Кейс агентства EpicCenter об улучшении репутации бренда работодателя в ответах нейросетей (GEO-оптимизация).

Заказчик проекта: производственная компания (NDA — договор о неразглашении).

Задача проекта: исправление репутации работодателя в ответах нейросетей.

Сложная ситуация на старте проекта

Воронка найма у производственной компании разрушалась на этапе, который никто не контролировал. Вакансии публиковались, зарплаты соответствовали рынку, рекрутеры выходили на кандидатов — но отклики падали. Причину нашли случайно: кандидат рассказал, что перед собеседованием спросил у ChatGPT, стоит ли идти в эту компанию, и получил развёрнутое предупреждение.

Проверка трёх генеративных систем — ChatGPT, Алисы и Gemini — подтвердила масштаб. Каждая из них опирается на свой пул источников: одна больше индексирует отзовики, другая — новостные агрегаторы, третья — форумы и блоги. Но результат совпал: пять из шести проверяемых ответов содержали предупреждения о задержках зарплат, конфликтах с руководством и сокращениях. Не единичная галлюцинация, а устойчивый паттерн, воспроизводимый в разных моделях.

С точки зрения маркетинга произошло следующее: в воронке найма появился новый фильтр, и компания его проиграла. ИИ-ассистенты сформировали мнение о работодателе раньше, чем рекрутер успел набрать номер.

Задача агентства

Нейросети не публикуют контент — они агрегируют и пересказывают то, что нашли в открытых источниках. Задача формулировалась не как «продвинуться в ChatGPT», а как работа с GEO (видимость в ответах нейросетей)/AEO (видимость в ответах поисковых систем) каналами: изменить информационную базу, на которую опираются модели, и подтвердить эффект контрольным замером.

Решение

Методология строилась по принципу «замер — вмешательство — контрольный замер». На старте зафиксировали группу HR (кадровых)-вопросов, ответы трёх систем и источники, на которые они ссылались. Это дало измеримую точку отсчёта.

Анализ источников показал механику: сотни негативных отзывов на HR-площадках (кадровых), многократно скопированных агрегаторами. Один и тот же отзыв, продублированный на четырёх ресурсах, для нейросети выглядит как четыре независимых подтверждения проблемы. Плюс несколько старых публикаций, которые модели ранжировали высоко из-за объёма и детализации.

Работа шла в двух направлениях. Удаление контента, нарушающего правила площадок, — более трёхсот отзывов. Параллельно — создание новой информационной базы: экспертные материалы, публикации в отраслевых СМИ, корпоративный блог. Цель — не «забить позитивом», а дать моделям свежие, авторитетные источники, которые отражают актуальное состояние компании.

Через три месяца провели контрольный замер по тем же вопросам в тех же системах. Сравнение с исходной точкой показало результат.

Результаты

Ноль негативных ответов из шести — канал, который транслировал антирекомендацию, стал нейтральным. Модели перестроили ответы на основе обновлённых источников.

В контексте маркетинга результат означает, что GEO/AEO-канал (ответы в нейросетях и поисковиках) перестал работать против воронки найма. Это не гарантия навечно: ответы нейросетей зависят от обновлений моделей и появления новых публикаций. Мониторинг продолжается — как и у любого маркетингового канала, у GEO/AEO (ответов ИИ) есть метрики, которые нужно отслеживать.

Ключевые цифры:

— 5 → 0 из 6 | ответов с антирекомендацией

— 300+ | устаревших отзывов удалено из источников

— 3 месяца | цикл «замер — работа — контрольный замер»

— 3 системы | ChatGPT, Алиса, Gemini

Нейросети уже стали частью воронки — и найма, и продаж. Вопрос не в том, используют ли ваши кандидаты или клиенты ChatGPT и Алису, а в том, что именно они там читают о вас. Если вы ещё не проверяли, начните с аудита. Это занимает меньше времени, чем последствия.