В прошлый раз я разбирал, что ChatGPT забирает с вашего сайта: ровно 200 символов после заголовка, замороженных на этапе индексации. В комментариях справедливо спросили: хорошо, а как он вообще решает, чьи страницы смотреть?
Оказалось, решается это раньше. Гораздо раньше, чем модель добирается до вашей страницы.
Когда вы задаёте нейросети вопрос, в поиск уходит не он. Модель сначала переписывает ваш вопрос в несколько своих, и уже они идут искать. Ваш вопрос при этом растворяется: от исходной формулировки в среднем остаётся пятая-четвёртая часть слов.
Я разобрал 686 454 таких подзапроса из наших вопросов к шести нейросетям: обе Алисы, ChatGPT, Gemini, Grok и DeepSeek.
Два вывода, если читать некогда.
Первый. Шире всех вопрос раскладывает не ChatGPT, а Яндекс: 9,4 подзапроса против 5,7. И он единственный, кто показывает, куда именно идёт каждый подзапрос: в веб, в товары, в карты, в картинки или в видео.
Второй. Модели сами подставляют в свои запросы конкретные бренды конкурентов. У Поиска с Алисой это 45% случаев, у ChatGPT 21%. При этом бренд самого клиента в запросах может не появиться ни разу.
Сначала теория: это называется query fan-out
Приём не новый и не секретный, у него есть имя.
Google описал его официально в мае 2025 года, представляя AI Mode: «AI Mode использует технику query fan-out, разбивая ваш вопрос на подтемы и выдавая множество запросов одновременно от вашего имени. Это позволяет поиску копнуть в веб глубже, чем при обычном поиске».
В академической части то же самое известно как multi-query retrieval и RAG-Fusion: сгенерировать из одного вопроса несколько формулировок, поискать по каждой параллельно и слить результаты. Одна формулировка ловит одну грань темы, а нужно поймать несколько.
Публичные оценки размаха расходятся: для простого вопроса может уйти один подзапрос, для сложного называют от 8 до 20 с лишним. Про Perplexity пишут про 3-5.
Это всё описания со стороны. Мне было интересно померить по данным, на реальном русскоязычном потоке.
Как я считал
Данные собраны brandfound: это система, которая ежедневно задаёт нейросетям одни и те же вопросы и складывает ответы, чтобы отслеживать, как в них меняется видимость компаний. Каждый ответ сохраняется целиком, вместе со служебной частью, а не только видимый текст. Именно она тут и интересна.
У шести сетей из девяти в этой служебной части лежит список поисковых запросов, которые модель сформулировала сама. У обеих Алис к каждому запросу дополнительно указана вертикаль поиска, куда он ушёл. У ChatGPT видно ещё и то, что поиск вызывается в несколько заходов. У DeepSeek этот список появился недавно: ещё весной он в интернет не ходил вовсе.
Каждый ответ мы сопоставляли с исходным вопросом: сколько подзапросов, на каком языке, сколько слов сохранилось, какие операторы и какие имена собственные модель добавила от себя.
Одна оговорка про примеры. Вопросы задавались по конкретным компаниям, поэтому названия самих компаний в примерах я убрал и заменил описанием рынка: «компания на рынке лизинга», «сеть детских стоматологий». Бренды, которые модель подставила в запросы по своей инициативе, оставлены как есть: это факт о поведении модели, а не о них. Все цифры считались по полным данным, без изъятий.
ответов | подзапросов | уникальных | |
|---|---|---|---|
Чат с Алисой | 11 240 | 54 353 | 32 372 |
Поиск с Алисой | 7 606 | 41 880 | 28 606 |
Gemini 2.5 Flash | 66 451 | 274 953 | 196 307 |
ChatGPT | 47 425 | 256 636 | 231 982 |
DeepSeek | 10 992 | 31 445 | 28 180 |
Grok | 4 254 | 27 187 | 25 778 |
Вопросы не синтетические: это реальные коммерческие вопросы, которые задают про свои рынки компании, следящие за видимостью в нейросетях. Лизинг, банки, техника, недвижимость, логистика, медицина, услуги.
1. Сколько запросов уходит в поиск
Первое, что хотелось узнать: во сколько раз множится один вопрос.
подзапросов на вопрос | чаще всего | максимум | |
|---|---|---|---|
Поиск с Алисой | 9,36 | 3 | 35 |
Чат с Алисой | 8,64 | 3 | 32 |
Grok | 6,39 | 5 | 13 |
ChatGPT | 5,67 | 6 | 18 |
Gemini | 4,14 | 4 | 19 |
DeepSeek | 2,86 | 2 | 8 |
У Алисы среднее считается по ответам, где поиск вообще был: примерно в 40% случаев она отвечает без обращения к вебу, из своей памяти. Зато когда ищет, разворачивается всерьёз: у 42% таких ответов Поиск с Алисой делает десять и более подзапросов, а рекорд в выборке 35.
Открытие лично для меня: российские сервисы раскладывают вопрос шире всех. Разрыв с ChatGPT почти двукратный. Причину видно в следующем разделе, и она интересная.
У ChatGPT распределение с явным горбом на шести: 16 479 ответов из 45 тысяч это ровно шесть запросов. У Gemini горб на четырёх. DeepSeek экономнее всех, и у него распределение с двумя горбами: обычно один-два запроса, но есть отдельный кластер ровно на шести. Похоже на две стратегии внутри одной модели.
2. Яндекс единственный показывает, куда он идёт
Вот в чём главное отличие российских сервисов.
Все западные модели отдают просто список строк: вот шесть запросов, ищи их. Яндекс к каждому подзапросу добавляет вертикаль поиска: в какой именно индекс он уходит.
Значения там ровно пять: веб, товары, карты и организации, картинки, видео. Распределение такое:
вертикаль | Поиск с Алисой | Чат с Алисой |
|---|---|---|
веб-поиск | 37,1% | 39,9% |
товарный поиск | 30,9% | 28,7% |
карты и организации | 17,6% | 14,4% |
картинки | 12,5% | 14,1% |
видео | 1,9% | 2,9% |
Смотрите на вторую строку. Почти треть всех подзапросов Алисы уходит не в веб-поиск, а в товарный. Это Маркет, карточки товаров, цены. Ещё 15-18% уходит в карты, то есть в справочник организаций. Развёрнутые примеры будут в шестом разделе, здесь один, самый показательный.
Живой пример. Вопрос был про отзывы о лечении зубов во сне в конкретной сети детских стоматологий. Четыре подзапроса, из них два ушли в карты с конкретными адресами:
вертикаль | подзапрос |
|---|---|
карты | санкт-петербург, [улица и дом первого филиала], [название клиники] |
карты | санкт-петербург, [улица и дом второго филиала], [название клиники] |
веб | отзывы лечение зубов во сне [название клиники] |
веб | [название клиники] стоматология отзывы седация |
В вопросе был только бренд, без адресов. Модель сама достала из справочника адреса двух филиалов и пошла проверять карточки организаций по каждому.
Практический вывод, которого нет ни в одном руководстве по оптимизации под нейросети: для российского рынка ваша карточка организации и товарные карточки важнее половины текстов на сайте. Половина подзапросов Алисы уходит мимо веб-индекса, туда, где сайта нет вообще.
3. ChatGPT ищет в два захода, и это разные заходы
У ChatGPT своя особенность: поиск вызывается не один раз, два захода у 74% ответов.
Первый заход это разведка: в среднем 4 запроса, 10 источников, почти половина из них потом попадает в текст. Второй заход это добор, и характер у него резко другой:
заход 1 | заход 2 | |
|---|---|---|
запросов в среднем | 3,95 | 2,37 |
точная фраза в кавычках | 6,9% | 23,5% |
ссылка на закон или норматив | 3,2% | 6,5% |
имя собственное в запросе | 55,4% | 67,4% |
На живом примере. Вопрос: «требования к документации при урегулировании убытков по страхованию имущества».
Первый заход:
требования к документации при урегулировании убытков по страхованию имущества Россия документы список
акт осмотра повреждения имущества образец страховая компания документы для выплаты
Методические рекомендации Банка России урегулирование убытков страхование имущества документы
Второй заход:
пункт 44 Правил осмотр поврежденного имущества страховщик обязан провести осмотр 5 рабочих дней «пункт 44» «Правил» страхование имущества
Федеральный закон «Об организации страхового дела» документы при страховом случае требования к документам для страховой выплаты имущество
В первом заходе модель ещё не знает предметной области и ищет общими словами. Во втором она уже вычитала из найденного, что есть какой-то «пункт 44 Правил» и профильный закон, и идёт за ними адресно, в кавычках.
Первый заход отвечает на вопрос «что это вообще за тема». Второй на вопрос «а теперь дайте пруф».
Если ваша страница написана общими словами, вы можете попасть только в первый заход. На втором выигрывают те, у кого есть конкретика: номера пунктов, точные формулировки, названия документов, цифры.
4. От вашего вопроса остаётся пятая часть
Теперь про то, как сильно переписывается формулировка.
слов в подзапросе | совпадение с вопросом | |
|---|---|---|
Чат с Алисой | 5,3 | 19,2% |
Поиск с Алисой | 5,4 | 19,7% |
Grok | 7,2 | 23,4% |
ChatGPT | 7,8 | 25,9% |
Gemini | 5,5 | 38,5% |
DeepSeek | 7,5 | 41,1% |
Алиса переписывает вопрос сильнее всех: от вашей формулировки остаётся пятая часть слов. Gemini и DeepSeek аккуратнее, они сохраняют около 40%.
Дословно повторить вопрос ChatGPT позволил себе 2 002 раза из 256 тысяч, это 0,8%. Внутри одного ответа модели почти не дублируются: на те же 256 тысяч запросов всего 134 повтора. Шесть запросов это шесть разных углов, а не шесть вариантов одного и того же.
Язык. У русского вопроса поиск вроде бы должен идти по-русски. На практике:
целиком по-русски | смешанный | целиком по-английски | |
|---|---|---|---|
Gemini | 83,9% | 12,5% | 3,6% |
DeepSeek | 56,2% | 34,4% | 9,4% |
Grok | 55,9% | 40,1% | 4,0% |
ChatGPT | 49,9% | 25,4% | 24,7% |
Поиск с Алисой | 38,7% | 46,8% | 14,6% |
Чат с Алисой | 36,5% | 51,2% | 12,3% |
Каждый четвёртый подзапрос ChatGPT по русскому вопросу уходит целиком на английском. У Алисы другая картина: у неё половина запросов смешанные, потому что она подставляет латиницей названия брендов и препаратов.
Характерный пример по ChatGPT. Вопрос: «способы снижения кредитных рисков с помощью страхования». Шесть запросов, пять из них английские:
страхование кредитных рисков способы снижение кредитного риска страхование обзор
credit risk insurance methods reduce credit risk credit default swap export credit agency
trade credit insurance explanation Euler Hermes Atradius what it covers
mortgage insurance private mortgage insurance PMI reduce lender credit risk explanation source
credit default swap how it reduces credit risk BIS IMF explanation
political risk insurance export credit agencies ECA OECD «political risk insurance» «export credit»
Русский рынок представлен одним запросом из шести. Остальные пять уйдут за источниками про Euler Hermes, Atradius, BIS, IMF и OECD.
Операторы поиска. Модели ими пользуются, и по-разному:
кавычки | год в запросе | site: | |
|---|---|---|---|
ChatGPT | 13,1% | 15,1% | 0,7% |
DeepSeek | 5,8% | 31,9% | 0% |
Grok | 3,3% | 31,7% | 1,5% |
Gemini | 0,2% | 3,0% | 0% |
Grok и DeepSeek почти в трети запросов дописывают год. Если ваш материал не датирован, треть их поиска пройдёт мимо.
У DeepSeek нашлась ещё одна привычка: он перебирает варианты написания бренда. На вопрос про виниры в той же клинике ушло шесть запросов, и название в них перебирается в трёх вариантах: как в вопросе, в распространённом ошибочном написании и латиницей. Остальные модели так не делают, они ищут ровно ту форму, что была в вопросе.
5. Что модель дописывает от себя
Раз от вопроса остаётся пятая часть, остальное модель придумывает. Что именно, видно по частотам (данные по ChatGPT, но картина у всех похожая).
Первое место с огромным отрывом занимает география: «Россия» дописана в 36 742 запросах, «Москва» в 24 527. Дальше уточнения интента: «условия», «отмена», «бесплатная», «документы», «требования», «отзывы», «официальный сайт», «купить», «доставка».
А дальше самое интересное: имена собственные, которых в вопросе не было. Booking (6 496 раз), Samsung (5 583), Сбербанк (3 754), Agoda (2 965), Ostrovok (1 806), Яндекс (1 719), Ozon (1 433), Wildberries (1 386), Тинькофф (1 335), Expedia (1 154), Apple (961), Альфа-Лизинг (774), Почта России (722), Газпромбанк (659), Lamoda (650).
И отдельная категория, авторитетные источники: American Academy of Dermatology (1 565), Mayo Clinic (1 346), Роспотребнадзор (1 002).
Модель не просто переписывает ваш вопрос. Она достаёт из памяти список игроков рынка и идёт проверять именно их.
6. Шесть вееров целиком
Дальше просто шесть примеров подряд, без комментариев по ходу. Каждый это один вопрос и всё, что ушло в поиск.
Алиса. «Как вставить симку в телефон самсунг»
вертикаль | подзапрос |
|---|---|
картинки | штифт для извлечения лотка SIM-карты Samsung |
картинки | слот для SIM-карты Samsung |
видео | как вставить симку в телефон Samsung |
веб | слот для SIM карты Samsung Galaxy как открыть |
веб | как вставить сим карту в телефон Samsung инструкция |
Два запроса из пяти ушли за картинками, причём один за фотографией скрепки для лотка. Модель собирает не текст, а иллюстрированную инструкцию.
Алиса. «Как напечатать дубль кода маркировки товара»
вертикаль | подзапрос |
|---|---|
веб | как напечатать дубль кода маркировки товара |
веб | дубликат кода маркировки товара печать |
видео | печать дубля кода маркировки |
картинки | принтер этикеток TSC TE310 |
картинки | программа ДубльКод интерфейс |
картинки | сканер штрих-кода Mindeo 6600HD |
В вопросе не было ни одной модели оборудования. Модель сама решила, что ответ надо проиллюстрировать конкретным принтером этикеток и конкретным сканером, и пошла за их фотографиями.
Алиса. «Как транслировать экран телефона на телевизор samsung»
вертикаль | подзапрос |
|---|---|
веб | как транслировать экран телефона на телевизор Samsung способы подключения |
веб | Samsung Smart View приложение для трансляции экрана телефона |
веб | Miracast Samsung телевизор подключение телефона |
видео | как использовать Tap View |
видео | как использовать Smart View |
видео | как использовать DeX кабель |
картинки | Tap View подключение |
картинки | DeX кабель |
картинки | Smart View значок |
Девять подзапросов на один вопрос. Модель сама достала названия трёх фирменных технологий и по каждой пошла отдельно: текст, видеоинструкция, иллюстрация.
ChatGPT. «Модная женская обувь на весну и лето»
women’s shoe trends spring summer 2026 Vogue
shoe trends spring summer 2026 Harper’s Bazaar
модные женские обувь весна лето 2026 тренды
модные туфли весна лето 2026 тренды Vogue Россия
модная обувь весна лето 2026 тренды Elle Россия
модная обувь весна лето 2026 тренды 2026 «весна-лето» обувь тренды
В вопросе не было ни года, ни одного издания. Модель дописала год и сама выбрала, чьё мнение считать авторитетным: Vogue, Harper’s Bazaar, Elle. Если вашего магазина нет в материалах этих изданий, в поиске по таким запросам вы не участвуете.
Grok. «Ищу 7-местный минивэн с автоматом до 3,5 млн в столице Кубани»
7-местный минивэн автомат до 3.5 млн Краснодар
минивэн 7 мест АКПП до 3500000 Краснодар купить
site:avito.ru 7 мест минивэн автомат Краснодар
site:drom.ru минивэн 7 мест АКПП Краснодар до 3500000
Honda Freed OR Stepwgn OR Toyota Noah OR Voxy OR Estima OR Hyundai H1 OR Grand Starex Краснодар авто
Kia Carnival OR Hyundai Staria OR Volkswagen Multivan до 3.5 млн Краснодар
Здесь видно сразу три вещи. Модель расшифровала перифраз: «столица Кубани» превратилась в Краснодар во всех шести запросах. Она сама выбрала две площадки и ограничила поиск оператором site:. И она сама составила короткий список моделей, которые считает подходящими, а всё, что в этот список не попало, в ответе не появится в принципе.
Gemini. «Особенности дневного ухода при гиперчувствительности кожи»
дневной уход гиперчувствительная кожа особенности
уход за гиперчувствительной кожей днем
чувствительная кожа дневной уход рекомендации
гиперчувствительная кожа ежедневный уход
Полная противоположность. Ни года, ни брендов, ни операторов, ни английского: четыре аккуратные перестановки слов исходного вопроса. Так же он ведёт себя и на коммерческих темах, отсюда и 2,5% подстановки брендов против 45% у Алисы.
DeepSeek. «Как лечат кариес у детей без страха»
лечение кариеса у детей без страха методы
как подготовить ребенка к лечению зубов без страха советы стоматолога
лечение кариеса молочных зубов без бормашины методы ART лазер серебрение
лечение зубов детям во сне седация закись азота детская стоматология
Тут дописаны не бренды, а профессиональная терминология: методика ART, серебрение, седация, закись азота. Страница, написанная бытовым языком, по таким запросам не найдётся, даже если она отвечает ровно на исходный вопрос.
7. Главное: модель сама решает, кого проверять
Здесь у нас есть возможность, которой обычно нет у исследователей со стороны: в базе хранятся списки конкурентов по каждой компании. Значит, можно проверить не «похоже на бренд», а точно, подставляет ли модель в запросы именно конкурентов этой компании.
подставил конкурента клиента | |
|---|---|
Поиск с Алисой | 45,5% |
Чат с Алисой | 33,7% |
ChatGPT | 21,0% |
DeepSeek | 8,8% |
Grok | 8,7% |
Gemini | 2,5% |
Разброс двадцатикратный. Gemini почти не додумывает бренды и ищет по теме вопроса. Поиск с Алисой додумывает почти в половине случаев.
Теперь то, от чего больно. Считаем на данных ChatGPT, где есть полная разметка:
в 96% вопросов не было упомянуто вообще ни одного бренда, вопросы нейтральные: «как выбрать», «где оформить», «какие условия»;
в 21% случаев модель сама подставила конкретного конкурента;
в 18% случаев конкурент в запросах есть, а бренда клиента нет ни в одном из шести запросов;
бренд самого клиента модель добавила по своей инициативе только в 3,8% случаев.
Как это выглядит в жизни. Компания занимается лизингом, вопрос нейтральный, про условия для юрлиц. Модель идёт искать ВТБ Лизинг (3 612 раз), Сберлизинг (1 673), Альфа-Лизинг (1 190). Клиента в списке нет. Дальше можно сколько угодно улучшать свой сайт: его страницы просто не появятся в выдаче по запросам, где ищут конкретно ВТБ Лизинг.
То же на других рынках. Производителя электроники модель проверяет через Apple, Xiaomi, Google Pixel, Bosch и Sony. Федерального перевозчика через СДЭК и ПЭК. Отраслевой банк через Сбербанк, ВТБ и Альфа-Банк. Причём набор конкурентов модель выбирает сама, и он далеко не всегда совпадает с тем, кого компания считает конкурентами.
Вы боретесь за место в выдаче, а на самом деле сначала надо попасть в короткий список кандидатов, который модель составляет по памяти, ещё до всякого поиска.
Что с этим делать
Оптимизировать надо не под ваш вопрос, а под шесть чужих. Возьмите ключевой запрос и посмотрите, во что его превращает модель: у большинства сетей список подзапросов доступен, если забирать ответ не через интерфейс, а программно. Работайте с реальными формулировками, а не с теми, что придумали вы.
Для российского рынка займитесь карточками, а не только текстами. Половина подзапросов Алисы уходит в товарный поиск и в карты. Карточка организации с адресами филиалов и товарные карточки участвуют в ответе наравне с сайтом, а иногда и вместо него.
Попадите в список кандидатов. Если модель не подставляет ваш бренд, ваша видимость упирается в потолок. Список кандидатов формируется из того, что о вас написано по вебу в целом, а не из вашего сайта: упоминания, каталоги, обзоры, сравнения.
Посмотрите, кого модель подставляет вместо вас. Это готовый список ваших настоящих конкурентов глазами нейросети, и он регулярно не совпадает с тем, что написано в маркетинговой презентации.
Датируйте материалы. Grok и DeepSeek дописывают год к трети запросов.
Не игнорируйте английский. Каждый четвёртый подзапрос ChatGPT по русскому вопросу английский.
Пишите конкретику. Второй заход ChatGPT идёт за точными формулировками в кавычках, номерами пунктов и названиями документов.
Ограничения
Периоды разные. Данные Алисы это июль-август 2026, ChatGPT и Gemini считались за 2026 год целиком, DeepSeek с июня. Прямое сравнение по времени некорректно, механика у всех менялась.
Наши вопросы коммерческие. Отсюда сравнительно скромный веер у западных моделей. На сложных исследовательских вопросах, судя по публичным оценкам, он шире.
Сопоставление брендов грубое. Мы искали вхождение названия конкурента в текст запроса. Короткие и общеупотребимые названия могли дать ложные срабатывания, редкие и склоняемые могли потеряться. Разницу в двадцать раз между Gemini и Алисой это объяснить не может, но пару процентных пунктов туда-сюда даёт.
Вместо вывода
Мы привыкли думать про оптимизацию как про соревнование страниц: у кого текст лучше, тот и в ответе.
По данным всё решается на два шага раньше. Сначала модель по памяти решает, кого вообще стоит проверить, и подставляет в запросы конкретные бренды. Потом переписывает ваш вопрос до неузнаваемости, иногда на другой язык, а в России ещё и разводит его по пяти разным индексам, из которых веб только один. И лишь потом смотрит страницы, причём у каждой видит 200 символов.
Ваша страница вступает в игру на третьем шаге. А проигрывают её обычно на первом.
