Трактир в центре Томска: аудит локального фундамента

Зачем это было нужно

Первый вопрос лаборатории был не «что отвечает нейросеть», а «что нейросеть вообще может узнать о заведении». У трактира в центре Томска есть сайт, карточки на картах, отзывы и упоминания в каталогах — и всё это складывается в цифровой след, по которому AI собирает свой ответ на запрос «где поесть в центре».

Если карточки заполнены наполовину, адрес на сайте не совпадает с адресом на карте, а отзывы остаются без ответов — рекомендовать заведение не из чего. Поэтому перед замерами видимости мы проверили фундамент: что именно видят карты, каталоги и краулеры.

Название бренда не раскрываем — в публичной версии значится как [зашифровано]. Данные и методика открыты, имя — нет.

Как был устроен инструмент

Аудит шёл по рабочей таблице из девяти разделов: карточки, отзывы, NAP, внешние упоминания, метрики, рекомендации, промпты, план улучшений и мини-стратегия на 30 дней. Часть подсчётов таблица делала сама: заполненность карточек в процентах, оценки карточек по шкале 0–10, индекс тональности отзывов, процент консистентности NAP и итоговый балл аудита 0–100.

Результаты окрашивались по трём уровням: зелёный — хорошо, жёлтый — требует внимания, красный — критично. Итоговый статус определял, какие задачи идут в план первыми.

Любопытная деталь: даже в этом первом инструменте нейросеть уже работала — как ассистент. В таблице были готовые промпты для сбора данных по карточкам, анализа отзывов, проверки NAP и составления списка каталогов. Но сам аудит нейросети не замерял: они подключились следом, в первом эксперименте.

Что проверяли

NAP-консистентность: почему это решает

NAP — название, адрес, телефон. Идеально, если все три поля совпадают на сайте и на каждой площадке. На практике у локального бизнеса почти всегда находятся расхождения: «ул. Ленина, 10» на сайте против «пр. Ленина, 10а» в каталоге, телефон с дефисами и без, название с кавычками и без.

Для человека это мелочь. Для нейросети, собирающей ответ из десятка источников, противоречивые данные — повод усомниться в сущности бренда. Хуже расхождений только пустота: если карточки нет вообще, ИИ не может рекомендовать бизнес в принципе.

Поэтому аудит начинался с самого скучного: сверки названия, адреса и телефона по всем источникам. Именно эта сверка потом стала частью технического чек-листа лаборатории.

Отзывы: не только рейтинг

Рейтинг — только верхний слой. В инструменте у каждого показателя работы с отзывами был порог, ниже которого ставилась пометка «требует внимания»:

Эти пороги не выдуманы по ходу: они потом подтвердились живыми замерами — при разборе ответов на отзывы в первом эксперименте слабые места оказались ровно там, где пороги предполагали: персонализация и призыв к действию.

Почему это фундамент видимости в нейросетях

Нейросети собирают локальные образы бизнеса с карт, справочников и отзовиков: как выглядит «где поесть в центре Томска» для Perplexity или Алисы AI — во многом зависит от того, что на карточках. Отдельная статья лаборатории разбирает этот слой подробно.

Важно и обратное: готовность ≠ видимость. Идеально заполненная карточка не гарантирует упоминания в ответах — это показал наш первый замер AI-видимости. Но без готовности видимость не работает: нейросеть либо не найдёт сигналов, либо исказит их.

Локальный аудит был первой ступенью этой логики: сначала убедиться, что фундамент есть и согласован, потом замерять, как фундамент видит нейросеть.

Рекомендации из кейса

План улучшений из таблицы — те же действия, которые мы теперь рекомендуем каждому локальному бизнесу перед замером видимости:

Сверьте свою карточку

Мини-версия проверки NAP из инструмента: введите данные с карточек в двух источниках (например, Яндекс Карты и 2ГИС) — проверка сравнит их без пробелов, дефисов, скобок и регистра.

Что из этого выросло

• Бесплатный мини-аудит — входная точка методики, доступная любому бренду.
• GEO-сканер Лайт и Полный — локальный блок (карточки, каталоги, отзывы) входит в замер наравне с AI-системами.
• Технический чек-лист из 20 проверок — сверка данных и разметки ушла в техслой.
• Первый эксперимент с пиццерией — следом за фундаментом лаборатория замерила, что нейросеть отвечает о бренде.
• Lab Protocol — правило, выросшее из учебных ошибок: честные ограничения и открытые исправления.

Ограничения и честность

• Это аудит готовности, а не замер видимости: нейросети в нём не опрашивались.
• Проверка фиксировала состояние карточек, NAP и отзывов на дату аудита — живые данные меняются.
• Название заведения не раскрываем; конкурентов не называем.
• Учебный материал: с сентября методика дорабатывалась, итоговые версии — в GEO-сканере и Lab Protocol.