Пользователь в Иркутске просит ИИ-поисковик найти мастера на дом. Gemini 3.6 Flash возвращает 8 местных сайтов из 13. DeepSeek V4 Flash и GLM 5.2 не находят ни одного, причём DeepSeek цитирует ресурсы из Одессы, Киева и Минска. Это не случайный сбой, а системная разница в архитектуре поиска.
Причина в том, что модели используют разные поисковые движки. У Google собственный grounding, у провайдера DeepSeek и GLM - плагин. Состав источников почти не пересекается: коэффициент Жаккара 0.02. Обновление модели за одно поколение меняет до 75% ссылок. Замеры ИИ-видимости устаревают быстрее, чем кажется.
Введение: парадокс локального поиска в эпоху ИИ
Локальный бизнес привык бороться за позиции в Яндексе и Google. Теперь появился третий канал - ИИ-поисковики. Они отвечают на естественные запросы, суммируют источники и выдают ссылки. Но локализация в них работает непредсказуемо.
Тест с запросом «вызов мастера на дом в Иркутске» показал разрыв: Gemini 3.6 Flash нашёл 8 местных сайтов из 13, DeepSeek V4 Flash и GLM 5.2 - ни одного. DeepSeek при этом цитировал ресурсы из Одессы, Киева и Минска. Для пользователя это означает нерелевантный ответ. Для бизнеса - потерю клиента ещё до перехода на сайт.
Проблема шире, чем кажется. ИИ-поисковики не просто «плохо ищут». Они по-разному устроены внутри, и это влияет на то, какие источники попадают в ответ. Разберём методику теста, результаты и технические причины.
Методика теста: как мы измеряли ИИ-видимость
Мы взяли три свежие модели: Gemini 3.6 Flash, DeepSeek V4 Flash и GLM 5.2. Каждой задали один и тот же запрос - «вызов мастера на дом в Иркутске». Затем проанализировали выданные ссылки: сколько из них ведут на местные сайты, сколько на агрегаторы, сколько на ресурсы из других городов.
Замер ИИ-видимости требует аккуратности. Ссылки в ответах моделей часто обёрнуты редиректами Google. Если не раскрыть эти редиректы, можно неправильно определить источник и сделать ложные выводы о том, кого цитирует модель.
Почему важно раскрывать редиректы
Когда Gemini или другая модель выдаёт ссылку, она может вести не напрямую на сайт, а через промежуточный URL Google. Внешне это выглядит как ссылка на google.com с параметрами. Реальный источник скрыт за редиректом.
Пример: модель цитирует иркутскую компанию, но в выдаче вы видите google.com/url?q=.... Если не раскрыть этот URL, вы решите, что модель сослалась на Google, а не на локальный сайт. Для точного замера нужно разворачивать редиректы и фиксировать конечный домен. Без этого шага данные о видимости будут искажены.
Результаты: кто видит Иркутск, а кто нет
Данные теста показывают разительный разрыв между моделями.
| Модель | Местные сайты (из 13) | Источники из других городов |
|---|---|---|
| Gemini 3.6 Flash | 8 | Нет |
| DeepSeek V4 Flash | 0 | Одесса, Киев, Минск |
| GLM 5.2 | 0 | Нет местных |
Gemini 3.6 Flash - единственная модель, которая нашла локальные сайты. DeepSeek V4 Flash не просто не нашёл Иркутск, он подставил ресурсы из других стран. GLM 5.2 не выдал ни одного местного сайта.
Разрыв не в процентах, а в самом факте наличия локального результата. Для пользователя это разница между «вот мастер рядом» и «вот случайные сайты из Одессы».
Сравнение источников: коэффициент Жаккара 0.02
Коэффициент Жаккара измеряет пересечение двух множеств. Формула: размер пересечения, делённый на размер объединения. Значение 1 означает полное совпадение, 0 - полное отсутствие общих элементов.
Для источников трёх моделей коэффициент Жаккара составил 0.02. Это почти нулевое пересечение. Gemini, DeepSeek и GLM цитируют разные сайты. Практический вывод: если ваш сайт виден в одной модели, это не гарантирует видимость в другой. Каждая модель работает со своим набором источников.
Почему модели такие разные: поисковые движки и grounding
Корень различий - в архитектуре поиска. Gemini 3.6 Flash использует собственный grounding Google. Это встроенный механизм, который связывает модель с поисковым индексом Google. Он учитывает локальные сигналы: регион, язык, свежесть, релевантность.
DeepSeek V4 Flash и GLM 5.2 работают через плагин у провайдера. Провайдер подключает внешний поисковый движок, который может не иметь доступа к локальному индексу или не учитывать гео-сигналы. Отсюда результаты из Одессы, Киева и Минска - поисковый плагин просто не понимает, что запрос привязан к Иркутску.
Разные движки дают разные источники. Разные источники дают разные ответы. Это объясняет коэффициент Жаккара 0.02.
Влияние обновлений: 75% ссылок меняются
ИИ-модели обновляются часто. При смене поколения меняется не только качество ответов, но и состав источников. В нашем тесте обновление модели за одно поколение меняло до 75% ссылок.
Почему так происходит? При обновлении меняется поисковый движок, переобучается модель, корректируются веса источников. Сайт, который цитировался вчера, может исчезнуть из выдачи завтра. Это делает замеры ИИ-видимости быстро устаревающими. Один замер в месяц не отражает реальную картину.
Для бизнеса это означает: мониторинг ИИ-видимости должен быть регулярным, а не разовым. Иначе вы будете работать с устаревшими данными.
Сравнение с традиционными поисковиками: Яндекс и агрегаторы
Яндекс в регионах отдаёт агрегаторам до 52% ссылок. Профи, Авито и подобные площадки занимают половину выдачи по локальным запросам. Свежие ИИ-модели отдают агрегаторам меньше.
У этого есть две стороны. Агрегаторы полезны пользователю: там собраны отзывы, цены, рейтинги. Но местные сайты теряют трафик. Компания, которая вложилась в SEO и контент, может не попасть в выдачу Яндекса, потому что её место занял агрегатор.
ИИ-модели пока менее зависимы от агрегаторов. Gemini в тесте нашёл именно местные сайты, а не только Профи и Авито. Это шанс для локального бизнеса: если модель понимает регион, она может привести клиента напрямую на сайт, минуя агрегатор.
Но есть и риск. DeepSeek и GLM не нашли ни местных сайтов, ни агрегаторов. Они выдали нерелевантные ресурсы из других городов. Это хуже, чем выдача Яндекса с агрегаторами.
Практические рекомендации: как улучшить видимость в ИИ-поисковиках
ИИ-видимость нельзя купить разово. Это процесс, который требует структурированных данных, локальных сигналов и регулярного мониторинга.
Первый шаг - убедиться, что модель может понять, кто вы и где находитесь. Для этого нужна разметка Schema.org типа LocalBusiness. В ней указываются точный адрес, регион, часы работы, телефон. Без этой разметки модель может не связать ваш сайт с конкретным городом.
Второй шаг - локальные сигналы. Упоминания на местных ресурсах, отзывы, региональные каталоги. Чем больше независимых источников указывают на ваш регион, тем выше шанс, что модель учтёт гео-привязку.
Третий шаг - качественный контент с явным указанием региона. Страница «Вызов мастера на дом в Иркутске» должна содержать название города в заголовке, тексте и мета-тегах. Модели учатся на текстах, и явные гео-сигналы в контенте помогают.
Четвёртый шаг - регулярные замеры. Проверяйте видимость в Gemini, DeepSeek, GLM и других моделях минимум раз в две недели. Учитывайте, что обновление модели может изменить до 75% ссылок. Ваш сайт может исчезнуть из выдачи без видимых причин.
Пятый шаг - раскрывайте редиректы при замерах. Если вы видите ссылку на google.com, разверните её и проверьте конечный домен. Иначе вы будете измерять не видимость, а артефакты обёрток.
Чек-лист для локального бизнеса
- Добавьте Schema.org разметку LocalBusiness с точным адресом и регионом.
- Укажите город в заголовках, текстах и мета-тегах ключевых страниц.
- Получите упоминания на локальных ресурсах: городские порталы, отраслевые каталоги, сообщества.
- Следите за репутацией: отзывы на независимых площадках, рейтинги, упоминания в соцсетях.
- Проверяйте видимость в Gemini, DeepSeek и GLM не реже раза в две недели.
- Раскрывайте редиректы Google при анализе ссылок.
- Фиксируйте изменения после обновлений моделей, чтобы отделить тренд от случайности.
Отдельно стоит отслеживать, как модели упоминают ваш бренд. 92,8% диалогов в ChatGPT заканчиваются без клика по ссылке, поэтому упоминание бренда в ответе важнее позиции в выдаче. Конверсия переходов из нейросетей достигает 7,1% - в 4,4 раза выше обычной. Если модель называет вашу компанию, клиент может принять решение до перехода на сайт.
Для системного подхода к замеру видимости полезно изучить, как ядро повторяющихся запросов в ChatGPT формирует слои видимости брендов. Исследование 591 ответа от ChatGPT, Claude, Gemini и других нейросетей показывает, что видимость структурирована в три слоя. Это помогает выбрать правильную стратегию продвижения.
Заключение: что это значит для будущего локального поиска
ИИ-поисковики пока несовершенны в локализации. Gemini находит местные сайты, DeepSeek и GLM - нет. Состав источников почти не пересекается, обновления меняют до 75% ссылок. Это нестабильная среда.
Но тренд очевиден: ИИ-поиск становится третьим каналом привлечения клиентов наряду с Яндексом и Google. Бизнес, который адаптируется сейчас, получит преимущество. Бизнес, который проигнорирует, потеряет клиентов, которые уже спрашивают ИИ вместо поисковика.
Мониторинг и гибкость - ключевые факторы. Проверяйте видимость регулярно, обновляйте структурированные данные, следите за локальными сигналами. И помните: замер, сделанный месяц назад, может уже не отражать реальность.