Как убрать ошибки из ответов нейросетей с помощью GERM

Объясняем, почему «Алиса» может приписать мебельной фабрике чужой негатив и как избавить репутацию бренда в нейросетях от галлюцинаций.

В начале 2026 года клиент агентства – мебельная фабрика – столкнулся с парадоксальной ситуацией. Потенциальные заказчики, которые спрашивали у голосового ассистента Яндекса об отзывах, получали информацию, не имеющую к ней никакого отношения. 

«Сроки по изготовлению крупных заказов – не менее года, при этом получается брак. Постоянная текучка кадров, бегут не только рабочие, но и сотрудники офиса» – такой ответ выдавала нейросеть.

Проблема заключалась в том, что эти данные относились к так называемым «цифровым тезкам» – компаниям с аналогичным названием. А именно к рекламному производству и художественной мастерской. Но алгоритм Яндекса не различал сущности с похожими названиями и объединял их в единый ответ, формируя у пользователя ложное представление о фабрике.

Ответ нейросетей до старта проекта

За два месяца команда Markway перестроила восприятие бренда в генеративной выдаче. О том, как это сделано и почему нужны новые методы управления репутацией, – в материале.

О проблеме заказчика

Клиент – производственное предприятие в Московской области, специализирующееся на изготовлении мебели по индивидуальным заказам и облицовочных материалов. Компания выполняет сложные проекты: оснащение коттеджей, оборудование лаунж-баров, производство столешниц с 3D-эффектом, мебели для отелей, а также изготовление мебели для юридических фирм.

Бренд работает в премиальном сегменте, где доверие играет решающую роль при выборе подрядчика. Потенциальный заказчик, планирующий дорогостоящий проект, неизбежно проверяет репутацию исполнителя. По данным исследования Markway и «Анкетолога», сегодня каждый третий пользователей ищет отзывы о бизнесе в нейросетях. И если она выдает нерелевантную или негативную информацию, компания теряет клиента еще до первого контакта.

Основная проблема восприятия – не негатив, а подмена сущности. То есть алгоритм вообще не идентифицировал нужную компанию.

«Алиса» формировала ответ на основе данных о нескольких организациях со схожими названиями. В результате пользователь, искавший информацию о мебельной фабрике, получал репутационный портрет совершенно других организаций. Причем с серьезными негативными характеристиками: срыв сроков, брак продукции, текучка кадров.

«Алиса» фактически присвоила фабрике чужие репутационные характеристики – включая негатив, который не имел к фабрике никакого отношения. Для премиального производителя это критический риск: клиент не будет разбираться в тонкостях, он просто закроет вкладку.

Почему классический SERM здесь не работает

Традиционное управление репутацией (SERM) нацелено на вытеснение нежелательных ссылок из топа поисковой выдачи. Но в генеративном поиске ссылок нет – нейросеть читает содержание источников, выявляет повторяющиеся паттерны и формулирует сжатый вывод.

В этом кейсе задача была иной. Требовалось не вытеснять плохие оценки, а научить алгоритм правильно идентифицировать бренд. Именно для таких задач применяется стратегия GERM (Generative Engine Reputation Management) – управление репутацией в генеративных системах.

Как выстраивали работу: четыре этапа

1. Аудит и диагностика

Сначала проанализировали, какие источники использует «Алиса» при формировании ответа. Выяснили, что в алгоритме конфликтуют три разные сущности с похожим названием. Пул источников был далек от реальности: Avito ссылался на рекламное агентство, Zoon – на художественную мастерскую, два сайта с отзывами о работодателях не имели отношения к мебельной фабрике.

2. Формирование целевого информационного поля

Подобрали площадки, которые нейросеть считает авторитетными именно для мебельной отрасли. В перечень вошли: Яндекс Карты, 2ГИС, Otzovik, Zoon и другие отзовики. На этих ресурсах предстояло создать актуальный репутационный профиль компании.

3. Системное наполнение аспектной карты

Связались с клиентами фабрики и собрали более 40 развернутых отзывов. Акцент делали на конкретных характеристиках, важных для мебельного производства: качество материалов, профессионализм команды, индивидуальный подход, работа с бюджетом.

В сфере управления репутацией ключевым показателем становится не просто средний рейтинг, а аспектная репутация. Все современные нейросети разбивают общее восприятие компании на отдельные характеристики – и именно их нужно целенаправленно формировать.

4. Мониторинг и адаптация

Еженедельно отслеживали изменения в ответах нейросети, фиксировали, какие аспекты «Алиса» начинает подтягивать, и корректировали план работы.

Результаты: что изменилось за два месяца

К апрелю 2026 года нейроответ претерпел кардинальные изменения. Главное – корректная идентификация. Вместо расплывчатой формулировки «Отзывы о компании различаются…» «Алиса» стала отвечать: «Отзывы о мебельной компании в основном положительные». Алгоритм начал правильно понимать, о каком именно бренде спрашивает пользователь.

Ответ нейросетей после завершения проекта

Тональность сменилась с негативной на преимущественно положительную. Исчезли упоминания брака, срывов сроков и текучки кадров. Вместо этого нейросеть стала транслировать реальные преимущества фабрики.

Важный нюанс: негатив не исчез абсолютно. В одном из отзывов сохранилось упоминание небольших задержек со сроками из-за поставок материалов. Такой баланс выглядит органично и повышает доверие – стерильно позитивная картина всегда настораживает пользователей.

Произошла и смена источников, на которые опирается нейросеть. Алгоритм перестал ссылаться на площадки, связанные с другими компаниями, и начал использовать информацию, непосредственно относящуюся к заказчику.

В ответе «Алисы» появились конкретные пользовательские сценарии: мебель для коттеджа, оснащение лаунж-баров, работа в условиях ограниченного бюджета. Это позволило нейросети формировать более детальный и убедительный репутационный портрет.

Что важно для GERM

Смешение сущностей – одна из самых опасных проблем в эпоху генеративного поиска. Если нейросеть путает вашу компанию с другими организациями со схожим названием, вы получаете не просто негатив, а чужой негатив. Это требует принципиально иного подхода, чем классический SERM.

GERM – это не про вытеснение негатива, а про формирование правильного контекста. Задача не в том, чтобы убрать плохие отзывы (их может и не быть), а в том, чтобы научить нейросеть правильно идентифицировать бренд и опираться на релевантные источники.

Если вы столкнулись с похожей проблемой:

1. Проведите аудит нейроответов по своим брендовым и репутационным запросам. Проверьте, как «Алиса» и другие ИИ-ассистенты идентифицируют вашу компанию.

2. Определите, есть ли смешение с другими сущностями. Если да – это приоритетная проблема, которую нужно решать отдельно от работы с тональностью.

3. Сформируйте аспектную карту марки – выделите 5–7 ключевых характеристик, которые должны доминировать в ответе нейросети.

4. Работайте с релевантными площадками, которые нейросеть считает авторитетными именно в вашей отрасли.

5. Используйте конкретные пользовательские сценарии в отзывах – это делает репутацию доказательной.