Кейс: как GEO-аудит помог найти ошибки в ответах о лекарственном бренде

GEO-аудит дает компании ясный срез AI-видимости перед доработкой сайта, контента и внешних источников: как AI-системы понимают бренд здесь и сейчас, где ошибаются и какие материалы могут влиять на ответ. Мы провели такой аудит по собственной методике для фармбренда и увидели, как AI смешивает сведения о разных продуктах, а потом из-за этого строят цепочку ошибочных описаний и рекомендаций. На примере проекта подробно разбираем методику аудита и объясняем, какие правки вошли в план и почему.

Когда пользователь задает AI-системе вопрос о лекарстве, он ожидает получить достоверный ответ. Но AI-система может воспроизводить сведения из разных контекстов (часть систем отвечает из параметров модели, часть использует веб-поиск/RAG), и если они противоречат друг другу, в ответе может возникать смешение.

Именно такой риск мы исследовали в ходе аудита для клиента. Это крупный фармацевтический бренд, и за десятилетия работы вокруг него сформировался большой информационный контур: актуальные инструкции соседствуют с исследованиями прошлых лет, образовательными материалами и внешними публикациями, где сведения также могут расходиться. Одной из главных задач стало проверить, насколько хорошо AI-системы разделяют эти сведения и какие факты воспроизводят в своих ответах.

Определили, какие риски должен выявить аудит

Сайт клиента давно и прочно присутствовал в поиске, публиковал инструкции, материалы о применении и научные работы, а сам бренд уже появлялся в ответах AI-систем. Но одного показателя видимости недостаточно: нейросеть может «узнать» бренд, но неправильно назвать состав продукта, форму выпуска или показания — и этот момент уже требовал более глубокого исследования.

AI-аудит помогает определить, какие сведения о бренде воспроизводят нейросети, откуда они получают информацию и где возникают расхождения.

Провели три исследования AI- и поисковой видимости

Собрали сценарии, по которым проверяли ответы AI-систем

Для проверки мы составили промпт-сет — список из 60 вопросов, которые пользователь мог бы задать AI-системе о бренде и его препаратах. В него вошли прямые запросы по бренду, вопросы об отдельных продуктах и формах выпуска, сравнение вариантов, уточнение состава и общие вопросы по тематике заболевания. Такой набор позволяет проверить ответы в ключевых пользовательских сценариях

Для повторного замера сохраняются одинаковые формулировки вопросов, AI-системы и условия запуска. Поэтому результаты можно сопоставлять между собой и видеть изменения в ответах после доработок. Шестидесяти сценариев достаточно для контрольного среза, потому что они охватывают ключевые типы запросов, а не отдельные случайные вопросы.

По каждому запросу мы фиксировали, появляется ли бренд в ответе, как система его описывает, разделяет ли продукты и формы выпуска, какие ссылки показывает.

Сама диагностика состояла из трех частей.

Сначала мы проверили ответы по подготовленному промпту в двух AI-системах:

• Perplexity показывает ссылки и цитаты, сопровождающие ответ. Поэтому мы могли отдельно проверить, подтверждают ли указанные страницы конкретные утверждения.

• С помощью ChatGPT проверяли, какие знания о бренде воспроизводятся в диалоговых сценариях.

Затем изучили AI-срезы Keys.so — сервиса, который собирает данные из реальной поисковой выдачи. Они показывают, какие ответы на пользовательские запросы формируют Алиса и Google AI Mode, упоминается ли в них бренд и какие ссылки выводятся рядом с ответом. Благодаря этому мы увидели, как бренд представлен в ответах, которые люди получают при поиске в Яндексе и Google.

Этот срез дополняет наш контрольный аудит. В своем сервисе мы задаем AI-системам один и тот же список вопросов и подробно проверяем каждый ответ. Keys.so показывает более широкую картину: по каким запросам бренд появляется в AI-поиске, какие ответы там фиксируются и какие источники их сопровождают. Это важно, потому что Алиса и Google AI Mode встроены в привычный поиск: пользователь может увидеть AI-ответ прямо на странице результатов.

Вот из чего состояла диагностика:

Проверили, как бренд представлен в AI-ответах

В повторных контролируемых замерах нашего AI-контура по одному промпт-сету бренд появился в 53% сценариев в июле и в 50% — в августе. Два близких по времени измерения не позволяют говорить об устойчивой динамике: ответы AI-систем зависят от формулировки запроса, доступных источников и изменений самих моделей, поэтому эти цифры нужны прежде всего как исходная точка для дальнейших контрольных замеров.

Это означало, что потенциальный пользователь уже мог встретить бренд в AI-ответе. Поэтому самостоятельным предметом проверки стало уже не наличие сведений, а их качество.

Замеры AI-видимости показывают исходное состояние перед внедрением изменений.

Провели замеры классической SEO-видимости

По данным Keys.so, у сайта уже была заметная поисковая база: он ранжировался по тысячам запросов, а часть страниц занимала высокие позиции. При этом видимость была сосредоточена вокруг ограниченного числа URL: основную долю запросов обеспечивали десять–двадцать страниц, среди которых отдельно выделялась инструкция по применению.

Это стало важным выводом для стратегии: вместо создания большого количества новых страниц можно было опираться на уже существующие материалы с поисковым потенциалом — проверить их, обновить и связать между собой.

Поисковая видимость сайта не гарантирует корректные AI-ответы: для нейросетей важны точность фактов, структура информации и надежность источников.

Выявили, какие ошибки AI воспроизводит в ответах

Обнаружили смешение продуктов, форм выпуска и показаний

В ответах нейросетей повторялись несколько типов ошибок. Например, сведения о разных лекарственных формах и периодах их применения смешивались, из-за чего исторический контекст мог выглядеть как описание текущего продукта; в отдельных ответах более широкий контекст применения выдавался за зарегистрированное показание, а роль препарата в схеме терапии описывалась шире, чем в инструкции. А категоричные сравнительные утверждения о формах препарата нейросеть подавала как установленный факт, хотя аудит не нашел для части таких формулировок прямого сравнительного подтверждения.

Мы классифицировали ошибки, чтобы с ними можно было быстрее и системнее разобраться на этапе исправлений:

Проследили, как одна ошибка запускает цепочку неверных выводов

Самый показательный случай мы обнаружили в ответах об отдельном комбинированном препарате линейки: нейросеть приписала ему компонент, которого в составе нет. Затем из этого неверного факта последовательно вывела фармакологическую группу, механизм действия, потенциальные риски и объяснение порядка отпуска. Получился связный и убедительный текст. Ошибка находилась в самом начале цепочки, поэтому все последующие выводы тоже оказались недостоверными.

В аудите этот случай мы отнесли к критическим рискам целостности продуктовой линейки.

Одна ошибка в исходном факте может привести к нескольким связанным неточностям в ответе нейросети.

Мы сознательно не приводим публично название препарата, ошибочно приписанный компонент и дозировки. Задача кейса — показать механизм возникновения проблемы, не тиражируя медицинскую ошибку.

Проверили, подтверждают ли источники факты из ответов

Наличие источника рядом с ответом еще не означает, что страница подтверждает каждый тезис. Так, в части ответов Perplexity ссылался на медицинские материалы, которые объясняли заболевание или терапевтический контекст, но вообще не содержали названия конкретного препарата. Такая страница могла быть релевантна общей теме, однако она не подтверждала утверждение о составе, дозировке или показаниях.

Поэтому в ходе аудита мы открывали все ссылки вручную и сопоставляли содержание страниц с конкретными фактами из ответа.

Источник рядом с AI-ответом нужно проверять: ссылка по теме не всегда подтверждает конкретное утверждение.

Выяснили, почему разные материалы создают несколько версий одного факта

Официальные инструкции содержали актуальную зарегистрированную информацию. Одновременно на сайте существовали объясняющие, маркетинговые и редакционные страницы со значительно более широкими формулировками.

Например, аудит обнаружил страницу, где препарат описывался как самостоятельное средство и упоминался в контексте острого состояния и профилактики, но актуальная инструкция таких формулировок не поддерживала. На других страницах встречались сильные сравнительные утверждения о свойствах и преимуществах разных форм, для части которых аудит не нашел достаточного прямого подтверждения.

Иначе говоря, в открытом информационном контуре одновременно существуют несколько версий одного факта. Мы не можем восстановить внутреннюю причинную цепочку модели, однако такие расхождения создают условия для смешения сведений в AI-ответах.

Разные материалы бренда могут содержать разные контексты одного факта, поэтому AI может смешивать версии сведений.

Разделили исторические данные и актуальные сведения о продукте

У лекарственного бренда с долгой историей часть расхождений возникает даже без фактической ошибки в исходном материале. К примеру, старое исследование могло проводиться в период, когда дозировку обозначали иначе, а инъекционный препарат мог существовать в другой лекарственной форме. Такая публикация остается исторически корректной, но без пояснения AI-система (а затем и человек) может принять ее за описание текущего продукта.

Исторические данные требуют дополнительного контекста, чтобы их не приняли за описание актуального продукта.

Поэтому в стратегии для научного архива мы предусмотрели отдельную маркировку: год исследования, изученную форму и дозировку, дизайн, выборку, конечные точки и связь с актуальной формой препарата. Оригинальные исследования при этом сохраняются: задача будущей доработки состоит именно в том, что дать AI-системе, поисковику и человеку контекст, позволяющий соотнести исторические данные с сегодняшней линейкой.

Определили роль внешних источников в формировании AI-ответов

В Perplexity регулярно встречались вторичные медицинские и коммерческие источники, а вот официальный сайт в исследованной выборке не закрепился как опорный источник даже в вопросах о составе, формах и показаниях. Это особенно чувствительно для линейки, где одновременно существуют несколько продуктов и исторические сведения. Внешняя карточка может годами хранить старую дозировку или прежнюю лекарственную форму, а несколько сайтов способны повторять одну и ту же информацию.

AI-ответ формируется из разных источников, поэтому важно понимать роль каждого типа материалов.

Повторяемость сама по себе не подтверждает происхождение факта из независимых источников: несколько страниц могут восходить к одной старой публикации. Такие страницы нужно зафиксировать, установить предполагаемый первоисточник и приоритизировать площадки для обращения или корректировки там, где это возможно.

Перевели результаты аудита в план внедрения

Выбрали страницы, которые требуют приоритетных изменений

В карте реализации мы отдельно разобрали 19 URL сайта. Для каждой страницы определили ее роль, найденную проблему, необходимые изменения, связанные материалы, приоритет и ожидаемый результат после доработки. В критическую группу попали: главная, инструкция, страница применения, материалы о составе и показаниях, страницы комбинированного препарата, сравнительные материалы и статьи о разных клинических состояниях.

Приоритет мы определяли характером риска: так, сначала планируется исправлять страницы, на которых может воспроизводиться неверный состав, смешение продуктов, расширение показаний или некорректную клиническую классификацию.

Определили, какие материалы нужно обновить, а какие создать заново

В ходе аудита мы убедились, что несколько предполагаемых контентных пробелов уже были закрыты существующими материалами. Например, на сайте мы нашли материалы по основным клиническим вариантам и близким пользовательским сценариям, поэтому создание еще одной обзорной страницы могло добавить дублирование. Для таких тем в карте выбрали другой подход: определить центральный материал, актуализировать его и выстроить связи с более узкими страницами.

Аналогичное решение приняли для доказательной базы. На сайте уже существовал большой архив исследований. Стратегия предусматривает его структурирование по конкретным продуктам и формам: для каждой работы должны быть видны изученная форма и дозировка, дизайн, выборка, конечные точки, ограничения и другие важные параметры.

Диагностика изменила сам способ постановки контентных задач: количество новых материалов само по себе не стало универсальным ответом на проблемы в нейровыдаче.

Создали единую систему фактов для всех участников проекта

Следующее, что мы зафиксировали — необходимость создания факт-матрицы. Она нужна, чтобы редакторы, медицинские специалисты и команда внешнего продвижения сверялись с одним набором данных. Матрица разделяет сведения по конкретным продуктам и формам и фиксирует, откуда берется каждый факт:

Сформировали план работы с внешними источниками

Что касается внешнего контура, то в карте реализации мы выделили основные типы площадок, которые влияют на AI-ответы: медицинские статьи, справочники, научные публикации и аптечные карточки. Для каждого типа источника мы определили, какие сведения нужно проверить: актуальность формы и дозировки, корректность показаний, разделение продуктов линейки и клинический контекст. Чтобы системно работать с такими площадками, мы подготовили приоритетный реестр, где фиксируются площадка и URL, найденное расхождение, официальный источник для проверки и рекомендуемое действие.

Нужно отметить, что исправление внешних материалов зависит не только от команды проекта: мы можем найти расхождение и подготовить подтверждения, но изменение карточек, статей и справочников остается за владельцами площадок и правообладателем.

Определили технические проверки для корректной работы с контентом

Техническая проверка помогает убедиться, что важные материалы доступны, структурированы и связаны между собой.

Эти проверки должны помочь выявить технические ограничения, которые могут мешать корректной обработке контента поисковыми системами и AI.

Разделили внедрение на четыре этапа

План внедрения рассчитан на 12 месяцев и начинается с устранения выявленных противоречий и факторов, которые могут поддерживать смешение продуктов, форм и исторических данных.

На первом этапе важно привести к единой системе факты о линейке: разделить препараты и формы, зафиксировать актуальные сведения по составу, показаниям, способу применения и доказательной базе. Для этого создается факт-матрица, которая становится основой для дальнейшей работы с сайтом и внешними источниками.

После этого работа переходит к перестройке контентной структуры. Задача не сводится к созданию новых страниц: в стратегии предусмотрена работа с уже существующими материалами — выбор опорных URL, переработка сильных страниц, разделение клинических сценариев и привязка исследований к конкретным продуктам и формам.

Отдельное направление — внешняя среда, которая влияет на то, какие сведения получают AI-системы. Здесь предстоит работать с медицинскими статьями, справочниками, аптечными карточками и другими источниками: выявлять расхождения, готовить корректные подтверждения и системно инициировать исправления там, где это возможно.

Финальная часть программы — закрепление изменений и контроль качества. После внедрения потребуется повторно оценивать не только количество упоминаний бренда, но и то, насколько корректно AI-системы различают продукты, формы и показания. Такой подход позволяет оценивать не рост видимости сам по себе, а качество знаний о линейке.

После диагностики работу разделили на четыре этапа внедрения.

Главная ценность GEO-аудита в этом проекте — установить факты и связи, которые AI-системы воспроизводят с ошибками. Бренд уже появляется в релевантных AI-сценариях, а сайт имеет сильную поисковую базу, но разные источники смешивают продукты линейки, переносят сведения между формами и используют устаревшие данные как актуальные. Поэтому первое, что мы сделаем — выстроим единый контур знаний о линейке.

На этой основе позже мы будем расширять присутствие бренда в новых пользовательских сценариях.

Читайте также:

Контентная гигиена для AI-ответов: как навести порядок в фактах о компании

Внешние источники в AI-поиске: как выбрать площадку, подтвердить факт и измерить результат

Стратегия AI-видимости: как связать бизнес-задачи, факты о бренде и потребности клиента