Генеративный ИИ и коммерческий GEO в России

В 2023–2024 гг. генеративный ИИ в российской публичной дискуссии чаще описывался как новый класс сервисов: чат-ботов, генераторов изображений и помощников для текстов. К 2026 году рамка уже тесна. Пользователь может контактировать с языковой моделью не открывая отдельное приложение: через нейроответ в поиске, встроенного помощника в браузере, корпоративный интерфейс, IDE, образовательную платформу, голосовое устройство или агент, который выполняет действие за пользователя. Поэтому вопрос "какая доля россиян пользуется нейросетями" уже не описывает весь масштаб проникновения.

Для коммерческого рынка изменение еще глубже. Классический цифровой путь предполагал, что пользователь сначала формулирует запрос, затем изучает поисковую выдачу или маркетплейс и самостоятельно формирует shortlist. В генеративной среде часть этой интеллектуальной работы переносится на модель: она может объяснить критерии, назвать несколько брендов, сравнить предложения, выбрать источник, предложить товар и в некоторых сценариях провести пользователя до оформления заказа. Такой слой получил практическое обозначение GEO - оптимизация присутствия бренда и его источников в генеративных ответах.

Цель исследования - описать российский рынок генеративного ИИ сразу с двух сторон. Первая - пользовательская и корпоративная: кто применяет ИИ, какие инструменты выбирает, какие профессии и отрасли используют его активнее, для каких задач и насколько распространена собственная разработка. Вторая - коммерческая: как AI-поиск и генеративные рекомендации входят в процесс выбора товара, услуги и бренда, чем различаются отрасли и платформы и какие метрики позволяют измерять GEO.

Около 40% анализа посвящено общему проникновению ИИ, около 60% — коммерческому GEO, AI-поиску и AI-опосредованному выбору. Соотношение отражает предмет статьи: генеративный ИИ здесь ещё и посредник между спросом и предложением.

Пять уровней охвата рынка нейросетями

У термина «охват» нет единственной статистической трактовки. Месячный охват отдельного приложения не равен доле людей, которые получают AI-ответы в поиске. Доля компаний с компьютерным зрением не равна доле компаний с генеративным чат-ботом. Обращение к модели за здоровьем ещё не означает доверия ей при выборе клиники. Поэтому в исследовании используется пятиуровневая модель.

Пользовательский охват — сколько людей взаимодействуют с AI-сервисами и как часто. Профессиональное использование — какие задачи делегируются моделям и какие профессии формируют устойчивые сценарии. Корпоративное внедрение — какие технологии и схемы приобретения применяют организации. Четвертый - GEO и AI-mediated discovery: как модель участвует в поиске информации, сравнении и формировании shortlist. Пятый - транзакционный слой: насколько AI-интерфейс приближается к заказу, бронированию или другой коммерческой операции.

Таблица 1. Пятиуровневая операционализация охвата рынка генеративным ИИ. Составлено авторами исследования.

Данные, сопоставимость и ограничения

Внешняя эмпирическая база объединяет несколько классов источников. Для пользовательского охвата используются Mediascope Cross Web и ВЦИОМ; для профессиональных сценариев - обезличенные запросы Алисы AI, исследования преподавателей и ученых, российские IT-опросы и международные developer surveys. Для корпоративного внедрения используются Росстат/ИСИЭЗ НИУ ВШЭ и исследование Яндекса с "Яков и Партнёры". Для коммерческого выбора используются B1, "Ашманов и партнёры", РБК Исследования рынков / Яндекс и НАФИ. Отдельный слой составляют независимые мониторинги генеративных ответов - "Карамбола Лабс", GEO Scout и i-Media, которые измеряют уже не намерение пользователя, а структуру самих AI-рекомендаций [16; 17; 26-30].

Показатели не сводятся в единый ряд, если различаются генеральная совокупность и единица наблюдения. Опрос отвечает на вопрос "использует ли человек ИИ при выборе", мониторинг AI-ответов - "появляется ли категория или бренд в ответе", а GeoAist - "попадает ли конкретный отслеживаемый бренд в небрендовый commercial prompt". Поэтому 37% использования AI при выборе fashion, 65% присутствия категории "мода и аксессуары" в отдельном массиве AI-рекомендаций и 11,1% brand inclusion в смешанной retail-выборке GeoAist нельзя складывать или ранжировать как одну метрику. Они описывают разные последовательные стадии одного customer journey [24; 26; 27].

Данные GeoAist встроены в отраслевые разделы как третий измерительный слой и не используются для оценки доли всех российских компаний. Исходная база содержит 16 428 проверок 175 уникальных брендов за период 19.04-07.08.2026; 15 768 проверок завершились успешно. Для настоящей статьи отобраны только 2 376 успешных небрендовых коммерческих проверок: 1 219 consideration и 1 157 decision; в этом срезе представлены 94 уникальных отслеживаемых бренда. Отраслевая группа определяется по описанию бренда, ключевым словам и контексту стандартизированного запроса. Данные непубличны и представлены только агрегированно [24].

Сопоставление строится по принципу demand-side -> answer-side -> brand-side. Сначала внешний опрос показывает, насколько аудитория использует или готова использовать AI в категории. Затем, если доступен независимый мониторинг, проверяется, насколько сама категория и ее ведущие бренды присутствуют в AI-ответах. После этого GeoAist показывает вероятность inclusion для отслеживаемого бренда в небрендовом commercial shortlist. Такая схема позволяет не переоценивать собственный массив и одновременно делает его продолжением внешней статистики. Детальные citation graphs, co-citation, competitor checks, reputation/custom prompts, sentiment, временная волатильность и смена model backends намеренно не раскрываются.

Таблица 2. Основные источники и ограничения сопоставления.

Пользовательский охват

Mediascope в октябре 2025 года оценивал совокупный месячный охват отдельных сайтов и приложений AI-сервисов в 26% населения России 12+. Среди 12-17-летних и 18-24-летних охват превышал половину аудитории. По отдельным ресурсам в топе были Алиса AI с 14,3%, DeepSeek с 9,4%, GigaChat с 4,0%. ChatGPT имел 3,5%, Perplexity 1,4%, Character AI 0,8%. В показатель Алисы не входили интеграции в Поиск и устройства [1].

В феврале 2026 года Mediascope публиковал 32% совокупного месячного охвата AI-сервисов среди россиян 12+. У подростков 12-17 лет значение доходило до 59%, у группы 18-24 лет — до 54%. Как индикатор расширения аудитории срез полезен. Идентичность корзины сервисов и условий учета относительно октября 2025 года публичные материалы не гарантируют [3].

ВЦИОМ в июне 2026 года получил 78% российских интернет-пользователей, обращавшихся к нейросетям за последний год. Среди имевших такой опыт 58% использовали их не реже раза в неделю. Цифры выше месячного web/app охвата Mediascope, потому что измеряют годовой опыт и более широкий набор способов контакта с технологией [2].

Аудитория AI уже не узкая группа early adopters. Пользователи распределены между разными поверхностями: отдельными приложениями, браузерами, классическим поиском с генеративными блоками и корпоративными инструментами. Маркетинговая оценка «доли ChatGPT» или «доли Алисы» без указания поверхности и горизонта времени статистически слаба.

Инструментальная специализация: одну нейросеть все реже используют для всех задач

ВЦИОМ в 2026 году позволяет сравнивать пять сервисов не по техническим benchmark-тестам, а по восприятию и реальным сценариям их пользователей. Важно соблюдать знаменатель: проценты относятся к пользователям конкретной нейросети, а не ко всем россиянам.

Алиса AI ярче других ассоциируется с поиском: 60% ее пользователей называют сервис поисковиком, а 71% применяют для поиска информации. Perplexity также имеет выраженный research-профиль: 52% называют его поисковиком, 35% - аналитиком/исследователем, 41% - профессиональным/экспертным сервисом. DeepSeek сильнее других пяти моделей в образе рабочего инструмента - 58%, а также показывает высокие доли использования для анализа данных (41%) и кода (23%). ChatGPT сохраняет наиболее широкий профиль: 54% воспринимают его как рабочий инструмент, 61% используют для поиска информации, 43% - для текстов, 39% - для мультимедиа, 36% - для данных и 19% - для кода [2].

Такая специализация не означает объективного превосходства одной модели над другой. Она показывает сформировавшийся пользовательский паттерн: разные AI-продукты занимают разные роли в повседневном наборе инструментов. Для GEO это важно потому, что один и тот же коммерческий вопрос может попадать в разные интерфейсы в зависимости от задачи пользователя.

Таблица 3. Пользовательская специализация моделей. Проценты относятся к пользователям каждого сервиса и не являются долями рынка [2].

Профессии: различается не только частота, но и тип делегируемой работы

Отдельный источник позволяет уйти от вопроса "кто пользуется" к вопросу "что именно поручают модели". Яндекс проанализировал 175 тыс. случайных обезличенных обращений к Алисе AI за январь-апрель 2026 года и классифицировал их по профессиональной сфере и типу ожидаемого ответа. Почти четверть запросов с компьютеров - 23,4% - связаны с работой, наукой или карьерой, а IT формирует 18% профессионального потока [4].

Содержательно профессии используют генеративный ИИ по-разному. В инженерии 73% запросов связаны с поиском информации; в юриспруденции - 69%; в промышленности и бизнесе - 61%. Делопроизводство, напротив, чаще делегирует модели готовую задачу: 57% запросов относятся к составлению приказов, графиков, заявлений и других документов. В продажах и маркетинге 46% запросов требуют готового решения, еще 37% - идей, советов и инструкций. IT-пользователи чаще обращаются за советами и идеями (46%), затем за информацией (36%), а готовое решение запрашивают в 18% случаев [4].

Различия профессий важны для AI-search. Юрист или инженер чаще ждёт корректный retrieval и ссылку на основание, маркетолог или специалист по продажам — синтезированный продукт: текст, скрипт, позиционирование. Цена одной и той же «видимости» источника от профессии зависит.

IT, наука и преподавание

В российском IT модели используют чаще среднего и более инструментально. K2 Cloud и Хабр в феврале 2026 года опросили 872 IT-специалиста; ядро выборки — разработчики, в основном middle и senior. ChatGPT набрали 56,5%, DeepSeek 43,5%. Дальше Claude 26,1% и Gemini 24,3%; Cursor — примерно 18%. Собственные решения на открытых моделях выбрали 12,1%, GigaChat — 9,1%. Задачи крутятся вокруг кода, документации, прототипов, тестирования, debugging и автоматизации [9].

Международная статистика показывает, насколько быстро внутри software development формируется специализированный agentic рынок. В январе 2026 года JetBrains фиксировал использование специализированных AI dev tools у 74% профессиональных разработчиков, а к маю-июлю 2026 года Claude Code стал самым распространенным отдельным coding agent в их выборке: им пользовались на работе около 39% профессиональных разработчиков по миру. Это не российская доля. Для гипотезы о специализации Anthropic в software engineering она всё же полезна [12; 13].

Утверждение «Claude — главная модель для кода вообще» слишком сильное. Stack Overflow в исследовании 2025 года показывал, что GPT-модели OpenAI использовали для разработки 82% ответивших на соответствующий вопрос, а Claude Sonnet — 45% профессиональных разработчиков. Coding-специализация Claude и рост Claude Code из этого видны. Универсального лидерства Anthropic во всех developer-сценариях данные не дают [10].

Для науки и образования картина иная. Исследование сотрудников 16 российских вузов: 66% опрошенных преподавателей и ученых постоянно используют ИИ в работе. Поиск и анализ научной литературы — у 69% в исследовательских сценариях. Работа с текстами — у 56%, анализ и визуализация данных — у 47%. Верификацию источников, чтение оригиналов и интерпретацию результатов участники оставляют за человеком [8]. В knowledge-intensive областях источник входит в качество ответа.

Отрасли и классы корпоративного ИИ

Росстат и ИСИЭЗ НИУ ВШЭ описывают более широкий корпоративный контур. По исследованию более 15 тыс. крупных и средних организаций — пользователей ИИ, 66% применяют технологии обработки визуальных данных. Интеллектуальную поддержку принятия решений и управления — 50%, обработку текста или звука — более трети [5]. Корпоративный «рынок ИИ» существенно шире генеративных чат-ботов.

Отраслевая специализация выражена сильно. В торговле 87,5% организаций — пользователей ИИ применяют визуальную обработку. В информации и связи 67,6% используют обработку звука. Финансовый сектор выделяется обработкой текста (84,2%), интеллектуальной поддержкой решений (66,2%) и технологиями повышения эффективности ИИ (69,8%) [6]. Следовательно, отраслевой спрос на AI формируется не вокруг одного универсального продукта: он связан со структурой данных и типом бизнес-процесса.

Размер компании тоже критичен. В обследуемой совокупности организаций, не включающей субъекты малого предпринимательства, средняя доля использующих ИИ составляет 4,8%; среди компаний с 501+ сотрудниками - 14,9%, среди организаций до 100 сотрудников - 4,1% [7]. Большая компания чаще способна оплатить инфраструктуру, специалистов, интеграцию и контроль данных, поэтому ее путь к собственной AI-системе отличается от малого и среднего бизнеса.

Build vs Buy: собственная разработка - важный, но не доминирующий сценарий

Гипотеза о том, что российский корпоративный AI-рынок преимущественно строится на собственных разработках, не подтверждается. В обследовании ИСИЭЗ НИУ ВШЭ среди организаций - пользователей ИИ 56% привлекают сторонние компетенции для разработки или модификации программного обеспечения, 53% покупают готовое коммерческое ПО, 24% используют бесплатное ПО, 23% разрабатывают AI-ПО собственными силами, 18% дорабатывают open-source и 14% модифицируют приобретенное ПО. Ответы множественные и не должны суммироваться до 100% [5].

Исследование Яндекса и «Яков и Партнёры» идёт в ту же сторону, но на другой генеральной совокупности: 150 технических директоров крупных российских компаний из 16 отраслей, 150 поставщиков AI-решений и более 3500 пользователей. Среди крупных компаний 78% используют готовые AI-решения внешних партнеров. Собственную разработку ведут 17%. Около 71% компаний, работающих с generative AI, предпочитают донастраивать готовые модели вместо полного цикла обучения. В банковской сфере on-premises используют 90% опрошенных компаний — там выше требования к безопасности данных [11].

Тренд «23% → 17%» из двух исследований складывать нельзя: выборки и определения разные. Осторожнее другой вывод. Российская корпоративная экосистема в основном гибридна. Собственная разработка концентрируется в наиболее крупных и технологически зрелых компаниях. Массовый путь строится вокруг внешних решений, open-source и донастройки.

Таблица 4. Почему 23% и 17% не являются одним временным рядом [5; 11].

Коммерческий GEO: от присутствия в ответе к влиянию на shortlist

В коммерческом контексте GEO следует отличать от общего использования генеративного ИИ. Пользователь может применять ChatGPT для письма и никак не использовать его при выборе товара. И наоборот, человек может не считать себя пользователем нейросети, но получать генеративный ответ внутри привычного поисковика. Поэтому коммерческий GEO измеряется не количеством регистраций в AI-сервисе, а тем, насколько генеративная система становится посредником в выборе.

Минимальная единица GEO-видимости - упоминание бренда в ответе. Более содержательный уровень - контекст упоминания: рекомендует ли модель компанию, сравнивает ли ее с конкурентами, связывает ли с нужной категорией и приводит ли подтверждающие источники. Еще выше находится inclusion in shortlist - попадание в ограниченный набор вариантов, между которыми пользователь реально выбирает. На транзакционном уровне появляется переход, заказ или действие агента.

Внешние российские исследования уже используют близкую операционализацию. GEO Scout определяет Mention Rate как долю AI-ответов, где бренд упомянут хотя бы один раз, а Recommendation Rate - как долю ответов с прямой рекомендацией. В исследовании i-Media по мебельной категории 675 тестов пяти AI-сервисов показали, что нейросети обычно концентрируют внимание на 3-5 брендах; в 66% случаев состав ответов отличался от первой страницы Яндекса и Google. Это подтверждает, что inclusion in shortlist является самостоятельным объектом измерения, а не производной от классической SEO-позиции [29; 30].

Таблица 5. Коммерческая GEO-воронка как аналитическая модель. Она не предполагает, что любой пользователь проходит стадии последовательно.

AI-поиск уже встроен в российскую поисковую инфраструктуру

Ключевой фактор роста GEO в России - не миграция всей аудитории в отдельные зарубежные чат-боты, а встраивание generative AI в существующий поиск. Во II квартале 2026 года еженедельная аудитория чата с Алисой AI достигла 33,2 млн пользователей, ежемесячная аудитория AI-ответов под поисковой строкой - 49,5 млн, а доля запросов Яндекса, по которым Алиса AI дает ответ, выросла до 42% [18].

7 апреля 2026 года Яндекс объединил традиционный поиск и диалоговый режим в одном интерфейсе. Пользователь может переключаться между ссылками, картинками, товарами, видео и диалогом; быстрые AI-ответы содержат ссылки на источники. В тот же день компания открыла в Вебмастере инструмент "Видимость сайта в Алисе AI", где бизнес видит долю запросов, в ответах на которые его площадка используется как источник, а также примеры других сайтов той же тематики [19; 20].

Для рынка это институционально важный шаг: поисковая платформа начинает считать и отдавать вебмастеру собственную AI-visibility metric. Значит, присутствие сайта в генеративном ответе превращается из экспериментальной SEO/GEO-гипотезы в наблюдаемое свойство поисковой системы. При этом метрика Яндекса относится именно к участию сайта как источника, а не ко всем упоминаниям бренда во всех AI-интерфейсах.

E-commerce: AI уже участвует в исследовании товара, но еще не заменяет покупателя

E-commerce дает наиболее полную возможность сопоставить сразу три уровня. На demand-side исследование РБК Исследования рынков и Яндекса среди примерно 1 850 онлайн-покупателей показало, что 35% уже используют ИИ при выборе и покупке товаров. В категориях с большим ассортиментом показатель выше: 37% используют AI при выборе одежды, обуви и аксессуаров, 28-29% - косметики, парфюмерии и бытовой химии [26].

Вторая перспектива - фактическая структура AI-ответов. "Карамбола Лабс", анализируя более 10 млн запросов к ChatGPT, Gemini, GigaChat, Perplexity и Grok в январе 2026 года, фиксировала особенно высокое присутствие товарных категорий в рекомендациях: косметика и уход - 86% тематических запросов, электроника - 79%, игрушки и игры - 72%, спорттовары - 69%, мода и аксессуары - 65%, товары для дома - 61% [27]. Это не доля покупателей и не Mention Rate конкретного бренда: показатель отражает, насколько сама категория оказывается содержанием AI-рекомендации.

Третий уровень - попадание конкретного бренда в shortlist. В срезе GeoAist по небрендовым consideration/decision запросам группа "ритейл и потребительские товары" показала 11,1% brand inclusion (11 упоминаний в 99 успешных проверках). Значение заметно ниже категориальных процентов "Карамбола Лабс" и долей использования из опросов, но это ожидаемо: сначала пользователь должен обратиться к AI в категории, затем модель должна сформировать коммерческий ответ, и лишь после этого один конкретный бренд конкурирует за несколько мест в shortlist. Эти цифры описывают последовательные фильтры, а не конкурирующие оценки одного показателя [24; 26; 27].

Стадийность подтверждается и на уровне задач. B1 в широкой российской выборке фиксирует 16% использования AI для сравнения характеристик, 14% - для поиска подходящего варианта, 11% - для анализа отзывов и 9% - для поиска более дешевых аналогов [16]. В более AI-активной e-commerce выборке "Ашманов и партнёры" значения выше: сравнение товаров - 34%, поиск вариантов - 32%, поиск идей - 30%, выбор продавца - 23% [17]. В GeoAist при одинаковом принципе небрендового запроса отслеживаемый бренд попадал в ответ в 5,7% consideration-проверок и 7,4% decision-проверок. Последние проценты нельзя трактовать как конверсию между стадиями, но они показывают, что consumer use и brand inclusion находятся на разных уровнях одной коммерческой воронки [24].

От рекомендации к транзакции: российский AI-рынок входит в агентную фазу

В апреле 2026 года Яндекс сообщил, что около 10% запросов к Алисе AI уже связаны с поиском, выбором и покупкой товаров. Агент "Найти дешевле" изучает предложения в интернете с учетом региона пользователя, показывает подборку и позволяет в более чем 3900 интернет-магазинах перейти к оформлению в один клик. Среди пользователей раннего доступа, обращавшихся к агенту, около 30% оформляли заказы через чат. Этот показатель относится к конкретной группе early-access пользователей и не является общей conversion rate Алисы AI [21].

В июне 2026 года была представлена платформа для интеграции AI-агентов в Алису: первые сценарии включают такси и заказ продуктов, а в перспективе платформа предназначена и для внешних компаний [22]. В августе следующий шаг стал публичным: продавцы без собственного интернет-магазина получили возможность загружать ассортимент и принимать заказы из Поиска и чата с Алисой AI через универсальный checkout; товары показываются по релевантным пользовательским запросам наряду с предложениями интернет-магазинов и маркетплейсов [23].

Это меняет экономический смысл GEO. На раннем этапе оптимизация была связана прежде всего с информационной представленностью: чтобы модель знала бренд и использовала его источники. В агентной архитектуре к этому добавляется machine-readable commerce: структурированный ассортимент, цены, доступность, доставка и интерфейс выполнения действия. Для бизнеса будущая GEO-готовность будет включать не только контент, но и возможность быть выбранным и транзакционно доступным для агента.

Доверие и high-stakes отрасли: одинаковая AI-видимость имеет разную ценность

Глубина GEO-проникновения зависит не только от технической видимости, но и от готовности человека делегировать выбор. По данным опроса НАФИ, 51% россиян уже сталкивались с AI-рекомендациями товаров и услуг, а 43% в принципе готовы доверять ИИ при выборе покупки. Однако по категориям разброс велик: развлечения - 21%, непродовольственные товары - 14%, туризм - 12%, продукты питания - 7%; в образовании, финансах и медицине на технологию готовы полагаться не более 7% опрошенных [28].

Эта demand-side картина важна для чтения GeoAist. В мониторинговой выборке медицина и wellness имеют 7,7% brand inclusion в небрендовых коммерческих ответах, образование - 5,5%, тогда как туризм/досуг - 15,4%. При этом доля ответов хотя бы с одним cited domain составляет 69,2% в медицине и wellness и 71,9% в образовании, но только 35,4% в туризме/досуге. То есть high-stakes категории в данной выборке не обязательно чаще рекомендуют конкретный бренд, зато заметно чаще работают в режиме источниковой опоры [24].

Для медицины это особенно показательно. ВЦИОМ фиксирует, что за консультацией по здоровью, питанию и спорту обращались 36% пользователей DeepSeek, 34% ChatGPT, 28% Алисы AI, 18% GigaChat и 17% Perplexity [2]. Одновременно готовность доверить AI выбор в медицине по НАФИ остается в нижней группе категорий [28]. Следовательно, health-use, наличие медицинской информации в AI и готовность выбрать клинику или лечение по рекомендации модели - три разных показателя. Именно поэтому медицинский GEO должен измерять не только mention rate, но и качество источников, актуальность и границы допустимой рекомендации.

Специализированные решения усиливают этот вывод. В августе 2026 года Яндекс открыл медицинского AI-ассистента всем медработникам; при ответах он использует более 1000 верифицированных источников - клинические рекомендации, МКБ, реестр лекарственных средств, приказы Минздрава, нормативные акты и справочники - и предоставляет ссылки [25]. Такой дизайн соответствует наблюдаемой в GeoAist высокой источниковой насыщенности медицинских ответов, хотя два массива не являются напрямую сопоставимыми по аудитории и назначению.

Отраслевые GEO-профили: единая стратегия для всех рынков не работает

Отраслевой GEO целесообразно анализировать не одной таблицей "кто выше", а через триангуляцию: (1) насколько аудитория использует или доверяет AI в категории; (2) как часто категория и лидирующие бренды вообще появляются в независимых AI-мониторингах; (3) насколько часто отслеживаемый бренд из смешанной выборки GeoAist самостоятельно входит в небрендовый shortlist. Публичные GEO-рейтинги часто держатся на крупнейших брендах. Для бизнеса важен и длинный хвост рынка.

В ритейле все три слоя уже хорошо наблюдаемы. РБК/Яндекс фиксируют использование AI при покупках у 35% онлайн-покупателей и повышенные значения в fashion и beauty [26]. «Карамбола Лабс» показывает высокую представленность самих товарных категорий в генеративных рекомендациях [27]. GEO Scout в Q1 2026 разобрал 12 000+ ответов по 716+ брендам в пяти нишах. Mention Rate крупнейших российских e-commerce брендов держался на уровне 87–97% в большинстве провайдеров. 11,1% brand inclusion в смешанной retail-выборке GeoAist тогда читается как разрыв между лидерами и обычным отслеживаемым брендом [24; 29].

В туризме картина похожа по структуре. НАФИ фиксирует готовность доверять AI при выборе в туризме на уровне 12% [28]. GEO Scout для рыночного лидера Aviasales показывает 97,05% Mention Rate и 36,6% совокупный Recommendation Rate в своем наборе туристических промптов [29]. В GeoAist смешанная группа туризма, досуга и событий имеет 15,4% brand inclusion. Один сверхвидимый лидер ещё не даёт равномерной AI-видимости всей отрасли. Generative shortlist может быть высококонцентрированным.

В образовании и IT/SaaS важнее другой эффект - расхождение между AI-провайдерами. GEO Scout приводит пример SkillFactory: 6,7% Mention Rate в ChatGPT против 72,4% в Claude; в хостинге Timeweb имеет 43,3% в ChatGPT и 100% в Gemini, Google AI Mode и Perplexity [29]. GeoAist показывает 5,5% общей inclusion rate для образования и 8,0% для IT/SaaS в смешанной выборке. Здесь внешняя и собственная статистика сходятся не по абсолютному проценту, а по выводу: platform mix является частью отраслевого GEO, и усреднение "по всем нейросетям" скрывает существенные различия.

Таблица 6. Триангуляция отраслевого GEO: внешний пользовательский спрос, независимые AI/GEO-бенчмарки и brand-level inclusion GeoAist. Проценты в разных колонках имеют разные знаменатели и не должны сравниваться как единая шкала [24; 26-30].

Сопоставимые публичные данные есть не для всех отраслей. В строительстве и B2B прямых общероссийских consumer-GEO опросов мало. Исследование i-Media в смежной мебельной категории показывает сам механизм: в 675 тестах пяти AI-сервисов ответы в 66% случаев отличались от первой страницы классического поиска, а shortlist обычно сокращался до 3–5 брендов [30]. В GeoAist строительство, промышленность и B2B имеют 6,7% inclusion rate. Для этих рынков пока корректнее говорить о доказанном механизме короткого списка и измеренной внутренней видимости. Национальной доли AI-mediated выбора из этого не следует.

Так собственный массив входит в основное исследование. GeoAist не подтверждает и не опровергает потребительский опрос тем же процентом. Он измеряет следующий фильтр после возникновения AI-сценария. Когда внешняя статистика показывает, что человек уже использует AI для поиска или выбора, вопрос GeoAist другой: получит ли конкретный бренд шанс войти в несколько вариантов, которые модель покажет пользователю. Brand inclusion в этом смысле — supply-side продолжение demand-side adoption.

В 2 376 успешных небрендовых consideration/decision проверках GeoAist отраслевые различия сохраняются: туризм, досуг и события - 15,4% упоминаний отслеживаемого бренда; ритейл - 11,1%; IT/SaaS - 8,0%; медицина и wellness - 7,7%; строительство, промышленность и B2B - 6,7%; образование - 5,5%; маркетинг/PR/GEO - 1,8%. 95%-е интервалы части соседних групп пересекаются, поэтому значения не являются строгим рейтингом отраслей. Они показывают неодинаковую сложность попадания бренда в AI-shortlist внутри мониторинговой базы [24].

Таблица 7. Ограниченный отраслевой срез GeoAist, consideration + decision. В таблицу включены крупные группы с не менее чем 99 успешными наблюдениями. Это третий, brand-side слой после внешних показателей использования/доверия и независимого мониторинга AI-ответов; выборка не репрезентирует все компании России [24].

Разные модели под разные задачи

Пользовательский рынок показывает функциональное расслоение, а не победу одной универсальной модели. На уровне массовой России Алиса сильна в поиске и бытовых сценариях, DeepSeek — в рабочем образе, данных и коде, Perplexity — в поисково-исследовательской роли, ChatGPT — в широком наборе задач [2]. На уровне professional software development специализированные agents формируют отдельный рынок, где Claude Code быстро набирает долю [12; 13].

Отсюда следует правило для GEO: «оптимизировать под нейросети» как единый канал нельзя. Платформа задаёт способ генерации и тип пользовательского намерения. Search-integrated AI чаще встречает широкую информационную и коммерческую аудиторию; research-oriented интерфейс сильнее зависит от источников; coding agent взаимодействует с репозиторием и инструментами, а не с классической веб-выдачей. Следовательно, отрасль должна выбирать приоритетные AI-поверхности по реальному customer journey, а не по глобальной медийной узнаваемости модели.

Собственный exploratory-срез поддерживает тот же вывод о platform mix, который наблюдается во внешнем GEO Scout. В строительстве/промышленности и IT/SaaS доля упоминаний отслеживаемого бренда в данной выборке была выше у ChatGPT; в туризме более высокие значения наблюдались у Google AI Mode, Perplexity и Алисы. Внешний мониторинг также показывает многократные различия одного и того же бренда между провайдерами - например, в EdTech и хостинге [29]. Ни внешний, ни внутренний массив не следует превращать в универсальный рейтинг моделей: оба показывают, что provider effect является частью самой GEO-задачи.

Таблица 8. Exploratory-срез «отрасль × AI-поверхность» GeoAist: доля ответов с упоминанием отслеживаемого бренда в небрендовых commercial prompts. Использованы только пять поверхностей и четыре крупные группы; таблица служит внутренней проверкой внешнего вывода о platform-specific visibility [24; 29].

Проверка рабочих гипотез

Несколько рабочих гипотез о специализации моделей и российском рынке были сформулированы заранее. Проверка нужна потому, что публичное восприятие AI часто строится на benchmark-рейтингах или профессиональных сообществах. Фактическое использование может быть иным.

Таблица 9. Проверка рабочих гипотез. Источники: ВЦИОМ, K2 Cloud, Stack Overflow, JetBrains, Anthropic, Frontiers, ИСИЭЗ НИУ ВШЭ, Яндекс / Яков и Партнёры [2; 5; 9-15].

Как измерять коммерческий GEO

Публичные и собственные данные позволяют собрать измерение по нескольким уровням. Один сводный индекс здесь скорее мешает: этапы влияния лучше оставлять различимыми.

Таблица 10. Система KPI коммерческого GEO. Два последних уровня требуют внешней web/CRM/commerce-атрибуции; из текущего отраслевого среза GeoAist они не считаются.

Где данные расходятся

Росстат и ИСИЭЗ включают computer vision, speech, decision support и другие технологии. Пользовательские опросы чаще имеют в виду генеративные нейросети. Корпоративные проценты с охватом ChatGPT или Алисы AI из-за этого напрямую не складываются.

B1, РБК/Яндекс, «Ашманов и партнёры» и НАФИ работают с разными consumer samples и формулировками. «Карамбола Лабс» считает категории в большом массиве AI-запросов. GEO Scout мониторит выбранные бренды и ниши, i-Media — мебельный рынок. Одну общероссийскую долю AI-видимости из внешних GEO-бенчмарков поэтому не собирают [16; 17; 26-30].

Платформенные данные компаний являются first-party metrics. Они важны для масштаба отдельных AI-поверхностей, но компании могут использовать собственные определения MAU, WAU, активного пользователя и конверсии. В статье они всегда привязаны к конкретной формулировке источника.

Четвертое - proprietary GeoAist sample не репрезентирует все российские бренды. В текущих 2 376 небрендовых commercial checks присутствуют 94 уникальных отслеживаемых бренда, попавших в платформу неслучайно. Поэтому показатели интерпретируются как brand-level observational benchmark. Внешние отчеты часто сильнее представлены лидерами категории, поэтому высокий Mention Rate маркетплейса или Aviasales нельзя напрямую противопоставлять средней inclusion rate смешанного портфеля GeoAist [24; 29].

Пятое - использование GeoAist намеренно ограничено. В статье анализируются только 2 376 успешных небрендовых consideration/decision проверок, агрегированная отраслевая доля cited domains и небольшой exploratory-срез пяти AI-поверхностей. Не раскрываются reputation и custom prompts, подробные source-domain rankings, co-citation, competitor checks, sentiment, temporal volatility и model-backend shifts. В пределах этой статьи указанные измерения не приводятся.

Пользовательский и корпоративный контур

Массовые опросы фиксируют широкий годовой опыт обращения к нейросетям, панели поведения дают десятки процентов месячного охвата, поисковые платформы держат AI-ответы на десятках миллионов пользователей [1-3; 18].

Алиса AI чаще оказывается в массовом поиске, Perplexity держит исследовательский контур, DeepSeek связан с рабочими сценариями, данными и кодом. ChatGPT остается широким инструментом, Claude и Claude Code заметны в разработке программ, универсальным рейтингом качества это не является [2; 9-15].

Торговля, финансы, информация и связь опираются на разные классы технологий, крупные организации внедряют ИИ заметно чаще меньших, собственная разработка остается, в публичных российских данных чаще видны внешние, готовые и гибридные схемы [5-7; 11].

Коммерческий GEO уже имеет измеримую пользовательскую базу, величина зависит от знаменателя. В широкой выборке B1 большинство пока не использует AI при покупке, тогда как РБК/Яндекс фиксируют AI-shopping у 35% онлайн-покупателей, а в AI-активной выборке «Ашманов и партнёры» нейросети заметно участвуют в сравнении и поиске вариантов. Рынок нельзя описывать одной долей пользователей [16; 17; 26].

Российская поисковая инфраструктура быстро стирает границу между SEO, GEO и commerce. Яндекс одновременно развивает быстрые AI-ответы, диалоговый поиск, измерение видимости сайта в AI, рекламу внутри Алисы, товарного агента и checkout для продавцов. Для российского бизнеса GEO все меньше означает «попасть в ответ чат-бота» и все больше — быть доступным на этапе синтеза, shortlist и действия [18-23].

Отраслевая AI-видимость имеет как минимум две независимые оси — техническую представленность и готовность пользователя доверить выбор. НАФИ показывает высокий разрыв между развлечениями/товарами и high-stakes категориями; GeoAist одновременно фиксирует высокую долю cited domains в медицине и образовании при умеренной brand inclusion. В high-stakes GEO частота упоминания часто уступает источниковой доказательности [24; 28].

Внешние и собственные GEO-данные лучше читать вместе. Публичные мониторинги показывают Mention Rate лидеров e-commerce и туризма около 90–100% в отдельных наборах промптов. Смешанная выборка GeoAist дает 11,1% inclusion для retail и 15,4% для туризма/досуга. Это концентрация generative shelf вокруг сильнейших брендов и сложность попадания в shortlist для обычного участника рынка [24; 29].

Provider effect виден в двух независимых слоях. GEO Scout фиксирует многократные различия одного бренда между ChatGPT, Claude, Gemini и другими AI-поверхностями в EdTech и хостинге. Ограниченный срез GeoAist дает разные отраслевые паттерны по платформам. Формулы «быть видимым в нейросетях вообще» мало. Коммерческий GEO требует матрицы отрасль × намерение × AI-поверхность [24; 29].

У GeoAist ещё есть непубличные данные. В этой статье не раскрывались detailed source-domain rankings, co-citation брендов и конкурентов, reputation/custom prompts, временная устойчивость рекомендаций, смены model backends, sentiment и полные competitor checks. Следующие работы смогут сопоставлять эти измерения с внешними исследованиями так же, как здесь сопоставлены demand-side adoption, независимые Mention Rate benchmarks и внутренний brand inclusion.

Список литературы и источников

[1] Mediascope. Конференция Mediascope 2025: аналитика, цифры и тренды. Cross Web, Россия 12+, октябрь 2025. https://www.mediascope.net/news/3216980/

[2] ВЦИОМ. Нейросети в нашей жизни. 30 июля 2026. ВЦИОМ-Онлайн, N=3 209. https://wciom.ru/analytical-reviews/analiticheskii-obzor/neiroseti-v-nashei-zhizni

[3] Mediascope. Цифровой Brand Day 2026: аудитория e-commerce и AI-сервисов, февраль 2026. https://mediascope.net/news/3282172/

[4] Яндекс. Как используют Алису AI в работе. 175 тыс. обезличенных запросов, январь-апрель 2026. https://yandex.ru/alice/stat/work

[5] ИСИЭЗ НИУ ВШЭ. Применение искусственного интеллекта в российских компаниях. 12 сентября 2025. https://issek.hse.ru/news/1083541394.html

[6] ИСИЭЗ НИУ ВШЭ. Распространение искусственного интеллекта в отраслях экономики и социальной сферы. 9 октября 2025. https://issek.hse.ru/news/1091369132.html

[7] ИСИЭЗ НИУ ВШЭ. Распространение ИИ в организациях разной величины. 18 марта 2026. https://issek.hse.ru/news/1139129178.html

[8] Yandex Cloud / ИТМО / Яндекс Образование. 66% опрошенных преподавателей и ученых в России постоянно используют ИИ в работе. 10 марта 2026. https://yandex.cloud/ru/blog/ai-in-science

[9] K2 Cloud / Хабр. Как IT-специалисты на самом деле относятся к ИИ. Опрос 872 IT-специалистов, февраль 2026. https://k2.cloud/news/about-technologies/stark-stroit-xaus-kritikuet-xalk-perezivaet-kak-it-specialisty-na-samom-dele-otnosiatsia-k-ii/

[10] Stack Overflow. Developer Survey 2025: Large language models and AI. https://survey.stackoverflow.co/2025/technology

[11] Яндекс / Яков и Партнёры. Искусственный интеллект в России - 2025: тренды и перспективы. https://ir.yandex.ru/press-releases?id=08-12-2025-01&year=2025

[12] JetBrains Research. Which AI Coding Tools Do Developers Actually Use at Work? April 2026. https://blog.jetbrains.com/research/2026/04/which-ai-coding-tools-do-developers-actually-use-at-work/

[13] JetBrains Research. AI Coding Agents: Adoption Trends. August 2026. https://blog.jetbrains.com/research/2026/08/ai-coding-agent-adoption-2026/

[14] Anthropic. Практика Claude Code, ~400,000 сессий, октябрь 2025 — апрель 2026. How Claude Code is used in practice. https://www.anthropic.com/research/claude-code-expertise

[15] Frontiers in Psychology. Врачи о встраивании generative AI, 2025. Triadic relations in healthcare: physicians perspectives on generative AI integration. https://www.frontiersin.org/journals/psychology/articles/10.3389/fpsyg.2025.1612215/full

[16] Б1. Исследование потребительского рынка, март 2026: использование ИИ при совершении покупок. https://b1.ru/analytics/b1-consumer-products-sector-survey-march-2026/

[17] Ашманов и партнёры. Как ИИ-сервисы меняют поиск и выбор товаров: исследование e-commerce. 11 августа 2026. https://www.ashmanov.com/education/articles/kak-ii-servisy-menyayut-poisk-i-vybor-tovarov-issledovanie-e-commerce/

[18] Яндекс. Финансовые результаты за II квартал 2026 года: аудитория Алисы AI, AI-ответы и продвижение в AI-интерфейсах. https://yandex.ru/company/news/29-07-2026

[18a] НАФИ / СберБизнес Live. Почти половина россиян доверяют ИИ в выборе товаров и услуг. 3 февраля 2026. https://sberbusiness.live/news/pochti-polovina-rossiyan-doveryayut-ii-v-vibore-tovarov-i-uslug

[19] Яндекс. Бизнесы смогут увидеть, как Алиса AI упоминает их в быстрых ИИ-ответах в Поиске. 7 апреля 2026. https://yandex.ru/company/news/07-04-2026-01

[20] Яндекс. В Поиске можно переключаться между традиционными ответами и диалогом с Алисой AI. 7 апреля 2026. https://yandex.ru/company/news/07-04-2026-02

[21] Яндекс. ИИ-агент Найти дешевле в чате с Алисой AI. 13 апреля 2026. https://yandex.ru/company/news/13-04-2026-01

[22] Яндекс. Алиса AI получила платформу для интеграции ИИ-агентов. 29 июня 2026. https://yandex.ru/company/news/29-06-2026-03

[23] Яндекс. Продавцы без сайтов теперь могут получать заказы из Поиска и чата с Алисой AI. 21 августа 2026. https://yandex.ru/company/news/21-08-2026-01

[24] GeoAist. Внутренняя обезличенная выгрузка мониторинга AI-видимости, 19.04-07.08.2026: 16 428 проверок, 175 брендов. Непубличный источник.

[25] Яндекс. Медицинский ИИ-ассистент стал доступен всем врачам. 24 августа 2026. https://www.yandex.ru/company/news/24-08-2026-01

[26] РБК Исследования рынков / Яндекс. 35% россиян используют ИИ для онлайн-покупок. Опрос около 1 850 онлайн-покупателей, декабрь 2025; опубликовано в марте 2026. https://trends.rbc.ru/trends/social/69b801f99a794723385b8da2

[27] Карамбола Лабс / CNews. Категории бизнеса, которые чаще всего попадали в ответы ИИ в январе 2026 года. Анализ более 10 млн запросов ChatGPT, Gemini, GigaChat, Perplexity и Grok. https://www.cnews.ru/news/line/2026-01-28_karambola_labs_nazvala

[28] НАФИ / РБК. Аналитики оценили готовность россиян доверить выбор покупок ИИ. 31 января 2026. https://www.rbc.ru/technology_and_media/31/01/2026/697d9f889a7947ad21cc47fc

[29] GEO Scout. State of AI Search Russia 2026. Q1 2026; 716+ брендов, 12 AI-провайдеров, 12 000+ ответов; Mention Rate, Recommendation Rate, Domain Citation Rate. https://geoscout.pro/ru/blog/state-of-ai-search-russia-2026

[30] i-Media / AdIndex. Как нейросети меняют видимость мебельных брендов. 675 тестов пяти AI-сервисов; июль 2026. https://adindex.ru/publication/analitics/search/2026/07/2/346830.phtml

О данных GeoAist

В публикации используются только агрегированные обезличенные показатели GeoAist. Исходные выгрузки, названия проектов, клиентские домены, полные ответы моделей и сырые цитирования не публикуются. Сопоставление с внешними источниками идёт на уровне отраслевых метрик. Выборка мониторинговая, не вероятностная общероссийская.

Материал готовила аналитическая команда Geoaist. На портале мы каждый день смотрим, какие источники нейросети тащат в ответы и как в этой выдаче выглядят бренды.

Если эта публикация вас вдохновила и вы хотите поддержать автора — не стесняйтесь нажать на кнопку