Какое банковское приложение удобнее, где его скачать и как поставить на iPhone — на эти вопросы теперь отвечают не только отзывы, но и нейросети. Вместе с BrandFound мы решили проверить, какие приложения банков ИИ советует чаще и согласны ли с этим пользователи.
Оказалось, что разница есть. Нейросеть может показывать бренд, который ругают в соцсетях, а банк с хорошими отзывами — почти не упоминать. Причем разные модели дают разные ответы. Объясняем, что это значит и как это можно использовать. Будет полезно не только банкам, но и всем, кто работает с GEO.
Как сравнивали ответы ИИ и соцмедиа
В BrandFound собрали 8 955 ответов от девяти нейросетей: ChatGPT, Gemini, Google AI Mode, Perplexity, Grok, DeepSeek, GigaChat и двух продуктов Алисы.
Моделям задавали общие вопросы без названий банков. Например, какое приложение удобнее, как его установить, что делать при сбое или какой банк выбрать для конкретной задачи. Всего проверили 55 брендов.
В Sidorin Lab параллельно проанализировали 37 тысяч пользовательских сообщений о банковских приложениях.
В обеих выборках смотрели на четыре темы: функциональность, доступность, надежность и UX. В итоге получилось два массива данных. Первый отражал ответы ИИ. Второй показал опыт тех, кто уже пользуется приложением. Ниже самые интересные инсайты.
Пользователи и нейросети называют разные банки
В ответах ИИ упоминания делятся между Сбером, Т-Банком, ВТБ и Альфа-Банком. На них приходится более 85% выборки. Остальные бренды появляются редко или не появляются вообще.
При этом частота упоминаний в нейросетях не совпадает с оценками пользователей. Хороший пример — ВТБ. В ответах ИИ он занимает третье место по видимости. В соцмедиа у него, наоборот, самый высокий уровень негатива среди крупных участников исследования: пользователи жалуются на сбои, обновления и интерфейс.
У Совкомбанка ситуация обратная. В пользовательских обсуждениях у него одна из лучших тональностей, а в нейросетях бренд почти не виден — на него приходится всего 0,6% упоминаний.
Так происходит, потому что у нейросети нет своих знаний о приложениях. Ответ складывается из того, что есть в интернете, а эта информация не всегда полная.
«Нейросети пока что не могут выполнять полноценную рекомендательную функцию. При формировании ответа они только агрегируют информацию, размещенную на сайтах, входящих в их индексную базу».
Василий Кошкин, руководитель отдела DAO, СберМаркетинг
Самый большой разрыв — в теме надежности
Сильнее всего нейросети и пользователи спорят там, где нужно оценить реальный опыт использования.
В соцмедиа надежность — самая болезненная тема: почти половина сообщений (48%) негативные. Люди жалуются на сбои, зависания, проблемы со входом и скорость работы. Еще одна заметная боль — обновления. Например, у ВТБ 71% обсуждений обновлений негативные, у Газпромбанка — 77%.
Нейросети эту картину почти не показывают. На вопросы о надежности в 45% случаев они вообще не называют конкретный бренд, а предлагают проверить интернет, обновить приложение или очистить кэш. В целом модели хуже справляются именно с выбором. Если спросить у них, «какой банк лучше», они чаще уводят разговор к общим темам.
Отсюда и разница в теме доступности. Соцмедиа показывают проблемы и то, что беспокоит клиентов прямо сейчас. ИИ цитирует готовые решения и дает первое представление о бренде.
«Средней нейросети» не существует
AI-выдача сильно зависит от конкретной модели. В ChatGPT и Grok чаще лидирует Т-Банк. В Gemini, Google AI Mode, GigaChat и Алисе — Сбер. DeepSeek и Perplexity называют десятки брендов, тогда как другие модели дают более узкий список.
Различается не только лидер, но и объем самой выдачи. DeepSeek упоминает 41 банк, Perplexity — 38. В других моделях список заметно короче. Поэтому один и тот же банк может быть хорошо заметен в одной нейросети и почти отсутствовать в другой. Единого рейтинга в ИИ нет: каждая модель формирует свою картину рынка.
Нейросети лучше видят ярлыки
Самые частые аргументы нейросетей — «привычный», «популярный», «стабильно работает». Удобство и функциональность встречаются реже.
У лидеров видны устойчивые ассоциации. Сбер модели связывают с масштабом и экосистемой, Т-Банк — с удобством и дизайном, Альфа-Банк — с интерфейсом, ВТБ — с имиджем крупной стабильной организации.
Банки, которые одинаково хороши во всем, менее заметны в ответах. Нейросети проще поймать готовую ассоциацию, которая встречается в разных источниках.
Еще один способ попасть в нейроподсказки — сильная позиция в конкретной теме. Россельхозбанк хоть и занимает небольшую долю общей AI-видимости, но чаще появляется в ответах по доступности. Всё потому, что у них есть отдельные материалы про установку приложения, веб-версию и режим для старшего поколения. Этого хватает, чтобы бренд упоминался в вопросах доступности чаще, чем в среднем по другим темам.
ИИ чаще судит по рейтингам и обзорам
Чаще всего модели цитируют страницы, которые можно почти напрямую превратить в ответ пользователю: инструкции, разборы ошибок, рейтинги и сравнения.
Заголовки в формате «Как…» дают 17,8% всех цитирований. Часто используются и материалы «Что делать, если…» и «Почему не работает…». Среди самых цитируемых страниц — инструкции по проблемам со входом и ошибкам в приложении.
При этом собственный сайт банка — только один из источников. Самым цитируемым доменом оказался Banki.ru, в числе заметных также Sravni.ru и RuStore. В среднем один ответ нейросеть собирает примерно из семи сайтов.
Отдельно выделяются независимые рейтинги. Таких страниц в общей выборке немного, но нейросети обращаются к ним часто и используют как готовое внешнее сравнение банков. Поэтому в AI-выдаче заметны не только собственные материалы бренда, но и то, как его описывают агрегаторы и рейтинговые площадки.
Как повысить видимость бренда в нейросетях
Из цифр исследования можно извлечь несколько полезных советов по работе с нейроподсказками.
Проверяйте несколько моделей. ChatGPT, Gemini, Алиса, DeepSeek и другие системы показывают разные банки. Сравнение нескольких систем покажет, где бренд заметен, а где почти не появляется. Для небольших брендов особенно интересны DeepSeek, Perplexity и Gemini: они называют больше вариантов, поэтому попасть туда проще.
Работайте над узнаваемостью бренда. Нейросети часто выбирают привычные названия еще до сравнения функций. Самые частые аргументы в рекомендациях — «привычный» и «популярный». Поэтому одной технической оптимизации контента недостаточно: если бренд мало представлен в информационном поле, нейросети реже будут включать его в ответы.
Сделайте справочные страницы с ответами на частые вопросы пользователей. Каждой частой проблеме стоит посвятить отдельное руководство. Например, в случае с банковскими приложениями это: «Как установить приложение», «Что делать, если не получается войти», «Как обновить», «Почему не проходит перевод». Чем ближе формулировка к запросу пользователя, тем проще модели использовать страницу в ответе. Бренду из середины рейтинга проще начать с той темы, где у продукта есть заметное преимущество и достаточно контента.
Выбирайте два-три заметных агрегатора и рейтинга. Достаточно сосредоточиться на площадках, которые ИИ уже активно цитирует. Например, в этом исследовании особенно заметны Banki.ru и Sravni.ru. Независимые рейтинги полезны еще и потому, что модель получает внешнее подтверждение оценки, а не только утверждение самого бренда.
Следите за магазинами приложений. RuStore цитируют все девять исследованных нейросетей. Информация оттуда тоже участвует в формировании ответов.
Последовательно описывайте одну сильную сторону продукта. Если бренд не входит в число самых известных, проще занять конкретную тему, чем пытаться конкурировать за звание лучшего во всем. Сильная функция или сценарий должны последовательно появляться на сайте, в обзорах и рейтингах.
Продолжайте мониторинг соцмедиа. Нейросеть может долго воспроизводить накопленный образ бренда и не замечать новую проблему. Соцмедиа быстрее покажут сбой, неудачное обновление или раздражение пользователей.
Делаем выводы
В соцмедиа бренд может быть заметным даже за счет жалоб и споров. В нейросетях все жестче: если банк не попал в набор привычных источников и ассоциаций, модель может просто не назвать его.
Это видно по распределению упоминаний: четыре банка забирают больше 85% AI-выдачи, а большая часть остальных брендов появляется эпизодически или не появляется вовсе.
Поэтому для работы с ИИ первый вопрос не «что нейросеть говорит о бренде», а «говорит ли она о нем вообще». Уже после этого можно разбираться, в каких моделях бренд заметен, с какими ярлыками его связывают и какие источники формируют этот образ. Пока сложно подсчитать, какую долю внимания приносит видимость в нейросетях, но очевидно, что это работает.
«ИИ уже стало новой точкой касания с целевой аудиторией, причем точкой, которая может „отъедать“ рекламный и органический трафик. Для нас уже не стоит вопрос, нужно ли развивать свой бренд в ИИ и как это делать. Для команды СберМаркетинга актуальным стал вопрос, как можно посчитать эффект от этого».
Василий Кошкин, руководитель отдела DAO, СберМаркетинг
