Автор Telegram-канала «Бурый», посвящённого искусственному интеллекту, провёл масштабное исследование видимости русскоязычных каналов о нейросетях в ответах языковых моделей. Поводом стала гипотеза, что популярность канала в подписчиках не гарантирует его узнаваемость в ИИ, и эксперимент это подтвердил. Используя шесть моделей — ChatGPT, Claude, Perplexity, Gemini, а также Алису и GigaChat — автор задал более 950 запросов по 21 каналу, оценивая, насколько часто модели спонтанно рекомендуют их или узнают по названию и адресу. Метрика скоринга включала два компонента: узнавание (recognize) и спонтанную рекомендацию (recommend), итоговый балл рассчитывался как 0,7 от узнавания плюс 0,3 от рекомендации, что дало шкалу от 0 до 100. Средний индекс по выборке составил всего 58 из 100, а разрыв между лидером и аутсайдером достиг почти шестикратного значения.

Самым неожиданным результатом стало то, что только один канал из 21 стабильно всплывал в ответах на вопросы без указания имени — за ним стоит публичная фигура, экс-инженер крупной ИИ-команды, часто упоминаемая вне Telegram. Остальные каналы модель прекрасно узнавала при прямом вопросе, но в готовые списки рекомендаций не включала, что указывает на принципиальное различие между пассивным узнаванием и активным продвижением. Корреляция между числом подписчиков и итоговым баллом оказалась крайне слабой: канал с 6 тысячами подписчиков набрал 70 баллов, а канал с 53 тысячами — только 48, а собственный канал автора с 18 тысячами получил лишь 16 баллов. Это подтверждает гипотезу о том, что видимость в моделях определяется не размером аудитории, а плотностью упоминаний вне Telegram.

Техническая сторона эксперимента включала три типа запросов: без названия канала (проверка спонтанной рекомендации), по адресу канала (проверка узнавания по идентификатору) и по голому названию (проверка коллизий). Каждый вопрос задавался в нескольких формулировках, а часть прогонялась многократно, чтобы исключить случайные галлюцинации. Разметка ответов производилась вручную по смыслу, а не по вхождению строк, что позволило точнее фиксировать случаи, когда модель узнавала канал, но не называла его хэндл, или наоборот. Регулярные выражения использовались только для выявления очевидных коллизий, которые оказались ключевым фактором в режиме «по голому названию». Например, «Бурый» интерпретируется как бурый медведь или оттенок цвета, а «Complete AI» — как курс на Udemy или общее словосочетание.

Коллизии названий стали отдельной проблемой: при отсутствии достаточных данных о канале модель подставляет самое частотное значение слова из корпуса. С авторами ситуация аналогична: распространённые имена и фамилии приводят к путанице с однофамильцами — врачами, спортивными комментаторами или политиками. Редкие фамилии, напротив, распознаются верно. Это объясняется тем, что Telegram закрыт для веб-краулеров, и модели черпают информацию только из внешних источников — статей, СМИ, подборок и Википедии, где упоминания канала могут быть минимальными. Для российского рынка это означает, что авторам каналов нужно активнее работать над внешним цифровым следом — публиковаться в СМИ, участвовать в конференциях и создавать контент, который индексируется поисковиками.

Сравнение с альтернативами показывает, что традиционные методы продвижения — наращивание подписчиков и взаимные репосты — неэффективны для узнаваемости в ИИ. Каналы с узкой нишей и сильным внешним присутствием автора выигрывают у многотысячных, но изолированных проектов. Например, канал с 6 тысячами подписчиков, но с автором, который часто цитируется в профессиональных изданиях, получил высокий балл, тогда как канал с 53 тысячами, но без заметного внешнего следа, провалился. Контекст исследования важен для понимания рынка: русскоязычные каналы об ИИ активно развиваются, но их видимость в глобальных моделях остаётся низкой из-за недостатка внешних ссылок. Доля русскоязычных данных в обучении моделей и наличие живого веб-поиска — два фактора, которые сильнее всего влияют на то, знает ли модель локального автора.

Для российского рынка ИИ это исследование имеет особое значение, поскольку оно вскрывает структурное неравенство между глобальными и локальными источниками знаний. В отличие от англоязычных каналов, которые часто цитируются в международных СМИ и научных публикациях, русскоязычные авторы сталкиваются с двойным барьером: их контент реже индексируется западными поисковиками, а сами модели, обученные преимущественно на английском корпусе, хуже распознают специфические русскоязычные термины и контексты. Эксперимент показал, что даже популярные каналы с десятками тысяч подписчиков могут оставаться «невидимыми» для ИИ, если их авторы не имеют заметного цифрового следа за пределами Telegram. Это ставит под вопрос эффективность традиционных стратегий продвижения, ориентированных только на внутреннюю аудиторию мессенджера.

Перспективы исследования открывают вопросы о том, как модели будут эволюционировать в распознавании локального контента. Пока что авторам каналов об ИИ приходится учитывать коллизии названий и активно строить внешнюю репутацию, чтобы попадать в рекомендации. Возможно, в будущем модели научатся лучше различать контексты, но пока эксперимент показывает, что даже популярные каналы могут оставаться «невидимыми» для ИИ, если их авторы не имеют заметного цифрового следа за пределами Telegram. Дополнительные материалы, такие как поиск по коротким аудиофрагментам, указывают на растущий интерес к мультимодальным задачам, но для текстовых рекомендаций проблема остаётся актуальной. Открытым остаётся вопрос, как модели будут адаптироваться к растущему объёму русскоязычного контента и смогут ли они преодолеть ограничения закрытых платформ, таких как Telegram.