OpenAI тестирует в выдаче ChatGPT органические товарные карточки с цветными лейблами. Зелёная плашка достаётся «лучшему универсальному» варианту, серые расходятся по остальным критериям: «лучший для новичков», «лучшая амортизация» и так далее. Первым это заметил SEO-специалист Brodie Clark через сервис мониторинга выдачи и опубликовал скриншот в X, пишет Search Engine Roundtable (2026).
Практический смысл для бизнеса простой: общего описания товара мало. Модель сопоставляет продукт с конкретным критерием и ищет подтверждение, что продукт этот критерий выигрывает. Формулировки про «инновационность» и «лидерство рынка» такого подтверждения не дают.
Оговорка сразу, чтобы не строить планов на песке. Формат пока тестируется и может не дойти до широкого релиза. Правила ранжирования OpenAI не раскрывает, платформа остаётся чёрным ящиком. Читайте дальше как разбор логики, а не как обещание результата.
Что именно тестирует OpenAI в ChatGPT
Речь про органические товарные результаты внутри тела ответа ChatGPT, а не про отдельный рекламный блок. Пользователь спрашивает, что выбрать, и получает готовую рекомендацию с помеченным «лучшим» вариантом, а не список ссылок для самостоятельного разбора.
Как выглядит карточка и что означают лейблы
Структура такая: органический товарный результат в тексте ответа плюс цветная плашка-лейбл рядом. Зелёный маркер получает «лучший универсальный» вариант. Серые плашки распределяются по остальным критериям: «лучший для новичков», «лучшая амортизация» и другие.
Разница между зелёным и серым не косметическая. Зелёный читается как универсальная рекомендация, серый привязан к конкретному сценарию или свойству. Для магазина это разные цели. Попасть в универсальную рекомендацию сложнее: нужно выигрывать по совокупности параметров. Категорийных лейблов может быть много, и конкуренция внутри каждого ниже.
Плашки нарочно выбиваются из текстового потока и явно сделаны ради роста кликабельности. Глаз цепляется за цветной маркер быстрее, чем за строчку обычного текста. Точный дизайн карточек источник не описывает, поэтому деталей вёрстки здесь не будет.
Чем это отличается от предыдущего эксперимента OpenAI
Новый формат расширяет более ранний эксперимент. Тогда лейблы были скромнее и шли без плашек: текстовый маркер, который легко пропустить при беглом чтении. Сейчас появились именно цветные плашки, и визуально они заметно выделяются в ответе.
Публичных данных о сроках изменений и причинах, по которым OpenAI усилила формат, нет. Осторожное объяснение одно: цветные лейблы повышают заметность товарного блока для пользователя.
Почему это важно для GEO и AI-поиска
GEO (Generative Engine Optimization, продвижение в нейровыдаче) описывает, как бизнес влияет на рекомендации внутри ответов языковых моделей. Карточки с лейблами превращают GEO из абстракции в конкретную полку в окне диалога. Раньше вопрос звучал так: упомянет ли модель бренд. Теперь появляется место, где бренд может быть назван лучшим по критерию, и это место видно пользователю.
Чем GEO отличается от классического SEO
SEO работает с позициями в списке ссылок: мета-теги, сниппет, соответствие страницы запросу. GEO работает с формированием рекомендации. Модель собирает картину из структурированных данных и из того, что о вас говорят живые люди, и несоответствие между обещанием и отзывом она считывает мгновенно.
Пример. Вы пишете, что у вас самая лёгкая обувь или самая прочная. В отзывах клиенты рассказывают, что ботинки развалились в первый же сезон. GEO вам не видать.
В классическом поиске такое расхождение частично компенсировали трафик и удачный сниппет. В нейровыдаче описание и отзывы проверяются одним проходом, и противоречие убивает рекомендацию целиком. Какие страницы интернет-магазина нейросети цитируют охотнее всего, разбирали в отдельном материале: продвижение интернет-магазина в ответах ИИ.
Почему органические карточки в ChatGPT - не то же самое, что реклама в Google
Google годами встраивал торговый слой внутрь поиска, но делал это с рекламным баннером, который пользователи научились обходить боковым зрением. Баннер читается как платное место, и доверие к нему ниже.
В ChatGPT карточки органические и стоят в теле ответа, который человек именно читает, а не сканирует. Плашки нарочно выбиваются из текстового потока и явно сделаны ради роста кликабельности. Утверждать, что кликабельность гарантированно выше, нельзя: публичных замеров нет. Но логика дизайна работает на то, чтобы взгляд остановился на маркере. О том, как AI-решения в e-commerce становятся рутиной и теряют надзор, есть отдельный разбор: AI-эффект в e-commerce.
Как AI-модель выбирает товар и что она считывает
Модель собирает картину из структурированных данных и из того, что о вас говорят живые люди. Чтобы претендовать на лейбл, нужно раскрыть превосходящие конкурентов свойства структурно и с доказательствами: публикации, исследования там, где они возможны, разные рейтинги, отзывы клиентов.
Структурированные данные для LLM: что это на практике
К структурированным данным для LLM относятся таблицы сравнений, замеры, рейтинги, разбивка по категориям. Разметка schema.org помогает, но сама по себе картину не собирает. Модель должна иметь возможность сопоставить ваш товар с критерием «лучший для новичков» или «лучшая амортизация».
Пример на обуви. Позиционируете кроссовки как вариант с лучшей амортизацией - покажите замеры амортизации, износостойкости, веса, результаты тестов на разных покрытиях. По технике работает то же: таблица характеристик, где видно, чем модель отличается от конкурентов по конкретному параметру.
Критерий из лейбла и ваше доказательство должны совпадать по смыслу. Если лейбл про амортизацию, а вы пишете про стиль и материалы, подтверждения модель не получит.
Отзывы и рейтинги для AI-поиска: почему им верят больше, чем описанию
Несоответствие между обещанием и отзывом модель считывает мгновенно. Если в описании товар назван самым прочным, а в отзывах пишут, что он развалился в первый сезон, рекомендация не появится или появится с оговоркой, которая сработает против вас.
Работа с отзывами и рейтингами становится частью GEO, а не отдельной задачей поддержки. Проверьте, подтверждают ли реальные отзывы свойства, которые вы заявляете. Заодно полезно понимать, как отличить честный обзор от проплаченного, потому что на них тоже опираются при выборе: корпоративный шиллинг в AI-обзорах.
Что делать бизнесу уже сейчас: практический план для GEO
План из пяти шагов, каждый опирается на логику выбора, которую описывает источник.
- Определите критерий, по которому продукт реально превосходит конкурентов. «Мы лучшие» не работает: нужен измеримый параметр - амортизация, вес, срок службы, простота освоения.
- Докажите превосходство структурно. Сравните продукт с конкурентами, проведите краш-тест, взвесьте, затестируйте на износостойкость, если именно это свойство должно опережать конкурентов.
- Оформите доказательства в читаемый формат: видеообзор или текстовый разбор с замерами и описанием методики.
- Приведите в порядок отзывы и рейтинги. Они не должны противоречить обещаниям из описания товара.
- Публикуйте данные в формате, который модель может считать: сравнения, таблицы, однозначные утверждения с указанием условий замера.
Даже если формат карточек не дойдёт до релиза, эти шаги работают в других AI-сценариях: в чат-ассистентах, обзорах, подборках и ответах на вопросы о выборе.
Как доказать превосходство продукта по конкретному критерию
Доказательство должно быть проверяемым и соотносимым с критерием лейбла. Сравнение с конкурентами, краш-тест, взвешивание, тест на износостойкость дают то, чего не даёт маркетинговый текст: измеримый результат, к которому можно привязать утверждение.
Конкретных цифр и бенчмарков здесь не будет намеренно: источник их не приводит, а выдумывать замеры под чужой продукт бессмысленно. Методику и результаты вы получаете сами и публикуете открыто.
Как готовить контент под AI-поиск для интернет-магазинов
В карточке товара и в связанных материалах привяжите продукт к критериям, по которым люди ищут вариант: «лучший для новичков», «лучшая амортизация», «самый лёгкий». Модель ищет подтверждение критерия, а не общее описание товара.
На практике это таблица сравнения с конкурентами, блок с замерами, ссылки на тесты, честное перечисление ограничений. Если у товара есть слабое место, напишите о нём прямо. Расхождение между описанием и реальностью считывается мгновенно, а несоответствие убивает рекомендацию.
Как устроена GEO-оптимизация контента и почему отказ от активных действий иногда оказывается рабочей стратегией, разбирали отдельно: GEO-оптимизация контента.
Ограничения и риски: чего пока не стоит ждать
Платформа остаётся чёрным ящиком. Правила ранжирования OpenAI не раскрыты, и по каким именно признакам модель назначает «лучший универсальный» вариант, публично неизвестно.
Сам формат пока тестируется и может не дойти до широкого релиза. Источник, на который опирается этот разбор, содержит мнение автора и не подтверждает, что карточки будут доступны всем пользователям.
Дата 2026 указана только в связи с публикацией Search Engine Roundtable и находкой Brodie Clark. Других датированных данных в материале нет, поэтому строить календарные планы «когда выйдет релиз» не на чем.
Отсюда практический вывод: не стоит перестраивать всю стратегию под один интерфейсный формат. Разумнее считать карточки сигналом о направлении, а вложения делать в то, что переносится на другие платформы.
Что это значит для AI-поиска в целом
Карточки с лейблами показывают, куда движется AI-поиск: оптимизация под ответы моделей становится отдельной дисциплиной со своими критериями. GEO для бизнеса перестаёт быть абстракцией, потому что появляется видимое место в интерфейсе, за которое можно бороться.
Если конкретный формат не дойдёт до релиза, логика останется: модель собирает рекомендацию из структурированных данных, сравнений, замеров и отзывов. У кого эти доказательства есть, тот выигрывает и в чат-ассистентах, и в генеративных ответах, и в подборках товаров.
Начать можно с одного шага: выбрать критерий, по которому продукт реально опережает конкурентов, и опубликовать замеры, которые это подтверждают. Интерфейс может смениться. Проверяемое доказательство превосходства останется активом.
Источники
- OpenAI тестирует товарные карточки с лейблами в выдаче ChatGPT — публикация, на которой основаны факты о лейблах, находке Brodie Clark и ссылке на Search Engine Roundtable (2026).