Запрос «лучшая CRM-система» перестал быть нейтральным. Свежее исследование Unusual (Уилл Джек, Ноа Леман, Келлер Малони и Сара Сюй) подтверждает: AI-модели перекраивают рекомендации, опираясь исключительно на контекст личности пользователя. Проведя аудит 2000 симуляций на пересечении 10 персон и 8 коммерческих промптов, исследователи обнаружили, что профессиональный профиль — будь вы соло-фаундер или вице-президент корпорации — работает как жесткий фильтр. Это не косметическая правка выдачи, а полноценная реструктуризация коммерческого шорт-листа, которая происходит до того, как вы успеете моргнуть.
Jaccard Gap в коммерческих рекомендациях
Техническая глубина этого сдвига измеряется коэффициентом сходства Жаккара (Jaccard similarity coefficient), который падает на 0,12–0,20 при введении контекста персоны. Говоря простым языком, пересечение того, что видит «владелец малого бизнеса из Британии» и «вице-президент по продажам», стремительно сокращается по сравнению с базовым сценарием. В исследовании использовались три конфигурации моделей, включая OpenAI и Anthropic (Claude 3.5 Sonnet), что исключает вероятность случайного бага конкретного провайдера. В то время как лидеры категорий сохраняют примерно 80% консистентности, бренды среднего сегмента (mid-market) демонстрируют пугающую волатильность.
Эффект жестко стратифицирован по значимости: лидеры рынка устойчивы к смене персоны (совпадение брендов >80%), но для среднего сегмента до 75% рекомендаций заменяются другими игроками просто при смене описания пользователя.
Для любого вендора, не входящего в высшую лигу, видимость теперь зависит от того, как алгоритм интерпретирует покупателя. Данные показывают: средние бренды вылетают из выдачи в 75% случаев только потому, что AI счел их «несоответствующими» конкретному профилю.
Трение при извлечении и предвзятость моделей
Механика процесса указывает на конфликт между данными, полученными через RAG (Retrieval-Augmented Generation), и внутренними установками моделей. Согласно аудиту, модель Anthropic показала более выраженное смещение, чем решения OpenAI. Это напрямую коррелирует с тем, как системы атрибутируют источники. Модель Anthropic генерировала от 43% до 52% рекомендаций без опоры на извлеченные данные (retrieval layer), в то время как у OpenAI этот показатель составил 8–29%. Когда модель игнорирует контекст поиска и опирается на внутренние «знания», она заполняет пустоты стереотипами о персоне, что и ведет к сегрегации.
Для вендоров это звучит как приговор традиционному SEO. Если присутствие бренда в выдаче определяется не актуальным поиском, а тем, что модель «выучила» на этапе обучения, классическая оптимизация под RAG может оказаться бесполезной. Исследование подчеркивает: чем лучше модели адаптируются под пользователя, тем сильнее фрагментируется рынок. Для топ-менеджмента это означает, что «лучший» продукт в категории может просто не попасть в поле зрения, так как модель заранее решила, что этот пользователь принадлежит к другому «сословию».
Исследование Unusual подтверждает, что кондиционирование персоны становится главным драйвером коммерческой выдачи AI. Мы видим рождение фрагментированного рынка, где видимость бренда перестает быть универсальной величиной. Главный технический вопрос — является ли этот дрейф следствием «выравнивания» (alignment) при обучении или спецификой поисковых индексов — остается открытым. Однако для архитекторов продукта и маркетологов вывод очевиден: измерять восприятие бренда через один нейтральный запрос — это путь в никуда. Если вы не проводите аудит видимости через призму конкретных целевых персон, вы летите вслепую в мире, разделенном алгоритмическими фильтрами.