Медиагруппа «Линтега» проверила, насколько хорошо ChatGPT, Perplexity и Алиса ориентируются в российских компаниях из АПК, ветеринарной фармацевтики и зообизнеса. Трем нейросетям задали одни и те же вопросы о 21 компании, а каждое спорное утверждение проверили по первоисточникам.

Средний результат по шкале от 0 до 3: ChatGPT — 3,00; Perplexity — 2,81; Алиса — 2,80.

Один из вопросов исследования: насколько одинаково разные нейросети ориентируются в российских нишевых компаниях? Результаты оказались близкими: большинство участников выборки все три системы описали корректно, а отдельные расхождения возникали у каждой модели на разных компаниях.

Это показало, что точность ответа зависит не столько от самой нейросети, сколько от того, насколько полно и однозначно информация о компании представлена в открытых источниках.

При этом исследование показало более интересную закономерность. Для нейросети недостаточно, чтобы компанию хорошо знали на ее рынке. Важно, насколько полно, однозначно и системно она представлена в открытых источниках.

В выборку вошел 21 производитель: 8 компаний АПК, 7 производителей ветеринарных препаратов и 6 компаний зообизнеса.

АПК: «Мираторг», «Черкизово», «Приосколье», «Агроэко», «Молвест», «Ростсельмаш», «Щелково Агрохим», «Уралхим».

Ветеринарная фармацевтика: «НИТА-ФАРМ», ГК ВИК, «Агроветзащита», «Экопром», «Апиценна», «Ветбиохим», «Рузфарма».

Зообизнес: Mars, Royal Canin, AlphaPet, Гатчинский комбикормовый завод, LIMKORM, «ПроРацион».

Список формировали по открытым отраслевым рейтингам и аналитике продаж. В каждом сегменте намеренно объединили крупных игроков и компании меньшего масштаба, чтобы проверить, влияет ли известность бизнеса на точность ответа.

Каждой нейросети дословно задавали один и тот же вопрос: что это за компания, чем занимается, где находится, кто ее основные конкуренты, какую продукцию выпускает и где ее можно купить.

Формулировку не меняли, чтобы сохранить сопоставимость результатов. Каждую компанию проверяли в новом чате — так предыдущие ответы не могли повлиять на следующие.

Для оценки использовали шкалу от 0 до 3:

• 3 — знает точно. Верно определяет профиль, отрасль, регион и продукцию, не допускает фактических ошибок.
• 2 — знает в общих чертах. Правильно определяет отрасль, но приводит неполные, размытые или устаревшие сведения.
• 1 — путает или выдумывает. Смешивает компанию с другой, приписывает ей чужие продукты, ошибается в регионе или владельце.
• 0 — не знает. Сообщает, что информации нет, либо ограничивается общими формулировками без содержательных фактов.

Все спорные утверждения проверяли отдельно — по официальным сайтам компаний, реестрам и отраслевым публикациям. Оценку «1» ставили только в тех случаях, когда ошибка подтверждалась.

Прежде чем разбирать ошибки, важно зафиксировать другой результат исследования: когда открытых данных достаточно, нейросети способны собирать весьма подробные профили компаний.

О «Молвесте» все три системы назвали восемь торговых марок, привели данные о поголовье и перечислили предприятия — от воронежского комбината до тихорецкого сыркомбината.

По «Щелково Агрохим» Perplexity проследила историю производства до предприятия Рабенека, основанного в 1876 году, и привела данные о долях рынка со ссылкой на источник.

В ответах об «Агроветзащите» ChatGPT и Perplexity указали адрес в Игарском проезде, количество продуктов и год получения европейского сертификата GMP.

По глубине такой ответ уже сопоставим с готовой аналитической справкой. Пользователь получает ее сразу — и во многих случаях у него просто не возникает необходимости продолжать поиск самостоятельно.

Именно поэтому ошибки нейросетей становятся важны для бизнеса.

В традиционной поисковой выдаче пользователь видит несколько источников и может перейти от одного к другому. В ответе нейросети значительная часть этой работы уже выполнена за него: система сама отбирает факты, компании и источники, которые считает релевантными.

Если бизнеса в этом ответе нет или он описан неверно, пользователь может даже не узнать, что стоит поискать дальше.

Компании АПК все три модели описали без фактических ошибок: средний балл сегмента составил 3,00.

У зообизнеса результат немного ниже — 2,89.

Самый низкий показатель получила ветеринарная фармацевтика — 2,71. На этот же сегмент пришлись наиболее заметные ошибки.

Одна из возможных причин — разница в объеме публичной информации.

Крупные агрохолдинги регулярно присутствуют в информационном поле: об их финансовых результатах, инвестициях, новых производствах и планах пишут деловые и отраслевые издания.

Ветеринарная фармацевтика работает в более узком профессиональном сегменте. Публичных материалов о таких компаниях меньше, а значит, у нейросетей оказывается меньше источников, из которых можно собрать подробный и однозначный профиль.

Средние оценки показывают общую картину, но для бизнеса полезнее разобраться в конкретных ошибках.

В нашем исследовании они свелись к трем основным сценариям.

1. Одноименные компании перетягивают внимание

«Экопром» — научно-производственная фирма из Люберец, один из крупных российских производителей ветеринарных препаратов и зоотоваров. Среди брендов компании — Inspector, RolfClub 3D, «Гельминтал», «Чистотел».

В профессиональной среде компания хорошо известна. Но для нейросети одного названия оказалось недостаточно.

В ответ на запрос об «Экопрому» Алиса предложила три другие компании: производителя крупногабаритных изделий из полиэтилена, бизнес по обращению с отходами и московского застройщика. Ветеринарного производителя в ответе не было.

Perplexity также выбрала производителя полиэтиленовых изделий. При этом отдельно упомянула люберецкую компанию — то есть информация о ней у системы была, но при прямом запросе приоритет получил другой «Экопром».

ChatGPT распознал нужную компанию, предупредил, что ее не следует путать с производителями пластика, назвал адрес в Томилине, перечислил бренды и привел данные о долях рынка.

Вероятная причина — высокая конкуренция самого названия.

«Экопром» используют десятки юридических лиц из разных отраслей. Если пользователь не добавляет уточнений, нейросети приходится определять, о какой именно компании идет речь, по доступному ей информационному контексту.

При этом характер контента тоже различается. Вокруг розничных товаров — например, септиков и полиэтиленовых емкостей — существует множество карточек, каталогов, описаний и отзывов. В узком B2B-сегменте подобных материалов обычно меньше.

Показательно, что в другом контексте обе системы узнавали ветеринарный «Экопром» безошибочно. Когда мы спрашивали о конкурентах «Агроветзащиты», они называли «Экопром» и корректно перечисляли его бренды.

Получается, проблема не в том, что нейросеть ничего не знает о компании. При прямом запросе она не всегда правильно определяет, какой из одноименных бизнесов нужен пользователю.

2. Формальные данные вытесняют описание бизнеса

«Рузфарма» — фармацевтическое производство в Тучкове Московской области. Основной профиль компании — препараты для людей, но у нее есть и ветеринарное направление: продукция для крупного и мелкого рогатого скота, свиней и лошадей.

Алиса привела прежде всего регистрационные сведения: дату создания компании, юридический адрес, ИНН, ОГРН, размер уставного капитала, имя руководителя.

Все эти данные были корректными. Но ветеринарное направление в ответ не попало.

ChatGPT и Perplexity его обнаружили.

Этот пример показывает еще одну особенность информационной среды. Реестры и сервисы проверки контрагентов содержат хорошо структурированные данные, поэтому нейросетям сравнительно легко их находить и интерпретировать.

Но юридическая карточка отвечает на вопрос «что это за организация?» лишь формально. Чтобы объяснить, чем компания занимается, какую продукцию выпускает и на каком рынке работает, нужны другие источники.

Если таких публикаций недостаточно, регистрационная информация может оказаться заметнее содержательной.

3. Источников недостаточно для связного профиля

«ПроРацион» — новосибирский производитель кормов для животных с выручкой около полутора миллиардов рублей. Среди брендов компании — Delicana, Goodwin, Meat Garden и «Сибирская ферма».

Алиса не смогла собрать о компании столь же цельный профиль, как о большинстве других участников выборки. Ответ состоял из отдельных фрагментов информации, найденных в пяти источниках.

Для сравнения: при подготовке ответа об «Апиценне» система использовала 23 источника и составила подробный профиль с историей компании, сертификатами и географией экспорта. По «Черкизово» было задействовано 21 источник.

На небольшой выборке нельзя установить прямую математическую зависимость между количеством источников и качеством ответа. Но результат показывает понятную тенденцию: когда независимых и содержательных упоминаний компании много, нейросети проще собрать целостный профиль и перепроверить отдельные факты.

Если источников мало, ответ чаще получается фрагментарным.

Из 21 компании различия в оценках возникли по пяти.

По «Экопрому» ошибки допустили Алиса и Perplexity. По «Рузфарме» и «ПроРациону» — Алиса. По ГК ВИК и Mars — Perplexity.

Это важный результат: слабые места разных моделей не совпадают.

Компания, которую одна нейросеть определяет неверно, в другой может быть представлена подробно и точно.

Поэтому оценивать собственную видимость только по одному сервису недостаточно. Если задача — понять, какую информацию о компании получает аудитория через ИИ-поиск, имеет смысл проверять несколько популярных систем на одинаковых запросах.

Один из распространенных рисков, который связывают с нейросетями, — появление вымышленных негативных сведений о компании: несуществующих скандалов, судебных разбирательств или проблем с качеством продукции.

В нашей выборке таких случаев не было.

Даже в ситуациях, где в публичном поле присутствует чувствительная для бизнеса информация, модели далеко не всегда включали ее в ответ.

Например, при описании «Уралхима» ChatGPT и Perplexity сосредоточились на производственном профиле: структуре группы, площадках, продуктовой линейке и конкурентах. Санкционная тематика и информация о владельцах в ответы не вошли.

Не увидели мы и автоматического воспроизведения распространенного представления о том, что Royal Canin полностью ушел из России.

Все три нейросети в нашем замере корректно описали Royal Canin как бренд, продолжающий работать в России, и указали производственную площадку в Подмосковье.

С Mars задача оказалась сложнее. После 2022 года компания прекратила импорт готовой продукции, но сохранила российское производство. Для корректного ответа здесь важно различать прекращение отдельных направлений деятельности и полный уход с рынка.

Наиболее точно эту разницу передал ChatGPT. Perplexity не раскрыла тему полностью и привела устаревшую информацию о приостановке закупок одной из торговых сетей. Алиса описала Mars как продолжающую работу компанию.

Подтвержденные нами фактические ошибки в основном возникали не из-за полностью выдуманных сведений, а из-за неверной принадлежности реальных фактов.

Perplexity, например, назвала ГК ВИК белорусским предприятием, хотя у направления три площадки — в Белгороде, Витебске и Москве, а витебская является лишь одной из них.

Она же дважды отнесла к «Лимкорму» бренд, принадлежащий другой компании, а в таблице конкурентов «Ветбиохима» включила в число конкурентов сам «Ветбиохим».

То есть речь не всегда идет о «галлюцинации» в классическом смысле — полностью выдуманном факте.

Чаще модель находит реальную информацию о связанных или похожих объектах, но неверно соединяет ее: компанию — с одноименным бизнесом, бренд — с другим производителем, одну площадку — со всей группой.

Для пользователя разница между типами ошибки не так важна, как ее результат.

Если, например, потенциальному покупателю сообщат, что производитель белорусский, хотя компания российская, это может повлиять на выбор поставщика.

Факт выглядит незначительным, но способен изменить коммерческое решение.

Мы проанализировали ссылки в ответах и сгруппировали их по типам.

Наиболее часто модели обращались к официальным сайтам самих компаний.

Следующая заметная группа — реестры и сервисы проверки контрагентов. Они содержат структурированные юридические сведения: регистрационные данные, адреса, руководителей и другую фактуру.

Еще один важный источник — отраслевые каталоги и справочники продукции. В них информация обычно организована в понятной структуре: профиль компании, бренды, ассортимент, характеристики продукции.

Деловые и отраслевые СМИ также входят в число источников.

Отдельно выделился hh.ru. Описания работодателей и вакансий содержат немало информации о производственных площадках, структуре бизнеса и продуктовых направлениях, поэтому нейросети используют их при формировании корпоративных профилей.

Исследование позволяет сделать полезное наблюдение для коммуникационной стратегии бизнеса: значение имеет не только авторитет площадки, но и структура опубликованной информации.

В нашей выборке нейросети активно использовали источники, где основные факты о компании представлены явно и однозначно: чем она занимается, что производит, где работает, какими брендами владеет.

Это не означает, что структурированная карточка «важнее» аналитического материала. У этих форматов разные задачи. Но, если компании важно корректно присутствовать в ИИ-ответах, ключевые сведения о ней должны быть доступны в интернете не только внутри больших текстов, но и в форме, из которой их трудно трактовать двояко.

Главный практический вывод исследования прост: на то, как нейросети описывают компанию, можно влиять. Для этого не нужно «оптимизировать сайт под ИИ» или пытаться переучивать модель в чате. Гораздо важнее проверить, какую картину бизнеса нейросеть сегодня собирает из открытых источников и где в этой картине возникают пробелы.

Начать можно с простой диагностики. Задайте нескольким нейросетям один и тот же вопрос о своей компании — без подсказок, уточнений и исправлений.

Проверьте четыре вещи:

1. правильно ли определен профиль бизнеса;
2. верно ли указан регион;
3. перечислены ли реальные продукты и бренды;
4. на какие источники опирается ответ.

Дальше действия зависят от того, что именно пошло не так:

• Нейросеть путает компанию с одноименным бизнесом.

Нужно усиливать однозначную связь названия с отраслью, продуктами, брендами и регионом. Чем больше в открытых источниках материалов, где эти сведения встречаются вместе, тем меньше пространство для неверной интерпретации.

• В ответе в основном регистрационные данные.

Значит, формальной информации о компании достаточно, а содержательной — нет. Нужны публикации, которые ясно объясняют, чем занимается бизнес, что производит, для кого работает и чем отличается от других игроков рынка.

• Ответ получился обрывочным, а источников мало.

Стоит расширять присутствие компании за пределами собственного сайта: в отраслевых СМИ, каталогах, справочниках и других независимых источниках, где ключевые факты изложены ясно и структурированно.

• Информация правильная, но устаревшая.

Важно проверить, отражены ли изменения не только в корпоративной ленте новостей. Новый завод, продукт, бренд или изменение структуры компании должны появляться и в других открытых источниках.

Есть и еще один важный вывод. Исправить нейросеть непосредственно в чате недостаточно. В конкретном диалоге она примет уточнение и изменит ответ, но следующий пользователь может снова получить прежнюю версию.

Менять нужно не отдельный ответ, а информационное поле, из которого нейросеть его собирает.

Мы проверяли не то, сколько фактов о компании нейросеть хранит «в памяти». Все три системы работали с информацией из открытых интернет-источников: находили ее, сопоставляли и собирали в единый ответ.

Поэтому исследование показывает прежде всего другое: насколько хорошо компания представлена в информационном поле, которое сегодня видят и используют нейросети.

Именно это приближает замер к реальному пользовательскому сценарию. Потенциальный клиент тоже не спрашивает у модели, что она когда-то «выучила» о компании. Он задает вопрос и получает готовый ответ, собранный из доступных системе данных.

Исследование проведено в конце августа 2026 года медиагруппой «Линтега».