». Зафиксируйте по каждому ответу три вещи: упомянут ли бренд вообще; если упомянут — на каком месте по порядку и с какой аргументацией; если не упомянут — какие конкуренты упомянуты вместо него и почему, по мнению модели, они подходят лучше.

Если бренд не упомянут ни в одном из трёх ответов — это уже не похоже на частную техническую недоработку: бренд отсутствует в проверенной точке принятия решения, где сегодня всё чаще формируется первое впечатление клиента. Если бренд упомянут, но без внятной аргументации или на последнем месте, — сущность существует, но слаба. Если бренд упомянут уверенно, с точной аргументацией, — у вас уже есть основа, и дальнейшая работа будет про защиту и масштабирование позиции, а не про её создание с нуля.

Результат этого теста — отправная точка для следующей главы, где мы разберём, как определить, на какой стадии зрелости в этой дисциплине находится именно ваша компания, и что конкретно делать дальше в зависимости от результата.

Зачем нужна карта до того, как строить маршрут

Тест из прошлой главы даёт моментальный снимок — присутствует бренд в ответах моделей или нет. Но одного снимка недостаточно, чтобы спланировать работу на год вперёд: компания, которая полностью отсутствует в ответах ИИ, и компания, которая присутствует, но случайно и без всякого контроля, нуждаются в совершенно разных первых шагах, даже если результат первого теста у них внешне похож.

Здесь зададим пятиступенчатую шкалу зрелости, вдоль которой можно будет точно определить, где именно сейчас находится компания. И, конечно, какой следующий шаг имеет смысл, а какой станет преждевременной тратой ресурса.

Стадия 0. Невидимость

Бренд не появляется в ответах моделей ни по одному значимому для бизнеса запросу. Внутри компании никто формально не отвечает за эту зону: SEO-команда меряет позиции в классической выдаче и не смотрит на генеративный поиск в принципе, а руководство может даже не знать, что этот вопрос вообще стоит задавать.

Типичные сигналы: на прямой вопрос «что ИИ говорит о нас» никто в компании не может дать содержательный ответ, потому что никто не проверял; сайт может быть отлично оптимизирован под классическое SEO, но содержать недостаточно структурированных и однозначных данных для формирования сущности; внешние упоминания бренда единичны или практически отсутствуют за пределами собственных площадок компании.

Единственная задача на этой стадии — не оптимизация, а осознание: провести диагностику (глава 3) и перевести проблему из категории «мы не знали» в категорию «мы знаем масштаб и можем планировать». Попытка сразу перейти к тактическим действиям без диагностики на этой стадии почти всегда приводит к точечным, несистемным усилиям, которые легко потратить впустую.

Стадия 1. Случайное присутствие

Бренд иногда появляется в ответах моделей, но это происходит не в результате целенаправленной работы, а как побочный эффект чужих действий: партнёр упомянул компанию в своей статье, довольный клиент написал отзыв на стороннем ресурсе, отраслевой обзор случайно включил бренд в список.

Типичные сигналы: присутствие крайне непредсказуемо — один и тот же вопрос, заданный сегодня и через неделю, может дать разные результаты; описание бренда в ответах моделей может быть устаревшим, неточным или откровенно ошибочным, потому что никто не проверяет и не корректирует эти сигналы; внутри компании есть смутное ощущение «нас вроде иногда упоминают», но нет ни одной метрики, которая бы это подтверждала на регулярной основе.

Ключевая ловушка этой стадии — ложное спокойствие. Случайное присутствие создаёт иллюзию, что проблема уже частично решена сама собой, и это самая частая причина, по которой компании годами не двигаются дальше этой точки. Переход на следующую стадию начинается с признания: то, что не измеряется и не управляется системно, трудно считать частью стратегии, каким бы обнадёживающим ни казался случайный результат.

Стадия 2. Тактическая видимость

Компания начала целенаправленно работать над присутствием в генеративном поиске — обычно силами SEO-команды, которая добавила GEO к своим существующим задачам. Появляется контент, написанный или переписанный с прицелом на попадание в ответы моделей, иногда добавляется базовая структурированная разметка.

Типичные сигналы: работа идёт, но изолированно внутри одной функции, обычно SEO или контент-маркетинга, без участия PR и без единой стратегии нарратива; метрики, если они вообще есть, сфокусированы на частоте упоминаний, а не на качестве и согласованности того, что говорится; результаты нестабильны: тактическая оптимизация под конкретные форматы ответов может терять эффект по мере изменения моделей, потому что в основе лежит подгонка под конкретные форматы ответов, а не построение устойчивой цифровой сущности.

Это, полагаю, самая распространённая стадия среди компаний, которые вообще начали действовать, и одновременно самая обманчивая: активность есть, отчёты показывают какое-то движение, но без перехода к системной работе рост здесь довольно быстро упирается в ограничения такого подхода, потому что тактика без фундамента не масштабируется.

Стадия 3. Управляемая репутация

Работа над присутствием в ИИ становится кросс-функциональной: SEO, PR и контент координируют действия вокруг единого нарратива о компании, появляется системный мониторинг — не разовые проверки, а регулярный, повторяемый процесс — и начинает использоваться метрика Share of Model — разработанный в рамках этой методологии показатель доли голоса бренда в синтезированных ответах моделей.

Типичные сигналы: есть закреплённый процесс (не обязательно отдельная штатная единица, но точно распределённая, зафиксированная ответственность) регулярной проверки того, что говорят модели о бренде и о ключевых конкурентах; создаются цитируемые материалы — исследования, методологии, калькуляторы — специально с прицелом на то, чтобы стать источником, на который модели будут ссылаться, а не просто ещё одной единицей контента; PR и SEO проверяют свои сообщения на согласованность друг с другом, а не работают параллельно, как исторически было принято.

Переход на эту стадию — самый трудный организационно, потому что требует межфункционального взаимодействия, которого исторически не было ни в одной из вовлечённых команд. Часть V этой книги отдельно разбирает, как выстроить именно этот переход, не дожидаясь, пока он произойдёт сам по естественному стечению обстоятельств.

Стадия 4. Институционализированный AIRM

На этом уровне AIRM перестаёт быть проектом и становится постоянной функцией со своим владельцем, бюджетом и местом в общей маркетинговой стратегии — на равных с классическим SEO, платным трафиком и брендингом, а не как их довесок.

Типичные сигналы: есть явный владелец результата — необязательно отдельный директор, но точно человек или небольшая команда с полномочиями действовать поперёк функций; компания системно инвестирует в собственную, оригинальную терминологию и методологии, которые сложно скопировать конкуренту, потому что конкурентное преимущество на этой стадии строится не на объёме публикаций, а на специфичности, которую нельзя быстро воспроизвести; метрика присутствия в ИИ регулярно обсуждается на уровне руководства наравне с классическими маркетинговыми показателями, а не остаётся внутренним отчётом одной команды.

Компаний на этой стадии пока предельно мало — поэтому дойти до неё сейчас означает получить преимущество раньше, чем такая функция станет стандартной частью маркетинга.

Инструмент главы: самооценка стадии

Пройдите по пяти утверждениям и отметьте, какое из них точнее всего описывает текущее положение компании — не то, каким вы хотели бы его видеть, а то, каким оно является на самом деле сегодня.

Мы не проверяли, что модели говорят о нашем бренде, и не знаем, как бренд представлен в их ответах — стадия 0.

Мы иногда видим упоминания бренда в ответах моделей, но не можем объяснить, откуда они берутся, и не можем на них повлиять — стадия 1.

Одна команда — обычно SEO или контент — целенаправленно работает над видимостью в ИИ, но остальные функции в этом не участвуют — стадия 2.

Несколько функций координируют работу вокруг единого нарратива, есть регулярный мониторинг и метрика доли голоса в ответах моделей — стадия 3.

Существует закреплённый владелец результата, бюджет и место этой работы в общей стратегии наравне с другими маркетинговыми каналами — стадия 4.

Определив стадию, переходите к следующей главе не за общим планом действий, а за конкретным диагностическим протоколом, который позволит перейти от самооценки к точным, измеримым данным — независимо от того, на какой стадии вы находитесь сейчас.

От ощущения к данным

Пятиминутный тест из первой главы и самооценка стадии из второй дают направление, но не дают того, с чем можно реально планировать бюджет и защищать инициативу перед руководством, — воспроизводимых, задокументированных данных. Эта глава превращает первое впечатление в протокол: пошаговый аудит, который можно провести один раз как отправную точку и затем регулярно повторять, чтобы видеть динамику, а не единичный снимок.

Этот же протокол, независимо от того, на какой стадии зрелости находится компания, становится тем самым нулевым днём, от которого дальше отсчитывается вся дальнейшая работа.

Шаг 1. Определите свою сущность точно

Прежде чем спрашивать у моделей что-либо о бренде, нужно предельно точно определить, что именно является этой сущностью в глазах внешнего наблюдателя. Это не такой тривиальный шаг, каким кажется на первый взгляд.

Зафиксируйте все варианты, под которыми бренд может упоминаться, — полное юридическое название, торговую марку, разговорные сокращения, названия ключевых продуктов, если они известны отдельно от материнского бренда. Отдельно проверьте, не существует ли полного или частичного тёзки — другого человека, компании или понятия с похожим или идентичным названием, который может путать модель и размывать сигнал. Такая путаница встречается чаще, чем кажется, и без явной проверки на неё легко потратить месяцы на оптимизацию, часть эффекта от которой на самом деле утекает к однофамильцу.

Зафиксируйте также ключевых людей, чья личная репутация напрямую переплетена с репутацией компании, — основателя, генерального директора, публичных представителей бренда. Модели могут связывать репутацию персоны и репутацию организации в единую сущность, и аудит, ограниченный только названием компании, упускает значительную часть картины.

Шаг 2. Соберите пул вопросов, а не список брендовых запросов

Самая частая ошибка на этом шаге — спрашивать у модели напрямую «что ты знаешь о компании Х». Такой вопрос активирует у модели совсем другой, куда более снисходительный режим ответа, чем тот, с которым реально сталкивается клиент. Пул вопросов должен состоять из формулировок, максимально близких к тому, как реальный человек формулирует задачу до того, как выбирает конкретный бренд: какие решения стоит рассмотреть в такой-то категории, чем отличаются варианты для такой-то задачи, что выбрать между такими-то альтернативами, стоит ли доверять такому-то типу поставщика вообще.

Разделите вопросы по типу намерения — сравнение вариантов, прямая рекомендация, предостережение от типичных ошибок в категории, поиск замены существующему решению — потому что бренд может быть силён в одном типе намерения и полностью отсутствовать в другом, а усреднённый результат по всем типам сразу скроет эту разницу. Двадцать-тридцать вопросов, честно охватывающих основные сценарии, дают куда более надёжную картину, чем один эффектный, но нерепрезентативный пример.

Шаг 3. Зафиксируйте модели и дату

Прогоните весь пул вопросов через фиксированный набор моделей — обычно достаточно четырёх-пяти наиболее релевантных для аудитории бренда систем, включая как минимум одну модель, широко используемую на основном рынке компании, и одну международную систему. Зафиксируйте точную дату прогона. Это не формальность: модели регулярно обновляются, и результат, полученный сегодня, не обязан совпадать с результатом через два месяца — сравнение имеет смысл только тогда, когда у вас есть чёткая временная метка для каждого замера.

Прогоняйте каждый вопрос как новый, независимый диалог, а не продолжение одной длинной переписки — потому что накопленный в рамках одного диалога контекст может исказить результат и снизить его воспроизводимость.

Шаг 4. Оцените каждый ответ по одной и той же шкале

Для каждого ответа зафиксируйте четыре параметра. Упомянут ли бренд вообще — да или нет. Если упомянут — на каком месте по порядку среди прочих вариантов и с какой аргументацией, позитивной, нейтральной или откровенно ошибочной. Какие конкуренты упомянуты вместо бренда или наряду с ним, и звучит ли аргументация в их пользу сильнее. И отдельно — есть ли в описании бренда фактические ошибки: устаревшая информация, неверные характеристики, путаница с другим продуктом или компанией.

Последний пункт особенно важен и часто недооценён: модель, которая описывает бренд неточно, может формально «упоминать» его, создавая ложное ощущение присутствия, при том что реальному клиенту это упоминание может скорее навредить, чем помочь.

Шаг 5. Постройте карту разрыва с конкурентами

Проведите ровно тот же протокол для двух-трёх ключевых конкурентов, используя тот же самый пул вопросов и те же самые модели в ту же дату. Сопоставление результатов бренда и конкурентов формирует карту разрыва, которая в дальнейшем ляжет в основу метрики доли голоса в моделях, подробно разобранной в четвёртой части книги.

Здесь особенно ценно смотреть не только на то, кто чаще упоминается, но и на то, почему — какие конкретно источники, формулировки и типы контента модель использует, аргументируя выбор в пользу конкурента. Это часто оказывается более практически полезным результатом всего аудита, чем сама итоговая цифра присутствия, потому что прямо указывает, каких сигналов и материалов не хватает в цифровой сущности бренда.

Инструмент главы: шаблон протокола аудита

Зафиксируйте результат в виде документа из пяти разделов, которые вы сможете использовать повторно при каждом следующем прогоне. Раздел сущности — все варианты названия, ключевые люди, известные риски путаницы. Раздел пула вопросов — полный список с разметкой по типу намерения. Раздел сырых ответов — точные ответы каждой модели на каждый вопрос с датой прогона, сохранённые целиком, а не в пересказе. Раздел оценки — таблица с четырьмя параметрами по каждому ответу для бренда и для каждого конкурента. И раздел выводов — три-пять конкретных наблюдений, которые можно использовать как основание для приоритизации дальнейшей работы, а не общие впечатления.