Упоминание искусственным интеллектом недостаточно для сохранения позиции в шорт-листе покупателей. По словам консультанта по GEO (оптимизации для генеративных поисковых систем), у компании с очень высокой представленностью в ответах ИИ тем не менее сокращался воронка потенциальных клиентов. Его исследование посвящено этому кажущемуся противоречию.
Консультант составил 38 детализированных запросов, основанных на критериях и охватывающих несколько категорий продуктов и сегментов покупателей. Эти запросы были оценены на пяти интерфейсах ИИ, что дало 190 ответов. Они воспроизводили критерии, которые покупатель использует для сужения списка поставщиков: соответствие рабочим процессам, интеграции, регуляторные требования, совместимость или аналитика. По словам автора, некоторые запросы оказались ещё длиннее после обсуждения с руководителями закупок.
Показатели видимости были высокими. Компания упоминалась в 98,4% оценённых ответов и фигурировала в качестве основной рекомендации или в предварительном отборе в 93,2% случаев. Тем не менее, когда эти же ответы были сопоставлены с критериями принятия решения, 73,7% из них содержали слабые или отсутствующие доказательства в поддержку важных утверждений. В 15,8% случаев была выявлена недостача, квалифицированная как «значительная» или «критическая».
Видимости недостаточно для принятия решения
По мнению автора, существует чёткая разница между вопросом о том, какие поставщики работают на рынке, и вопросом о том, какие из них могут удовлетворить конкретную комбинацию технических, операционных, регуляторных и коммерческих требований. Модель может знать компанию и включать её в шорт-лист, но не располагать необходимой информацией, как только покупатель запрашивает детали работы интеграции или ограничения продукта. Эти вопросы, по его мнению, относятся не к простым ключевым словам, а к требованиям доказательности.
Таким образом, цифры не противоречат друг другу: они измеряют два разных этапа процесса принятия решения. Видимость вовлекает компанию в обсуждение, в то время как способность к принятию решения определяет, располагает ли ИИ достаточными данными, чтобы удержать её там.
Доказательства, а не возможности
Согласно исследованию, слабость доказательств не обязательно означает, что у компании отсутствует соответствующая возможность. Во многих случаях она, казалось, существовала, но доступная информация недостаточно её объясняла, чтобы удовлетворить требуемый ИИ уровень доверия. Например, обещание сквозного процесса не подкреплено, если сам процесс, соединения или потоки данных не описаны. Информация также может быть фрагментирована, вынуждая модель связывать несколько страниц, прежде чем сделать вывод.
Автор уточняет, что внутренняя продуктовая документация может служить лучшим доказательством существования функции. С другой стороны, утверждения о превосходстве, эффективности, внедрении или измеримых результатах выигрывают от подтверждения клиентами, аналитиками или независимыми третьими сторонами. Он добавляет, что унификация схожего контента, которую он называет «паритетом контента», может включить компанию в категорию, но не позволит ей выдержать углублённую оценку.
Наконец, он предостерегает от соблазна создавать контент, «сконструированный под доказательства»: более длинные страницы, поверхностные схемы, слабые опросы или сгенерированные ИИ кейсы. Цель, по его мнению, — предоставлять реальную информацию, снижающую неопределённость покупателя. Если информация не поможет опытному клиенту принять лучшее решение, она не должна существовать лишь для улучшения показателя GEO.
Измерять покупателя до конца
Консультант считает, что измерять только первый ответ ИИ недостаточно. Запросы типа «часто задаваемых вопросов» полезны для составления списка вариантов, но современные инструменты не отслеживают последовательность вопросов, которые пользователь задаёт один за другим. Он называет эту многовариантную комбинацию, возникающую в результате таких последовательных обменов, «prompt math». По его мнению, измерение GEO должно учитывать как видимость, так и способность к принятию решения.
