Почему AI знает мою компанию, но всё равно не рекомендует её?

Потому что узнавание и рекомендация являются разными задачами. Модель может знать, кто вы, правильно вас описывать и всё равно выбрать кого-то другого, когда вопрос меняется на: кого нанять, у кого купить, кому доверить эту задачу или кого включить в короткий список?

Разрыв обычно появляется после узнавания

Запрос по имени легко принять за успех. Если ChatGPT отвечает на вопрос «Кто эта компания?», сущность прошла тест узнавания. Запрос с покупательским намерением сложнее. Система должна сравнить варианты, сопоставить ограничения и выдать ответ, который можно обосновать доступной ей информацией.

Проблема может находиться на любой границе. Компания может быть известна, но плохо понята. Может быть понятна, но подтверждаться только собственным сайтом. Может иметь независимые упоминания и всё равно проигрывать конкретную рекомендацию, если доступные доказательства не делают соответствие запросу достаточно ясным.

Почему рекомендация сложнее описания

Описание может быть общим. Рекомендация не может. Фраза «эта компания занимается AI-консалтингом» лишь определяет категорию. Фраза «эту компанию я бы выбрал для европейского beauty-бренда, которому нужно контролируемо измерить, как AI его описывает и выбирает» требует связать категорию, соответствие задаче, ограничения и доказательства.

Именно поэтому широкое позиционирование часто переживает этап узнавания, но исчезает на этапе выбора. Чем более взаимозаменяемо описание, тем меньше работы оно делает в сравнении с альтернативами.

Не называйте это «доверием», если вы не можете его измерить

Модели часто дают объяснения, похожие на суждения о доверии. Это полезные наблюдения, но не прямой доступ к внутреннему состоянию модели. Для измерения я использую наблюдаемое поведение: retrieval, точность описания, независимое подтверждение, выбор, стабильность повторных прогонов и различия между поверхностями.

Объяснение модели может подсказать гипотезу о том, почему изменился выбор. Оно не доказывает механизм.

Метод представляет собой замкнутый измерительный цикл

Повторные прогоны нужны, потому что генеративные ответы стохастичны. Состояние retrieval нужно фиксировать, потому что ответ с поиском и ответ без поиска не являются одним и тем же измерением. Метрики цитирования нужно считать отдельно по каждой поверхности, потому что ChatGPT, Claude, Gemini и Perplexity не показывают одинаковое поведение retrieval и цитирования.

Что эта работа может и не может обещать

Она может документировать, что конкретные системы возвращают в заданных условиях, находить места, где компания теряет ясность или подтверждение, менять контролируемые источники, строить план внешних доказательств и затем повторно измерять результат.

Она не может гарантировать, что конкретная модель будет рекомендовать компанию, доказать причинность только потому, что ответ изменился после вмешательства, или превратить собственное утверждение компании в независимое доказательство простым многократным повторением.

В этом и находится ядро AI legibility: не «заставить модель сказать то, что мы хотим», а сделать сущность достаточно ясной для retrieval, достаточно точной для понимания, достаточно подтверждённой для corroboration и достаточно измеримой, чтобы увидеть изменение выбора.