Аналитик данных, пожелавший остаться анонимным, впервые в Казахстане провёл количественное исследование видимости банков в ответах генеративных нейросетей. В течение нескольких вечеров он собрал и обработал 902 ответа от ChatGPT, Claude, Perplexity, Gemini и Алисы, задавая им вопросы о банковских продуктах и услугах. Свою методологию и результаты он опубликовал на Хабре, сопроводив их кодом на Python и формулами, чтобы любой желающий мог воспроизвести замер и проверить цифры. Автор подчёркивает, что в 2026 году выбор банка всё чаще происходит не через поисковую выдачу, а через диалог с ИИ, который формирует короткий список из трёх-четырёх рекомендаций, и попадание в этот список становится критичным для финансовых организаций. Это первая работа такого рода в Казахстане, и она задаёт ориентир для дальнейших исследований в регионе.

Основой исследования стал официальный реестр Нацбанка Казахстана, включающий 23 действующих банка второго уровня. Для каждого банка автор составил набор регулярных выражений для идентификации в тексте ответов, а также указал официальный домен. Отдельная сложность возникла с иностранными дочками, такими как Ситибанк Казахстан, чьё название совпадает с глобальным брендом, что могло бы привести к ложным срабатываниям при анализе цитируемых источников. Для таких банков было добавлено дополнительное условие по пути в URL, например, требование наличия сегмента /kazakhstan в ссылке. Без этой детали один из банков мог бы необоснованно возглавить рейтинг цитируемости, что исказило бы результаты. В ростере каждый банк описывался набором алиасов и доменом, а для иностранных дочек — флагом foreign и cite_path, что позволило избежать ошибок при подсчёте упоминаний.

Вопросы для замера были разделены на три группы: без упоминания конкретного банка (например, «топ банков Казахстана 2026»), прямые сравнения лидеров («Kaspi или Halyk для повседневных расчётов») и фундаментальные запросы по каждому банку (описание, официальный сайт, продукты, новости). Первые две группы прогонялись по три раза для оценки стабильности ответов, тогда как ChatGPT с веб-поиском, из-за высокой стоимости, использовался однократно. Для сбора ответов автор применял единый OpenAI-совместимый клиент через сервис aitunnel для четырёх моделей, а Алису опрашивал напрямую через Yandex Search API с указанием региона Казахстан. Из каждого ответа извлекались не только тексты, но и списки источников, на которые опиралась модель, что позволило построить метрику цитируемости. Автор отмечает, что извлечение источников потребовало учёта особенностей каждой модели: у ChatGPT ссылки лежат в annotations, у Perplexity — в citations, поэтому пришлось писать универсальную функцию extract_sources, собирающую оба варианта.

Результаты показали, что видимость банков в ИИ-ответах существенно различается в зависимости от модели и типа вопроса. Например, в небрендовых запросах ответы моделей «гуляют» от прогона к прогону, что делает единичный замер недостаточно надёжным. Автор отмечает, что регуляторные рейтинги, основанные на активах и надёжности, не учитывают этот новый аспект присутствия в рекомендациях нейросетей, что создаёт слепую зону для банковского маркетинга. Вместе с тем, предложенная методология позволяет воспроизводимо оценивать эффективность «новой полки в магазине», как автор называет ИИ-рекомендации, и может быть адаптирована для других рынков и отраслей. Важно, что автор опубликовал не только результаты, но и код с формулами, что позволяет другим исследователям проверить его выводы и применить подход к своим данным.

Для российского рынка, где также активно развиваются ИИ-ассистенты и банковские приложения, подобные замеры особенно актуальны. Российские банки уже сталкиваются с необходимостью учитывать рекомендации Алисы, GigaChat и других моделей, однако систематических исследований видимости пока мало. Опыт казахстанского коллеги демонстрирует, как можно построить надёжный инструмент мониторинга, используя открытые данные и недорогие API. Реакция отрасли, судя по комментариям на Хабре, была заинтересованной: читатели задавали вопросы о деталях реализации и предлагали расширить выборку моделей и языков. Автор планирует продолжить исследование, добавив анализ тональности ответов и оценку влияния рекламных интеграций на рекомендации. Это особенно важно, поскольку модели могут учитывать спонсируемые источники, что искажает объективную картину.

В целом, работа поднимает важный вопрос о прозрачности ИИ-рекомендаций и их соответствии реальному положению дел на рынке. Пока неясно, как модели формируют свои шорт-листы и какие источники они считают авторитетными, банкам сложно выстраивать стратегии продвижения. Открытый код и методология автора — первый шаг к созданию независимого аудита ИИ-видимости, который может стать стандартом для финансового сектора в СНГ. В перспективе такие замеры могут быть востребованы не только банками, но и регуляторами для оценки добросовестности ИИ-рекомендаций, а также маркетплейсами и ритейлерами, зависящими от голосовых ассистентов и чат-ботов. Однако остаются открытые вопросы: как учитывать мультиязычность и региональные особенности, как бороться с галлюцинациями моделей и как обеспечить стабильность результатов при изменении алгоритмов самих нейросетей. Ответы на них появятся по мере накопления данных и развития самих ИИ-систем.