Фрагментация выдачи LLM заставляет юзеров рефрешить запросы по 10 раз для поиска брендов

Чтобы обойти статистическую лотерею ответов ИИ и составить карту реальной видимости брендов, исследователи прогоняля конкретные промпты от 65 до 90 раз на каждую платформу без уточняющих вопросов, детализирует Рэнд Фишкин.

Тесты изолировали Google AI Overviews (или AI mode, когда Overviews не триггерились) вместе с последними версиями Claude Opus (декабрь 2025) и ChatGPT 5.2 (ноябрь/декабрь 2025) для извлечения базовой частоты упоминания брендов.

При запросах в узких гео-нишах с ограниченным датасетом модели жестко режут определенные сущности.

Тесты по 11 доступным дилерам Volvo в Лос-Анджелесе показали: алгоритмы стабильно полностью исключали 3 бизнеса.

И наоборот, топовый кластер получал сильный перекос, фиксируя видимость в более чем 70% сгенерированных ответов, что копирует раннюю консолидацию Google Maps.

Кроме того, алгоритмический шторм масштабируется вместе с размером пула сущностей.

При парсинге категорий с десятками или сотнями релевантных локальных брендов, качественный формат выдачи дестабилизируется.

Системы непредсказуемо скачут: то выдают прямые списки компаний, то инжектят карты, то уводят трафик на сторонние каталоги-рекомендаторы.

Эта фрагментация выдачи диктует поведение юзеров при поиске, особенно в продуктовых запросах (например, мужская обувь).

Понимая, что любой одиночный генеративный ответ неполноценен, пользователи инстинктивно рефрешат запросы до 10 раз, чтобы выжать весь рандомизированный инвентарь брендов из модели.

Как итог: для коммерческой видимости нужно продавливать широкую дистрибуцию через множество циклов ИИ-генерации, а не делать ставку на одну статичную топовую рекомендацию.