GERM: что это такое, и как управляют репутацией в генеративных ответах

GERM — это управление тем, что нейросети пишут о вашем бренде. Но можно ли повлиять на репутацию в ИИ? Расскажем в статье.

GERM (от англ. Generative Engine Reputation Management) — это управление репутацией в генеративных ответа (а именно это в генеративной выдаче и AI-ассистентах). Алгоритм изучает контекст, отбирает релевантные упоминания, собирает повторяющиеся паттерны и формирует итоговый текст.

Инструмент стал логичным продолжением SERM (управления поисковой репутацией в интернете, от англ. Search Engine Reputation Management). Раньше мы работали со списком ссылок. Теперь зона влияния расширилась на генеративные ответы. Важно не просто попасть в список источников, но и добиться, чтобы ИИ правильно пересказал их смысл.

Чем GERM отличается от SERM

Пример, как видят отзывы о Сбере в поисковой выдаче

Пример, как видят отзывы о Сбере в нейровыдаче

GERM также нельзя путать с GEO (генеративной поисковой оптимизацией, от англ. Generative Engine Optimization). Главное отличие в том, что здесь не смотрят на видимость бренда среди конкурентов в ответах ИИ. Здесь обращают внимание на тональность упоминаний: хвалят или ругают, рекомендуют или советуют не покупать, показывает ИИ в списке лучших компаний или нет.

Хотим мы того или нет, но нейросводки стали стандартом. Они встроены в Алису, Google AI Overview, Bing Copilot, Perplexity. Люди спрашивают ИИ о ценах, услугах и надежности. Бизнес столкнулся с тем, что репутация ушла за пределы отзовиков в короткий цифровой пересказ.

По нашим данным, 40% респондентов меняли мнение о компании после ответа нейропоиска. При этом консалтинг BCG отмечает, что люди предпочитают поиску генеративный ИИ за счет его прозрачности и персонализированности. Он с полуслова понимает, что вы хотите узнать.

Пока 81% респондентов проверяют источники и переходят на них. Но нам кажется, что недалеко то время, когда ответам нейросетей будут доверять полностью, а трафик на информационные сайты будет близиться к нулю. Поэтому комплексная работа с каждым источником — единственный шанс минимизировать нерелевантную информацию в выдаче.

Если вы один из лучших застройщиков, а в ответе ИИ висит старая жалоба про задержку сдачи объекта, клиенты уйдут до того, как узнают о смене руководства и новых стандартах. В примере ниже Google AI Overview сразу ссылается на отзовик Domex, где в топе о застройщике — отзывы двухлетней давности.

…а в негативе — отзыв от 20 октября 2021 года:

Классический поиск ранжирует страницы, а вот нейросеть работает иначе. Запрос “Турфирма Х отзывы” она разбирает на части: ключевые слова, язык, локацию и актуальность. Затем модель ищет источники: карточки, отзовики, блоги, форумы. Нейросеть сама ищет смысловые связи и режет отзывы на фрагменты.

С одной страницы ИИ возьмет рейтинг, с другой — плюсы и минусы, с третьей — текст отзыва. В двух случаях из трех алгоритм ссылается на готовые сводки с ресурсов. Подробнее мы писали в статье, как нейросеть видит отзывы о компании.

Какой главный риск? Проблема интерпретации. LLM не выбирает отзывы, как человек, не считывает эмоции или культурные коды — ей важны повторяющиеся паттерны и фактура. Отзыв “все хорошо” здесь совершенно бесполезен. Нейросеть понимает развернутый текст: “Заказали тур в Китай, менеджер подобрал вариант за день. Отель чистый, трансфер без задержек. Вернемся еще”. Поэтому имеют значение цифры и факты на карточках.

Как конкретные фразы формируют тот или иной аспект

Из таких фраз ИИ строит “аспектную карту” бренда. Турфирма — классные туры, но медленная поддержка. Банк — технологичный, но с высокими комиссиями. Клиника — профессиональная, но дорогая.

Для связности ответа модели используют шаблон (в данном случае усредненный). Тут же применяются фильтры, чтобы в финал не попала, например, нецензурная лексика.

Общую оценку нейросеть собирает из среднего рейтинга на релевантных площадках. Затем на основе оценок делает общий вывод о репутации бизнеса в ИИ: в основном положительные, в основном отрицательные, смешанные или полярные мнения.

Далее ИИ разбирает плюсы и минусы по аспектам: что характерно для ниши, что упоминают чаще и в какой тональности. Иногда приводит примеры конкретных отзывов.

В конце сводки ИИ дает рекомендации: предлагает уточнить информацию, задать направляющие вопросы или проверить данные. Что важно, она никогда не напишет “Купи!”. Однако итоговые выводы все равно так или иначе влияют на решение о покупке.

Отдельный вопрос — какие именно источники выбирают нейросети для отображения отзывов и рекомендаций. В большинстве случаев это профильные отзовики и крупные отраслевые ресурсы (агрегаторы, справочники, порталы).

Какие источники для репутационных запросов выбирают нейросети

Здесь нельзя однозначно сказать: “Нейросети считают бренд таким-то”. Сначала нужно понять, к какому ИИ чаще обращается ваша целевая аудитория и обращается ли вообще. И важно учесть, что идеальным для каждой нейросети не стать: они используют разные механизмы, поэтому и работа должна быть комплексной.

Для GERM важны не абстрактные оценки, а тексты с понятным сценарием. Структура идеального отзыва, который нейросеть возьмет в качестве примера: зачем обратился → что оценил → как прошел процесс → что получил.

Какой пул инструментов подойдет для управления репутацией в генеративных ответах:

Что касается работы с отзывами, важно, чтобы ваш клиент оставлял подробные обзоры с описанием популярных аспектов. Если вы работаете в ресторане, напрямую просите гостей поделиться мнением о работе официантов, качестве блюд и интерьере.

Подтверждение того, какие отзывы наиболее релевантны для нейросетей — выдача Алисы AI: