Пользователи все чаще обращаются к нейросетям не только для поиска идей, но и для принятия конкретных решений, например, выбора сервиса бронирования отелей. ChatGPT, Алиса, Gemini и Google AI Overview становятся новыми точками входа в пользовательский путь. Возникает вопрос: насколько объективно ИИ позиционирует различные OTA (Online Travel Agency — онлайн-сервисы бронирования отелей и других туристических услуг) и как можно повлиять на их ответы?
Мы провели исследование ранжирования таких платформ в нейросетях. С помощью собственного инструмента для мониторинга видимости брендов в ИИ обработали 826 ответов четырех генеративных моделей на 242 уникальных промпта. Результаты показали, что видимость агрегаторов кардинально меняется в зависимости от типа пользовательского запроса, а значит, для системного присутствия в нейросетях требуются принципиально разные стратегии.
Ниже — ключевые выводы.
Сравнительные запросы: устойчивая тройка лидеров — Ostrovok, Booking и Яндекс Путешествия
В ответах на запросы вроде «где лучше бронировать отель?» или «топ сервисов бронирования отелей» по различным параметрам, сформировалась стабильная тройка лидеров: Ostrovok упоминается в 62% ответов, Booking — в 60%, Яндекс Путешествия — в 56%. Эти три сервиса доминируют во всех восьми подкатегориях: от бонусов и надежности до рейтингов и цен.
Но есть важные нюансы. По бонусам лидирует Booking (52%), однако в Алисе и Gemini он уступает российским конкурентам. А по ценам нейросети чаще всего уклоняются от прямого ответа, указывая, что ситуация постоянно меняется и необходимо проверять актуальные предложения на сайтах.
Упоминания брендов в ответах нейросетей по сравнительным запросам
При прямых сравнениях двух сервисов ИИ не выбирает победителя, а приводит аргументы за и против каждого.
Ситуативные запросы: 101hotels вытесняет Booking
При переходе к таким запросам, когда пользователь ищет не лучшую платформу в целом, а конкретное решение для своей уникальной ситуации, картина существенно меняется. Яндекс Путешествия остается лидером с 31,5% упоминаний, Ostrovok — на втором месте с 28,5%. Однако 101hotels поднимается с 13% до 28,2%, приближаясь к лидерам и показывая рост на 15,2%. У Booking обратная динамика: его доля падает с 60% до 11,1%.
Упоминания брендов в ответах нейросетей по ситуативным запросам
Причины таких изменений кроются в источниках, к которым обращается LLM (Large Language Model — большая языковая модель, генеративная нейросеть), отвечая на каждый из типов запросов.
Источники знаний: для сравнений — медиа, для ситуативных запросов — сами платформы
Анализ цитируемых доменов дает ключ к пониманию механики ранжирования. В сравнительных запросах ИИ-сервисы преимущественно опираются на внешние медиа. 80% цитирований приходятся на такие площадки, как dzen.ru, hi-tech.mail.ru, vc.ru, t-j.ru. Нейросеть не придумывает рейтинг, а синтезирует то, что уже написано в обзорах и сравнительных статьях. Чтобы попасть в ответы генеративных моделей, нужно присутствовать в этих материалах.
Топ-10 источников цитирования для сравнительных промптов
В ситуативных запросах результаты полностью противоположные. В топ-10 цитируемых доменов не попадает ни одно медиа. Лидируют сами платформы: 101hotels.com (100 цитирований), travel.yandex.ru (98), ostrovok.ru (77), hotel.tutu.ru (72). То есть нейросеть идет напрямую на сайты агрегаторов — туда, где есть конкретные подборки под запрос пользователя.
Топ-10 источников цитирования для ситуативных промптов
Главные выводы: универсального источника у ИИ-сервисов нет, видимостью можно управлять
Исследование опровергает гипотезу о том, что LLM используют устойчивое ядро из 2-3 универсальных источников знаний. Источник меняется в зависимости от потребности пользователя. Это означает, что единой стратегии для роста видимости в нейросетях не существует. Нужно работать одновременно с внешними медиа и с контентом на собственном сайте.
Исследование наглядно демонстрирует: ранжирование в генеративных моделях не является случайностью. Его можно измерять, анализировать и целенаправленно улучшать. Компании, которые понимают механику LLM-ранжирования и выстраивают системную работу по обоим направлениям, получают конкурентное преимущество в новом канале.
Рекомендации Sape: три направления работы для роста LLM-видимости
На основе полученных данных мы сформулировали практические рекомендации для сервисов бронирования отелей:
- Работа со сравнительными запросами. Необходимо сформулировать четкое позиционирование бренда и попасть в топ рейтингов и обзоров на ключевых медиаресурсах. Для этого нужно выстраивать отношения с авторами и редакциями, создавать собственные качественные обзоры и сравнения на авторитетных площадках с актуальными датами и глубоким содержанием. Эти материалы рекомендуется продвигать ссылками для усиления их веса.
- Работа с ситуативными запросами. Стоит создать страницы-подборки под разнообразные сценарии путешествия. Рекомендуется использовать иерархическую структуру URL, размещать на каждой странице-подборке блок FAQ с конкретными ответами. Полезно добавлять сопутствующий контент: описание города, достопримечательностей, климата, транспортной доступности.
- Постоянный мониторинг. Следует формировать семантическое ядро, покрывающее все типы пользовательских потребностей. Необходимо регулярно анализировать ответы нейросетей (позиции статей, появление новых источников, изменения в рекомендациях), а также мониторить действия конкурентов. На основе полученных данных стоит корректировать стратегию, поскольку ранжирование в LLM меняется вместе с контентом.
Ознакомиться с полной версией исследования с детальной аналитикой по подкатегориям запросов можно по ссылке.
