Как ИИ переписывает ваш запрос до того, как начнёт искать

Между вопросом пользователя и ответом ИИ есть невидимый шаг. Прежде чем что-то найти, модель переписывает запрос: добавляет слова, которых пользователь не вводил, меняет интонацию, переформулирует намерение. В поиск уходит не то, что человек напечатал, а то, что модель решила искать вместо него. Этот слой никто не видит, но именно он решает, кто попадёт в шорт-лист. И это заложенный механизм, а не побочный эффект: рецензируемое исследование Query Rewriting for RAG описывает схему «переписать — найти — прочитать», в которой LLM сначала переформулирует запрос и только потом идёт в поиск.

GolOps замерил этот слой. 37 662 уникальные пары «запрос пользователя → запрос ИИ», 664 наблюдаемых бренда. Источник данных — фактические поисковые запросы, которые ИИ-системы генерируют, обрабатывая реальные промпты. Не синтетический бенчмарк, а production-поведение.

Ключевые находки

0,25% — точное совпадение. Лишь каждый четырёхсотый запрос уходит в поиск ровно тем, что напечатал пользователь. В остальных 99,75% случаев ИИ ищет переписанную версию.

33,5% — полная замена. Каждый третий запрос переписан так, что у исходного промпта и поискового запроса нет ни одного общего слова. Контент, который точно отвечал на вопрос пользователя, не имеет шанса совпасть с тем, что реально ушло в поиск.

26,2% — среднее пересечение. В среднем запрос ИИ сохраняет лишь четверть слов исходного промпта. Три четверти намерения переписываются по дороге.

+42% — расширение запроса. Средний промпт в 9,0 слова превращается в запрос из 12,8 слова. Каждое добавленное слово — ещё один фильтр, который ваша страница обязана пройти.

Насколько сильно ИИ меняет ваши слова

Степень переписывания распределена не равномерно. GolOps разложил все 37 662 пары по уровню пересечения слов (мера Жаккара):

Две верхние строки — полная и значительная переписка — это 62,5% выборки. На почти точное совпадение, при котором страница под формулировку пользователя ещё имеет шанс совпасть, приходится 1,8%. Отбор идёт не по словам пользователя, а по машинной интерпретации этих слов.

Исследователи показали, что простой парафраз промпта может давать до 100% расхождения в том, какие бренды попадают в рекомендацию — сдвиг, невидимый для пользователя. Когда ИИ ещё и переписывает запрос перед поиском, эффект на видимость бренда накапливается. Тот же разброс мы видим и между моделями: Один вопрос, разные ИИ, разные ответы. Модели совпадают в 4% случаев.

Какие слова ИИ добавляет

ИИ не только перефразирует вопрос — он впрыскивает слова, которых пользователь не вводил вовсе. Google официально называет это query fan-out: AI Mode разбивает вопрос на подтемы и сам отправляет несколько поисковых запросов от имени пользователя. Всего GolOps насчитал 77 068 инъекций при 50 уникальных добавленных словах. Эти добавки определяют, какие результаты появятся и какие бренды попадут в шорт-лист.

Лидеры инъекций — «brands», «companies», «best», «list», «top». ИИ заранее предполагает, что пользователь хочет ранжированную подборку, даже если тот задал простой вопрос. Следствие прямое: если ваш контент не содержит слов «best», «top» и текущего года, он может не совпасть с запросами, которые ИИ реально отправляет в поиск, — даже когда исходный промпт пользователя идеально описывает ваш продукт.

Впрыск года

Отдельный механизм — добавление года. GolOps зафиксировал 6 645 инъекций года на 37 662 запроса: ИИ дописывает текущий или недавний год в 17,6% случаев.

Запрос «лучшая CRM-система» уходит в поиск как «лучшая CRM-система 2026» — даже когда пользователь не просил свежих результатов. На один год — 2025 — приходится 71% всех инъекций. Это смещение к свежести ставит на ваш контент невидимую дату истечения: страница без упоминания года может быть отфильтрована, даже если она по сути вечнозелёная.

Бренды, которые ИИ придумывает

Запрос «лучший инструмент email-маркетинга» превращается у ИИ в «Mailchimp vs Klaviyo email marketing comparison». Модель не только ищет ответ — она вставляет названия брендов, которых пользователь не упоминал. Это происходит более чем в одном из десяти запросов: обучение на сравнительном контенте заставляет ИИ достраивать брендовые поиски даже на родовой вопрос.

Чаще всего в запросы попадают: google, microsoft, ibm, oracle, sap, intel, square, vanguard, accenture, hubspot. Это бренды, доминирующие в сравнительном контенте — в tech, SaaS, e-commerce. Они появляются в поисковых запросах ИИ, даже когда исходный промпт не содержал ни одного упоминания бренда. Поле выбора заполняется именами ещё до того, как модель начала искать, и место в нём занимают те, кого сравнительный контент уже закрепил.

Списки вместо вопросов

Простой вопрос «хорошие инструменты управления проектами» ИИ переписывает в формат-специфичный поиск — «best project management tools list 2026». Формат-ключи добавляются в 54% запросов; всего GolOps выделил 11 таких ключей.

Три ключа — «best», «list», «top» — вместе встречаются более чем в половине формат-инъекций. Это даёт структурное преимущество сравнительному контенту. Даже когда пользователю нужен конкретно ваш продукт, ИИ ищет «best X list» — список, где вы стоите рядом с конкурентами либо отсутствуете вовсе.

Вопросы превращаются в ключевые слова

Пользователи задают вопросы. ИИ ищет ключевые слова. 37,8% промптов сформулированы как вопросы (14 236 из 37 662). В поисковых запросах вопросов остаётся 0,22% — 82 из 37 662. Сокращение формата вопроса — в 174 раза.

Когда пользователь спрашивает «What's the best way to…», ИИ убирает знак вопроса, выбрасывает служебные слова и собирает плотный ключевой поиск. Разговорная интонация исчезает целиком: «What's the best project management tool for remote teams?» становится «project management tools remote teams 2026 comparison». FAQ-контент, написанный под живые вопросы, не совпадает с тем, что ИИ реально отправляет в поиск, — даже когда вопрос пользователя точно описывает ваш продукт.

Аудитория, которую ИИ домысливает

Пользователь спрашивает «лучшая CRM-система». ИИ ищет «лучшая CRM для стартапов» или «лучшая CRM для малого бизнеса» — приписывая аудиторию, которую никто не указывал. GolOps насчитал 427 таких фабрикаций аудитории.

Эта неявная сегментация решает, какой контент появится. Если ваши страницы заточены под «enterprise», а в запросы подставляется «for small business», вы становитесь невидимы — независимо от того, насколько вы на самом деле релевантны. И наоборот. Пользователь не выбирал аудиторию — за него это сделала модель.

Язык переключается на английский

Когда пользователь спрашивает по-французски, по-испански или по-японски, ИИ часто переводит запрос на английский перед поиском. В исходных промптах неанглийских — 7,0% (2 639 из выборки). В поисковых запросах их остаётся 2,5%.

«Meilleurs restaurants Paris pour dîner romantique» уходит в поиск как «best romantic dinner restaurants Paris». «日本の最高のラーメン店はどこですか» — как «best ramen shops Japan location». Это создаёт скрытое смещение в сторону англоязычного контента в ответах ИИ — независимо от того, где находится пользователь и на каком языке он спросил. Для тех, кто работает на неанглоязычных рынках, отсутствие англоязычных версий ключевого контента означает выпадение из выбора там, где пользователь спросил на родном языке.

Запрос растёт в длину

ИИ не только перефразирует — он расширяет. Средний промпт в 9,0 слова превращается в запрос из 12,8 слова: +3,8 слова, или +42%. Расширяются 55,9% запросов.

Чем длиннее запрос, тем выше специфичность — и тем больше шансов, что ваш контент не совпадёт. Каждое добавленное слово — ещё один фильтр, через который страница обязана пройти, чтобы попасть в результаты. Расширение в 4 раза вероятнее сокращения.

Методология

Что лежит в основе цифр:

• 37 662 пары «промпт → запрос» — уникальные пары после дедупликации, все из фактического поискового поведения ИИ-систем при обработке реальных промптов. Синтетические бенчмарки в выборку не входят.
• 664 наблюдаемых бренда — выборка по отраслям и размерам, от глобальных корпораций до средних B2B-игроков.
• Источник запросов — современные большие языковые модели с веб-поиском, развёрнутые в production-интерфейсах.
• Анализ — токенизация на уровне слов, мера пересечения Жаккара, сопоставление по паттернам (инъекции года, фабрикация бренда и аудитории, формат-ключи).

Мы измеряем не теоретическую способность модели, а тот запрос, который она реально отправила в поиск, обрабатывая живой промпт.

Что это значит для компании

ИИ почти никогда не ищет вашими словами. Точное совпадение — 0,25%, среднее пересечение — 26%, а каждый третий запрос переписан до нуля общих слов. Между вопросом покупателя и поиском стоит слой, который дописывает «best», «top» и текущий год, подставляет бренды конкурентов и домысливает аудиторию. Вопрос переписывают по дороге, и компания, чей контент не совпадает с переписанной формулировкой, выпадает уже на первом отборе — независимо от того, насколько она релевантна по сути.

Этот слой нельзя оптимизировать вслепую: его нужно измерить — какие запросы ИИ реально генерирует по вашим сценариям, какие слова впрыскивает, кого ставит на ваше место. Именно это берёт под управление GolOps. Мы фиксируем позицию компании в поле выбора через Индекс Контроля Выбора, разбираем формирующие её сценарии и переписанные запросы, переводим замер в приоритизированный план и подтверждаем коммерческий эффект повторным измерением. Стратегический пилот закрывает первый цикл за 10–12 недель; Центр Управления держит этот контур постоянно на семи ИИ-системах.

Времени на раскачку нет. Gartner прогнозирует, что к 2028 году 90% B2B-закупок пойдут через автономных ИИ-агентов, а Semrush уже фиксирует конверсию из ИИ-каналов в 4,4 раза выше, чем из органического поиска. Покупатель видит готовую рекомендацию и не подозревает, что вопрос переписали, — а пока ИИ сохраняет ваши слова лишь в 0,25% запросов, каждый квартал без управления этим слоем стоит вам решений, принятых по запросу, который вы так и не увидели: 99,75%.

Переписанный запрос — лишь половина истории; вторая половина начинается, когда ИИ-краулер приходит за вашим контентом:

Когда ИИ приходит на ваш сайт. Анатомия 600 000 визитов краулеров

Запросить стратегическую диагностику → · Обсудить пилот →