Как ИИ описывает ваш бренд: тон и тональность ответов ИИ

Упоминания мало. Метод чтения того, как ответы ИИ подают ваш бренд, от полярности и оговорок до характеристик и сравнений, и устранения причин на уровне источников.

Rocketly · 2026-10-21

Тон и тональность ответов ИИ показывают то, чего не покажет счётчик упоминаний: что генеративная система на самом деле говорит о вашей компании после того, как назвала её? Анализ тона ответов ИИ — это систематическое чтение того, как система подаёт уже названный бренд: какова полярность окружающих предложений, какие оговорки прикреплены к имени, какие характеристики ему приписаны, рядом с какими конкурентами он стоит и рекомендуется ли он или просто перечисляется. Два ответа могут упомянуть вас по одному разу и оставить у покупателя противоположные впечатления, поэтому отчёт, фиксирующий только присутствие, описывает лишь половину того, что видит читатель.

Где и как появляется ваше имя, разобрано в материале об отслеживании упоминаний бренда в ответах ИИ; этот текст начинается там, где заканчивается тот. Ниже рассмотрены пять измерений подачи, их происхождение из найденных системой источников, методы классификации тональности и их известные ошибки, а в конце приведена таблица, связывающая каждый шаблон подачи с вероятной причиной и соразмерной реакцией.

Почему упоминание ещё не означает хорошее описание?

Упоминание — бинарное событие: имя в ответе либо есть, либо нет. Подача — это его содержание. Представим условный пример: покупатель спрашивает у двух систем, какие инструменты управления проектами подойдут небольшому агентству. Первый ответ называет бренд «сильным выбором для небольших команд, которым нужен простой старт»; второй перечисляет тот же бренд как «ещё один вариант, хотя некоторые пользователи жалуются на проблемы с выставлением счетов». На графике доли голоса эти ответы неразличимы, однако первый работает как рекомендация, а второй — как предупреждение.

Как и в случае с различием между упоминанием и цитированием, сведение разных исходов к одному числу стирает информацию, необходимую для действий. Для бренда, который и так регулярно появляется в ответах, подача может оказаться более значимым сигналом: оговорка, повторённая в десятках ответов, может стоить дороже, чем эпизодическое отсутствие.

Из чего складывается подача? Пять наблюдаемых измерений

Слово «тон» само по себе слишком грубое, чтобы на его основе принимать решения. Полезнее разделить пять измерений: каждое можно наблюдать непосредственно в тексте ответа, и каждое, как правило, указывает на свой тип причины.

Полярность

Полярность — это оценочное направление предложений о бренде: позитивное, нейтральное, негативное или смешанное. Смешанная категория важнее, чем кажется. Когда аспектный анализ тональности (aspect-based sentiment analysis, ABSA) стал общей оценочной задачей SemEval-2014 (Task 4, построенная на отзывах о ресторанах и ноутбуках), схема разметки уже включала метку «conflict» для объектов, получивших одновременно положительную и отрицательную оценку. Ответ ИИ, который хвалит одно свойство и оговаривает другое, порождает именно такой случай.

Хеджирование и оговорки

Хедж — языковое средство, показывающее, что автор не берёт на себя полную ответственность за утверждение; организаторы общей задачи CoNLL-2010 по распознаванию хеджей описывали такие сигналы как указание на то, что автор не подкрепляет или не может подкрепить своё утверждение фактами. В ответах ИИ хеджи («по имеющимся данным», «по словам некоторых пользователей») и оговорки («однако», «стоит учитывать») добавляют бренду сомнение без явно негативного высказывания. Обратное не менее важно: отсутствие хеджирования не доказывает точности. В исследовании Tow Center for Digital Journalism, опубликованном в Columbia Journalism Review в 2025 году, восемь генеративных поисковых инструментов ответили на 1600 запросов на определение источника, в совокупности ошиблись более чем в 60 процентах случаев и при этом редко прибегали к уточняющим оборотам.

Характеристики

Характеристики — это свойства, которые ответ приписывает бренду: доступный или дорогой, простой или сложный в использовании, надёжный, ориентированный на крупный бизнес. Они часто полезнее общей полярности: нейтральный ответ, который раз за разом называет вас «сложным в настройке», точно указывает, какое представление о вас циркулирует.

Сравнительная подача

Многие ответы описывают бренд только относительно других: дешевле одного конкурента, менее гибкий, чем другой. Джиндал и Лю в работе о выявлении сравнительных предложений (SIGIR 2006) охарактеризовали эту задачу как связанную с классификацией тональности, но существенно отличающуюся от неё: сравнение не рассматривает объект изолированно и может быть как субъективным, так и объективным. Фраза «X дороже, чем Y» одновременно негативна для X по цене и благоприятна для Y, поэтому измерение должно решить, чью тональность оно фиксирует. Как формируются такие вопросы, мы разбирали в статье о сравнительных запросах «X или Y».

Откуда берётся подача вашего бренда?

У систем, которые перед ответом выполняют поиск, самый прямой источник подачи — документы, найденные по вопросу. Документация Google Search Central указывает, что AI Overviews и AI Mode могут использовать технику «query fan-out», запуская несколько связанных поисков по подтемам, а Элизабет Рид, вице-президент Google по поиску, в публикации мая 2024 года пишет, что AI Overviews устроены так, чтобы показывать только информацию, подкреплённую верхними результатами веб-поиска. Справка OpenAI сообщает, что поиск ChatGPT, как правило, переписывает вопрос в один или несколько целевых запросов к поисковым провайдерам, а справочный центр Perplexity — что каждый ответ содержит пронумерованные ссылки на источники.

Поэтому характеристики и оговорки в ответе обычно повторяют то, что написано где-то ещё: в отзывах, ветках форумов, публикациях СМИ, на страницах сравнений или в вашей собственной документации. Форумы заслуживают особого внимания: откровенные жалобы от первого лица — именно тот текст, который система может сжать до одной оговорки; почему системы так охотно опираются на такие обсуждения, разобрано в материале о том, почему ИИ цитирует Reddit и форумы. Обучающие данные добавляют второй, менее заметный слой: усвоенное моделью общее впечатление о бренде может сохраняться, даже если найденные источники говорят иное. Как системы взвешивают эти входные данные между собой, публично не документировано, и к точным утверждениям о таких весах стоит относиться с недоверием.

Как классифицировать тон: словари, модели или аспекты?

Общие принципы анализа тональности мы описали в статье об анализе тональности сообщений клиентов; здесь важно, как каждое семейство методов ведёт себя на тексте, созданном ИИ.

Словарные методы ищут слова в словарях, размеченных по семантической ориентации, и затем применяют правила. Система SO-CAL (Табоада и соавторы, Computational Linguistics, 2011) учитывает усиление и отрицание, а VADER (Хатто и Гилберт, ICWSM 2014) добавляет эвристики для степенных модификаторов, заглавных букв и противительного союза «but» («но»). Их сила — прозрачность: одно и то же предложение всегда получает одну и ту же объяснимую метку.
Модельные методы опираются на обученные классификаторы или большие языковые модели. Чжан и соавторы оценили LLM на 13 задачах и 26 наборах данных (Findings of NAACL 2024) и получили удовлетворительные результаты в простых задачах тональности; в сложных задачах, требующих более глубокого понимания или структурированной информации о тональности, LLM уступили небольшим моделям, обученным на данных предметной области, а при наличии лишь нескольких размеченных примеров, напротив, превзошли их. Платой за гибкость становятся меньшая воспроизводимость и более трудный аудит.
Аспектные методы привязывают полярность не к тексту целиком, а к конкретным объектам и характеристикам. Общие эталонные наборы данных для этой постановки дали задачи SemEval ABSA 2014–2016 годов; выпуск 2016 года охватил восемь языков, включая турецкий и русский, и прямо называл помощь компаниям в мониторинге репутации одной из своих целей.

Для подачи бренда концептуально верен именно аспектный взгляд: значение имеет не общее настроение ответа, а то, что он говорит о вашем бренде по каждой характеристике.

Где классификаторы тональности ошибаются на ответах ИИ?

Каждое семейство методов ошибается в узнаваемых местах, и знание этих мест заранее защищает от переоценки отдельного показателя.

Отрицание. Фраза «не самый дешёвый, но и не завышенный по цене» обходит простой подсчёт слов. Системы на правилах часто ищут отрицание в коротком окне предшествующих слов: VADER, например, проверяет три слова перед оценочным словом. В турецком отрицание глагола выражается суффиксом -me/-ma внутри самого слова, и словарь, сопоставляющий целые слова без морфологического анализа, может пропустить его полностью.
Сарказм. Рилофф и соавторы (EMNLP 2013) описали распространённую в Twitter форму сарказма как позитивную оценку, противопоставленную негативной ситуации. Каким бы ни был стиль самого ответа, источники, которые система пересказывает, могут быть саркастичными; в публикации Google 2024 года признавалось, что часть ошибочных обзоров опиралась на саркастический или троллинговый контент с форумов.
Сравнения и атрибуция. Одно предложение нередко оценивает два бренда в противоположных направлениях, а в ответах-списках классификатор должен решить, какое предложение к кому относится; ошибки здесь незаметно переносят оговорку одного бренда на другой.
Хеджи. «В целом надёжен, хотя поддержка бывает медленной» — смешанная, а не позитивная оценка, но классификаторы часто либо игнорируют оговорку, либо придают ей чрезмерный вес.

Ни одна из этих ошибок не повод отказываться от измерения; это повод считать каждую метку оценкой, вручную проверять выборку и читать предложения, стоящие за любым изменением, прежде чем действовать.

Почему тон нужно читать по каждому вопросу и каждой системе?

Усреднение тона по всем ответам даёт число, которое не соответствует опыту ни одного покупателя. Подачу задаёт вопрос: бренд, тепло представленный в ответе о лучших инструментах для небольших команд, может выглядеть компромиссом в ответе об альтернативах корпоративного уровня, потому что меняются и найденные источники, и критерий оценки. Поэтому построение набора вопросов на языке реальных покупателей, описанное в материале об исследовании промптов, — предварительное условие осмысленного анализа тона.

Система важна не меньше вопроса. Документация Google прямо говорит, что AI Mode и AI Overviews могут использовать разные модели и техники, поэтому их ответы и ссылки будут различаться; между системами разных компаний расхождение ещё больше. Ответы меняются и между повторными запусками одного вопроса, поэтому тон следует отслеживать как распределение по серии измерений, а не как единичный снимок; подробно эта проблема разобрана в статье о том, почему ответы ИИ каждый раз меняются. Рабочая единица анализа — ячейка «один вопрос, одна система, одно временное окно».

Какие шаблоны подачи встречаются и что обычно их вызывает?

Таблица связывает распространённые шаблоны с причинами на уровне источников, которые могут их порождать. Причины — это гипотезы для проверки по цитируемым источникам, а не диагнозы.

Шаблон подачи	Типичная формулировка (обобщённо)	Вероятная причина в источниках	Соразмерная реакция
Перечислен, но не рекомендован	«Среди других вариантов...»	Мало сторонних источников, объясняющих, кому подходит бренд	Публиковать ясные материалы о сценариях использования и сравнения; попадать в независимые обзоры
Рекомендация с оговоркой	«Хороший выбор, но некоторые пользователи сообщают...»	Повторяющаяся жалоба в отзывах или на форумах	Устранить саму проблему, ответить там, где она была поднята, задокументировать исправление
Устаревшая характеристика	«Нет функции X» уже после её выпуска	Старые отзывы или устаревшая документация, которые всё ещё хорошо ранжируются	Обновить документацию и журнал изменений; рассматривать случай как фактическую ошибку
Привязка к одному сегменту	«Подходит в основном крупным компаниям»	Собственный сайт и пресса акцентируют один сегмент	Явно указать обслуживаемые сегменты и подтвердить их, например кейсами
Негативное сравнение	«Дороже, чем Y»	Страницы сравнений с неясной или устаревшей логикой цен	Объяснить на своих страницах, что входит в предложение; запросить исправление ошибок у третьих сторон
Неуверенная идентификация	«По-видимому, это компания, которая...»	Слабые или противоречивые сигналы сущности	Единое последовательное описание на сайте и в официальных профилях
Разный тон в разных системах	Тепло в одной системе, осторожно в другой	Разные наборы найденных источников	Сравнить цитируемые домены по системам, прежде чем менять контент

Как реагировать: менять тон или доказательства?

Поскольку подача во многом представляет собой сводку найденных доказательств, попытки «оптимизировать тон» напрямую — насыщать страницы хвалебными прилагательными или подбрасывать благоприятные публикации — лечат симптом и добавляют риск. Самопохвала на собственных страницах не меняет того, что о вас пишут в отзывах и на форумах, а искусственная похвала в других местах нарушает правила платформ: политика контента Google Карт, например, относит к поощрённым отзывы, на которые повлияли оплата, скидка или бесплатные товары и услуги, и указывает, что такие стимулы подрывают целостность контента.

Тон системы в отношении вашего бренда — это сводка доказательств, которые она способна найти, поэтому единственный устойчивый способ изменить тон — изменить доказательства.

Дисциплинированная реакция состоит из четырёх шагов. Во-первых, проследите предложение до цитируемых источников и прочитайте их. Во-вторых, определите причину: реальная проблема, устаревший факт, ошибочная атрибуция или пробел в доказательствах. В-третьих, действуйте на уровне источника: решите реальную проблему в продукте или сервисе и ответьте там, где живёт жалоба, как описано в нашем руководстве по управлению репутацией на сайтах жалоб; обновите устаревшие материалы, а пробелы закройте конкретными проверяемыми страницами. Если проблема не в неблагоприятной оценке, а в откровенно неверном факте, применяйте порядок действий из статьи о том, как исправить ложные сведения о бренде в ответах ИИ. В-четвёртых, повторно измеряйте те же вопросы в тех же системах на протяжении нескольких недель: один улучшившийся ответ доказывает немногое.

Как Rocketly читает тон и характеристики?

В модуле «GEO-видимость» Rocketly функция «Тон упоминаний» — это словарный анализатор по ключевым словам для турецкого, английского и русского языков, который учитывает отрицание и не использует языковые модели. Он помечает предложение вокруг каждого упоминания бренда как позитивное, нейтральное, негативное или смешанное, оставляет пустыми случаи, которые не может прочитать, и подаётся в продукте как оценка, а не как вердикт. «Совпадение характеристик» на странице анализа конкурентов сопоставляет каждый бренд с закрытым набором характеристик, таких как «доступный», «дорогой», «простой в использовании», «надёжный», «хорошая поддержка» и «корпоративный». Стандартно и еженедельно измеряется Google AI Overview; измерение ChatGPT и Perplexity находится в контролируемом запуске. Чтобы увидеть, как системы подают вас и ваших конкурентов в вопросах ваших покупателей, можно создать аккаунт и оценить Rocketly GEO Suite, который предлагается как отдельное дополнение.

Частые вопросы

Нейтральный тон в ответах ИИ — плохой знак?

Не обязательно. Многие ответы по своей природе описательны, и нейтральное, но точное описание вполне может помочь покупателю. Нейтральность становится проблемой, когда конкуренты в тех же ответах получают явные причины для выбора, а ваш бренд — нет; это пробел в рекомендациях, а не проблема тональности.

Можно ли классифицировать тон ответов ИИ с помощью большой языковой модели?

Можно, но ценой воспроизводимости: одно и то же предложение при разных запусках может получить разные метки, а обоснование труднее проверить. Оценка Чжана и соавторов (NAACL 2024) показала, что LLM уверенно справляются с простой полярностью, но в структурированных задачах на уровне аспектов уступают небольшим моделям, обученным на данных предметной области, поэтому любой метод стоит проверить на вручную размеченной выборке ваших собственных ответов.

Можно ли удалить негативную подачу по запросу?

Просьбой к системе — нет. Google, OpenAI и Perplexity предлагают инструменты обратной связи под ответами, но обратная связь — это сигнал провайдеру, а не механизм исправления, который вы контролируете. Если подача отражает реальную проблему, решите её; если она отражает устаревшие или неверные сведения, исправьте их в источнике и измерьте снова.