Раскол бренда: как нейросети делят вашу видимость на части

Тинькофф стал Т-Банком ещё в 2024 году. Но если спросить нейросеть «какой банк выбрать ИП», половина моделей до сих пор отвечает «Тинькофф». Мы прогнали нишу через getllmspy — 7 моделей, 600 ответов — и увидели, как ребрендинг разрезает видимость бренда на куски. И это не частный случай: то же самое происходит с десятками компаний, которые об этом не подозревают.

Коротко. Нейросети дробят один бренд на несколько «сущностей» — по старым названиям, вариантам написания и суб-брендам. Каждый кусок выглядит середняком, а вместе они были бы лидером. В нише «банки для ИП» Тинькофф/Т-Банк распался на четыре имени; собранный обратно, он выходит на первое место с большим отрывом. Лечится это согласованностью названия — не контентом, не бюджетом.

Что мы измеряли

Взяли нишу «банки для ИП и самозанятых», прогнали через сервис фиксированный набор органических запросов (без подсказки названий) по семи моделям: ChatGPT, Claude, Gemini, Perplexity, Grok, DeepSeek и YandexGPT. Всего 600 ответов, срез от 29 мая 2026. По каждому ответу фиксировали, какие бренды упомянуты. Дальше — просто считали, кого и сколько раз называют.

Главная находка: ребрендинг раскалывает бренд

Вот как выглядит лидерборд, если считать каждое имя отдельно, как видит его модель:

Тинькофф здесь как будто бы третий — с «Тинькофф Банк» (21). Но присмотритесь: тот же банк сидит в таблице ещё трижды — «Тинькофф» (13), «Т-Банк» (12) и «Тинькофф Бизнес» (6). Модели не понимают, что это одна компания, и размазывают её по четырём строкам.

Склеим их обратно — и картина переворачивается:

Банк, который порознь болтался на третьем месте, на деле — уверенный лидер ниши. Просто нейросети не дают ему «собраться»: каждый осколок конкурирует сам с собой. Для отдела маркетинга это выглядит так, будто бренд проседает в ИИ, хотя на самом деле он лидирует — данные просто разорваны.

Почему память моделей говорит «Тинькофф», а поиск — «Т-Банк»

Самое интересное — в разбивке по моделям. Мы посчитали, в скольких ответах каждая модель называет старое имя «Тинькофф» против нового «Т-Банк»:

Закономерность ровно та, о которой мы писали про два пути бренда в ответ. Модели, которые отвечают из памяти (ChatGPT, Claude, Gemini, DeepSeek), застряли на старом «Тинькофф» — оно зашито в их веса с обучения. А Perplexity, который ходит в живой поиск, использует только новое «Т-Банк», потому что видит свежие источники. Gemini — самый упрямый: ни разу не сказал «Т-Банк».

Вывод для любого, кто менял название: старое имя живёт в нейросетях ещё долго после ребрендинга. Пока в обучающие данные не натечёт достаточно нового имени, половина моделей будет звать вас по-старому — и дробить вашу видимость.

Это не только про Тинькофф

Мы проверили ещё две ниши тем же методом — паттерн повторяется.

CRM для бизнеса. «Битрикс24» (26 упоминаний) и латиницей «Bitrix24» (13) — это один продукт, расколотый написанием. Вместе — 39, чистое первое место. Порознь «Битрикс24» едва опережает RetailCRM (23) и amoCRM (21 + ещё 5 за «AmoCRM»).

Бухгалтерия для МСБ. Здесь раскол максимальный. «Контур» модели называют как «Контур» (16), «Контур.Эльба» (14), «Контур.Бухгалтерия» (19) и просто «Эльба» (11) — четыре имени одной экосистемы, в сумме 60 упоминаний. А «лидером» ниши выглядит «Моё дело» с 21. На самом деле Контур доминирует с трёхкратным перевесом — этого просто не видно в сыром срезе.

Почему так происходит

Для модели бренд — это не строчка в реестре, а сущность, которую она собирает из тысяч источников. Если в сети вы встречаетесь под разными именами — старым и новым, кириллицей и латиницей, с суб-брендами и без — модель не уверена, что это один объект, и заводит несколько. Дальше каждая «сущность» набирает упоминания отдельно. Чем сильнее разнобой в названии по сети, тем глубже раскол.

Что с этим делать

1. Сведите имя к одному виду везде — сайт, каталоги, соцсети, отзовики, справочники. Одно основное написание, один профиль деятельности.
2. После ребрендинга — переходный мостик. На авторитетных страницах прямо свяжите старое и новое имя: «Т-Банк (ранее Тинькофф)». Модели и их поиск подхватывают такие связки.
3. Свяжите сущность разметкой. Organization с полем sameAs, карточка в Wikidata, согласованные данные в справочниках — прямой сигнал машине «это всё мы».
4. Меряйте по всем вариантам имени, а не по одному. Иначе вы недооцениваете свою реальную видимость и принимаете раскол за провал.

Подробнее про механику — как попасть в ответы нейросетей, а если вас не называют вовсе — 7 причин почему.

Как это посчитано

Прозрачно про метод, чтобы цифрам можно было верить. Ниша «банки для ИП и самозанятых», 7 моделей (по одной актуальной версии от каждого вендора, маршрутизация через агрегатор), фиксированный набор органических запросов без названий брендов, 600 ответов, срез 29 мая 2026, собрано через getllmspy. «Упоминание» — факт называния бренда в ответе (без учёта длины и позиции). Выборка на модель невелика, поэтому по-модельные доли — это направление, а не точность до процента; общий паттерн раскола устойчив и виден во всех трёх нишах. Склейку сущностей делали вручную по очевидным совпадениям (старое/новое имя, написание, суб-бренды).

Частые вопросы

Откуда взяты данные?

Из реальных прогонов сервиса getllmspy: фиксированный набор запросов прогоняется по нескольким моделям, в ответах размечаются упоминания брендов. Это не опрос и не экспертная оценка — это то, что модели реально ответили 29 мая 2026.

Почему нейросеть зовёт компанию старым именем после ребрендинга?

Потому что старое имя зашито в веса модели на обучении, а новое ещё не накопилось в источниках. Модели на памяти отстают; модели с живым поиском переключаются быстрее. Разрыв виден прямо в данных: Perplexity уже говорит «Т-Банк», Gemini — всё ещё только «Тинькофф».

Как понять, расколот ли мой бренд в нейросетях?

Прогнать целевые запросы по нескольким моделям и посчитать упоминания по всем вариантам вашего имени сразу. Если сумма ощутимо больше, чем крупнейший отдельный вариант, — у вас раскол, и реальная видимость выше, чем кажется.