Как решить проблему цифрового “тезки”: кейс по нейросетям

За три месяца научили нейросеть “Алису” отличать страховую компанию от зарубежного сервиса. Разбираем, как GERM решает путаницу в названиях брендов.

Страховая компания “Ю-Лайф” работает на рынке с 2006 года. Ее специализация — страхование жизни и здоровья. В этом сегменте репутация всегда влияет на решение о покупке полиса, а клиенты внимательно изучают отзывы перед обращением.

Когда мы начинали работать, по запросу “юлайф отзывы” нейросеть Яндекса не идентифицировала тематику страхования. Система выдавала данные о зарубежном YuLife — приложении для корпоративных оздоровительных программ.

Генеративный ответ описывал функционал приложения: подсчет шагов, медитации, баллы за активность. Основными источниками были G2.com и Glassdoor, площадки с отзывами о зарубежном сервисе. Тональность смешивала преимущества приложения с техническими проблемами.

То есть страховая компания получила чужую репутацию в GEO выдаче (от англ. Generative Engine Optimization — оптимизация для генеративных систем). Пользователь, ищущий информацию о страховании, видел контент о медитациях. А отсутствие релевантных характеристик не помогало принять решение о покупке полиса.

Нейросеть формирует ответ на основе частоты упоминаний, контекста источников и интента (от англ. intent — намерения) запроса. При неуникальном названии система собирает сигналы от всех брендов с похожим именем.

В нашем случае “Алиса” находила данные об обеих компаниях. Но у зарубежного YuLife было больше упоминаний на международных площадках. Это и перевешивало при формировании ответа.

Так что полнота карточек на российских площадках — необходимое, но недостаточное условие. Для корректной идентификации нужна совокупность сигналов: релевантные источники, системные упоминания, повторяемость профильных характеристик.

Аудит и стратегия

Сначала мы проанализировали запросы и источники генеративного ответа. Определили, где кроется проблема смешения. А затем — сформировали план по площадкам и типам контента. Так, алгоритмы берут данные из профильных отзовиков (Банки.ру), крупных геосервисов (Яндекс Карты) или целого ряда справочников.

В результате оптимальная комбинация ресурсов для нейросетей выглядит так:

Расширение присутствия

Оптимизировали карточки на 12 целевых ресурсах. А затем стимулировали клиентов оставлять содержательные отзывы с акцентами на нужных характеристиках. Всего за время работы собрали более 100 сообщений от клиентов.

Работа с картой характеристик

Чтобы сосредоточить внимание нейросети, сфокусировались на четырех направлениях: конструктор полисов, удобство сервисов, сопровождение при страховом случае, специализированные программы.

Мониторинг

Ежемесячно отслеживали изменения в выдаче. Корректировали работу в зависимости от характеристик, которые ИИ подтягивает в ответ. Модерировали проблемный контент по правилам площадок.

К маю 2026 года в генеративном ответе по запросу “юлайф отзывы” полностью исчезли ссылки на зарубежный сервис и отзывы о медитациях. Теперь в качестве источников числятся 2ГИС, Otzovik, Zoon, Яндекс Карты и другие российские сайты. А сам алгоритм подтягивает отзывы о настройке полиса, онлайн-оформлении, выплатах, программах для пожилых и спортсменов

Появились первичные характеристики (конструктор полисов, организация помощи) и вторичные (удобство кабинета, специализированные программы).

Как изменилась аспектная карта в нейросетях

При этом ответ остался сбалансированным. В нем сохраняются умеренные минусы: годовой срок полиса, высокий порог входа в накопительные программы, фиксированные выплаты по таблице травм. Такая картина воспринимается как более достоверная.