Нейросети при выборе банка чаще ориентируются на популярность бренда

Исследовательский центр Sidorin Lab и BrandFound изучили, какие банки нейросети чаще рекомендуют пользователям и на какие источники опираются при формировании ответов. Результаты показывают: при выборе мобильного банка ИИ заметно чаще называет привычные и популярные бренды.

У российских банков сегодня фактически формируются две параллельные репутации. Первая складывается из реального опыта клиентов — удобства приложения, его стабильности и качества поддержки. Вторая формируется в информационном поле, которое видят нейросети, — на основе обзоров, рейтингов, справочных материалов и других открытых источников.

В AI-выдаче доминируют крупнейшие игроки: на Сбер приходится 37,1% доли голоса, на Т-Банк — 21,1%, на ВТБ — 16,1%, на Альфа-Банк — 11,1%. Вместе четыре банка получают 85,4% всех упоминаний. Еще около 11% приходится на семь банков среднего сегмента, тогда как более 40 банков практически не появляются в ответах нейросетей.

При этом данные аналитики социальных медиа показывают другую картину. Например, Совкомбанк имеет всего 11% негативных упоминаний, однако в AI-выдаче остается практически незаметным — его доля составляет лишь 0,6%.

Исследование показывает, что нейросети в первую очередь агрегируют опубликованную информацию: обзоры, рейтинги, справочные статьи и другие материалы из открытых источников. В результате у лидеров формируются устойчивые информационные образы. Сбер ассоциируется с принципом «все в одном месте», Т-Банк — с удобством и ярким дизайном, Альфа-Банк — с высокими позициями в рейтингах юзабилити, ВТБ — с масштабом и стабильностью.

Таким образом, при выборе банка и банковского приложения нейросети во многом воспроизводят уже сложившийся информационный образ бренда. На рекомендации могут влиять не только характеристики продукта, но и известность банка, его присутствие в информационном поле и объем доступного для ИИ контента.

Как отмечает Наталия Кладова, руководитель исследовательского центра Sidorin Lab, у банковского приложения фактически существуют две репутации, которые формируются независимо друг от друга. Первая основана на реальном опыте клиентов и проявляется в соцсетях, отзовиках и форумах. Вторая складывается в нейросетях и зависит от частоты упоминаний, наличия структурированного контента, попадания в независимые рейтинги и справочные материалы.

По словам Кладовой, проблема в том, что эти два контура почти не синхронизированы. Нейросеть транслирует не текущее состояние продукта, а его репутационный «слепок» из открытых источников — зачастую усредненный и нечувствительный к свежим проблемам, например росту жалоб или участившимся сбоям.

Кладова считает, что для рынка это означает изменение привычных правил работы с репутацией. Одной работы с соцмедиа и клиентским опытом уже недостаточно: банкам необходимо понимать, как бренд выглядит в AI-слое, и синхронизировать эти две картины.

Еще один вывод исследования связан с концентрацией AI-выдачи вокруг нескольких крупных банков. В 24% ответов нейросети вообще не называют конкретный банк. В остальных случаях основная доля внимания приходится на крупнейших игроков рынка.

Результат зависит и от конкретной платформы. В Google Gemini, Google AI Mode, GigaChat и чате с Алисой более половины выдачи приходится на Сбер. В ChatGPT и Grok лидирует Т-Банк. DeepSeek и Perplexity дают более разнообразные ответы: они упоминают от 38 до 41 банка, поэтому у игроков среднего сегмента здесь больше возможностей попасть в поле зрения пользователя.

Универсального рейтинга банковских приложений в нейросетях сегодня, таким образом, нет. Позиция банка зависит от его присутствия в открытых источниках и особенностей конкретной AI-платформы.

Василий Кошкин, руководитель отдела DAO СберМаркетинга, отмечает, что классическая работа с сайтом и репутацией действительно влияет на ранжирование бренда в ИИ, однако не всегда является определяющим фактором. По его словам, важную роль играет специфика работы самих нейросетей, поэтому для бизнеса становится актуальным не только вопрос развития бренда в ИИ, но и измерения эффекта от такой работы.

Таким образом, привычного мониторинга соцсетей, отзывов и клиентского опыта для оценки репутации банка становится недостаточно. Бренд может иметь сильную репутацию среди реальных пользователей, но оставаться практически невидимым для нейросетей. И наоборот — закрепившийся в открытых источниках образ может продолжать влиять на ответы ИИ даже после изменения актуального клиентского опыта.

Для банков это означает появление дополнительного уровня работы с репутацией: важно учитывать не только то, что говорят пользователи, но и то, какой образ бренда складывается в ответах нейросетей и на каких источниках он основан.