Не меньше 85% ресторанов невидимы для ИИ. Мы измерили целый рынок, чтобы понять почему.

Наше исследование опубликовано на arXiv: Invisible to the Machine: Auditing AI Restaurant, Cafe, and Bar Recommendation Against a Complete Market Census. Насколько нам известно, это первый в мире аудит ИИ-рекомендаций заведений на полном рынке: не выборка известных брендов, а каждое кафе, ресторан и бар двух рынков — против четырёх ассистентов, которыми пользуются ваши гости.

Эта статья — пересказ результатов простыми словами, вывод за выводом, с графиками. А если окажется полезной — полный отчёт разбирает каждый раздел глубже, бесплатно.

Как мы измеряли — и почему цифрам можно верить

Большинство исследований ИИ-видимости проверяют горстку известных брендов и сообщают, кто выше. Так можно узнать, кто выиграл, — но не сколько проиграло: поле никто не пересчитывал. Мы пошли от обратного, и именно это решение делает возможной каждую цифру исследования.

Сначала мы пересчитали всех. Каждое кафе, ресторан и бар большого Чангу и большого Убуда — 4 776 заведений, у каждого публичный профиль: рейтинг, число отзывов, сайт, уровень цен, часы работы. Этот реестр и делает слово никогда измеримым.

Мы спрашивали так, как спрашивают настоящие гости. Никто не печатает «лучший ресторан Чангу». У запроса всегда есть контекст: бюджет, компания, ограничения в еде, ноутбук и Wi-Fi. Мы описали восемь гостей — цифровой кочевник, пара на свидании, деловой ужин, экономный бэкпекер, семья с детьми, веган, кофейный ценитель, ночная компания — и дали каждому по шесть формулировок в обоих районах: 96 фиксированных вопросов, написанных и замороженных до начала исследования и опубликованных в статье дословно — чтобы нельзя было тихо подправить вопрос под результат.

Мы спрашивали много раз, у четырёх систем. ChatGPT, Claude, Gemini и Perplexity — каждая в живой форме с доступом к поиску, как отвечают их приложения, — семь дней подряд, а через две недели повторили, чтобы проверить, держится ли картина. Держится. Получилось 2 208 ответов и 12 439 упоминаний заведений, и каждое сомнительное совпадение мы сверили с реестром вручную.

1 407 600 шансов быть рекомендованным. Таков размер вопроса, который мы задали данным: каждое заведение, против каждого запроса, в каждом повторе.

Эти 1.4 миллиона — статистическая рамка: каждое заведение при каждом вопросе в каждом прогоне либо появилось в ответе, либо нет. Именно она позволяет говорить, что фактор повышает ваши шансы при прочих равных, а не показывать на несколько успешных заведений и угадывать, что у них общего.

А потом мы попытались сломать собственные выводы. Каждый главный результат пересобран ещё тремя способами: вторая, независимая статистическая модель с другими допущениями согласилась с основной по всем девяти факторам; бутстреп из 500 прогонов на перевыборках вопросов почти не сдвинул оценки; три проверки на чувствительность — убрать самую шумную ИИ-систему, оставить только самые надёжные совпадения имён, поменять определение исхода — не изменили ни одного вывода. Извлечение и сопоставление названий проверены независимой ручной разметкой: точность 97.6%, полнота 99.1%. Эти показатели ошибок тоже опубликованы.

Мы — компания, которая делает софт для видимости, и пишем про видимость, поэтому скажем очевидное сами: именно поэтому исследование лежит на arXiv, а не в маркетинговом посте. Оно открыто — любой может прочитать метод, проверить цифры и сказать, что мы неправы.

Вывод 1: большей части рынка для ИИ просто не существует

В 2 208 ответах четыре системы дали 9 791 рекомендацию — и раз за разом возвращались к одному и тому же узкому кругу. Хоть раз рекомендованы были только 689 из 4 776 заведений. Остальные 85.6% не были названы ни разу — ни одной системой, ни в одном ответе, всю неделю.

Очевидное возражение: может, невидимые — это лотки и точки-призраки, которые никто и не стал бы советовать? Мы проверили. Среди заведений хотя бы с пятьюдесятью отзывами Google — настоящий бизнес с настоящими гостями — ни разу не рекомендованы 72.6%. Невидимость не фильтрует по качеству: под ней и большая часть нормального рынка.

И 85.6% — это нижняя граница, а не громкий заголовок. Мы придирчиво проверили собственную перепись: сверили её с независимым набором данных о заведениях, вручную разобрали расхождения и использовали сами ИИ как проверку — заведение, которое они могли бы назвать, а мы пропустили, всплыло бы как несовпавшее упоминание. Каждая найденная ошибка счёта двигает истинную долю вверх, а не вниз. При самом широком разумном определении рынка она превышает 92%.

А вот над чем стоит задуматься. Среди видимых 689 нет картеля: самое рекомендуемое заведение всего исследования держит лишь 1.9% рекомендаций, а первая пятёрка вместе — меньше 8%. Эти ответы никому не принадлежат. Вытеснять монополиста не придётся: барьер стоит на входе, а входные двери открываются.

Вывод 2: ИИ выбирает в два этапа — и этого до нас никто не измерял

Это центральное открытие исследования, и нигде раньше мы такого измерения не встречали. Рекомендация ИИ — не одно соревнование, а два, и факторы, выигрывающие первое, почти не пересекаются с факторами второго.

Дверь первая — вообще попасть в ответ. Прежде всего система должна найти вас в том, что читает. Здесь всё решает цифровой след: собственный сайт (1.9× к шансам), число отзывов (1.6× за шаг), заполненный уровень цен (1.5×), упоминания в сети (1.4× за шаг). Звёздный рейтинг у этой двери не значит ничего — статистически неотличим от нуля. Заведение с 4.9 и парой отзывов проигрывает здесь заведению с 4.3 и сотнями.

Дверь вторая — быть названным первым. Внутри ответа логика переворачивается. Теперь рейтинг — настоящий сигнал (1.17× за шаг), число отзывов продолжает помогать (1.3×), сайт всё ещё в счёт (1.33×), а широта следа в сети перестаёт играть. Система собирает короткий список из найденного — и расставляет его по качеству.

Рейтинг решает, каким вас назовут. Цифровой след решает, существуете ли вы вообще.

Это переворачивает привычный совет индустрии. Дотянуть рейтинг с 4.5 до 4.7 — ход у второй двери, а большинство заведений не доходит и до неё. Если ИИ вас не называет, первый подозреваемый — не кухня и не сервис, а ваш цифровой след. И это хорошая новость: в отличие от рейтинга, он полностью в ваших руках.

Вывод 3: отзывы работают у обеих дверей

Прочитайте оба списка вместе — и проступает главное. Большинство факторов работает только у одной двери: упоминания в сети и заполненные цены заводят внутрь, но не влияют на порядок; рейтинг молчит, пока вы не внутри. Сквозь обе двери проходят два фактора — ваш сайт и ваши отзывы.

• Число открывает дверь. Каждый шаг вверх по числу отзывов умножает шансы попасть в ответ на 1.6×. На этом этапе системы читают, сколько о вас написано, а не насколько высоко вас оценили.
• Рейтинг расставляет внутри. Когда вас уже нашли, каждый шаг вверх по звёздам умножает шансы быть названным первым на 1.17× — и число отзывов продолжает помогать (1.3×).
• Свежесть, очень вероятно, держит дверь открытой. Свежие отзывы показали 1.4× — подробнее ниже.

Так что настоящая арифметика — не 4.6 против 4.9. Это 4.6 с девятью сотнями отзывов против 4.9 с сорока — и первое заведение выигрывает дважды: попадает в ответы, куда второе не входит, и не теряет позиции внутри. Сайт — второй фактор обеих дверей, на входе он даже сильнее. Но сайт делается один раз. Отзывы должны появляться постоянно — и это единственный фактор, который зал довольных гостей может двигать за вас каждый день.

Вывод 4: свежесть — то, что мы почти доказали

Доля свежих отзывов показала 1.41× за шаг — уверенный эффект в правильную сторону, прошедший обычный статистический порог. Нашего порога он не прошёл: мы делали поправку на проверку девяти факторов сразу, и p-значение легло на .054 при планке .05.

Сообщаем ровно как есть: очень вероятно, но не доказано. Прятать этот результат было бы нечестно по отношению к вам: и направление, и размер согласуются со всем остальным, что мы измерили, — а следующий вывод показывает, что происходит, когда история заведения устаревает.

Вывод 5: ИИ не выдумывает рестораны — он помнит закрытые

Спросите любого, что не так с рекомендациями ИИ, — услышите одно слово: галлюцинации. Мы пошли искать. Из 12 439 упоминаний заведений ровно одно название — десять упоминаний, 0.08% — осталось после проверки как, вероятно, выдуманное. Знаменитая проблема на этом рынке почти не существует.

Нашлось другое: системы 93 раза рекомендовали навсегда закрытые заведения — 14 заведений с подтверждённым закрытием. Гость, поверивший такому ответу, приходит к запертой двери. Механизм тот же, что создаёт видимость: отзывы, упоминания в блогах и подборках закрытого кафе не исчезают, когда закрываются двери. Цифровой след переживает бизнес.

И это практический аргумент за свежесть, с другой стороны. История, которую ИИ читает о вас, должна быть сегодняшней — а самый свежий сигнал, который заведение контролирует само, это ровный поток новых отзывов.

Вывод 6: что ИИ читает на самом деле — 26 993 источника

Каждый раз, когда система отвечала, мы записывали, что она цитирует, — 26 993 цитаты из 986 источников. Это самое близкое к «списку чтения» ИИ-рекомендаций, что у кого-либо есть, и он разнообразнее, чем ждёт большинство владельцев.

Крупные площадки с отзывами — среди самых цитируемых: TripAdvisor третий в общем зачёте, Facebook, Reddit и YouTube в первой десятке. Рядом — региональные журналы, тревел-блоги, подборки, местные гиды. А на первом месте — собственный сайт одного заведения, процитированный чаще любой отдельной площадки во всём исследовании.

Практический вывод не в том, что один источник побеждает другой. А в том, что ИИ читает всё вокруг заведения, и каждая из этих вещей — документ, который он может найти. Каждый живой профиль на площадке, каждый отзыв гостя, каждый гид с упоминанием — ещё один. Заведения, представленные во многих источниках, появляются во многих ответах; заведения, о которых в сети почти ничего нет, — ни в одном. Отсюда и берутся 85.6%.

Вывод 7: единого «рейтинга ИИ» не существует

Будь рекомендации ИИ одной турнирной таблицей, четыре системы называли бы примерно одни и те же заведения. Не называют. Любые две совпадают лишь на 33–54% своих топ-20, а из 37 заведений, попавших хоть в чей-то топ-20, во все четыре списка вошли только 8. Слава в ChatGPT не делает вас известным в Gemini.

Дальше — больше: одна и та же система отвечает по-разному от раза к разу. Одинаковые повторные вопросы возвращали списки с пересечением всего 22–45%. Но когда через две недели мы повторили исследование, общая картина оказалась такой же устойчивой, как день ото дня, — это шум вокруг стабильного сигнала, а не дрейф.

Отсюда прямое практическое следствие. Спросить ChatGPT о своём заведении один раз и обрадоваться — или испугаться — значит измерить бросок монеты. Настоящее измерение видимости требует повторов, нескольких формулировок и нескольких систем. Кто продаёт вам скриншот «вашего рейтинга в ИИ» с одного запроса — продаёт шум.

Что мы ожидали — и что данные отказались подтверждать

Мы не заходили нейтральными — у нас были свои гипотезы. Включая популярную в этой сфере теорию, что присутствие в структурированных базах точек интереса тихо подпитывает видимость в ИИ. Часть исследования строилась специально под эту проверку. Когда обычный цифровой след учтён, эффекта не оказалось ни у одной из дверей. На ранних, грязных данных он выглядел уверенно положительным; аккуратное сопоставление названий стёрло его — и это второй урок, который стоит передать дальше: небрежное сопоставление фабрикует результаты, в том числе в исследованиях, которые мы сами чуть не опубликовали.

Ещё одна переменная повела себя настолько странно, что мы проследили её до собственного сбора данных, а не до реальности, — и исключили. Оба эпизода описаны в статье полностью. Мы предпочитаем публиковать несработавшие гипотезы, а не тихо их выбрасывать: именно эта часть говорит, на какие из уцелевших цифр можно опираться.

Что общего у видимых заведений

По силе связи в наших моделях — измеренная анатомия видимости, не гарантированный рецепт:

1. 01У них есть собственный сайт. Самый сильный отдельный фактор входа (1.9×), и логи цитирований показывают почему: системы читают сайты заведений напрямую и цитируют их. Ему не нужно быть сложным — он должен существовать и отвечать на вопросы гостя.
2. 02Они копят отзывы постоянно. Число — у двери (1.6× за шаг), рейтинг — внутри (1.17×), свежесть, очень вероятно, держит дверь открытой. Единственная привычка, работающая на обоих этапах.
3. 03Их профили заполнены. Один только указанный уровень цен — 1.5×. Часы, меню, фото, атрибуты: скучно, зато в ваших руках и измерено.
4. 04Они существуют не на одной площадке. Упоминания в гидах, блогах и местных медиа — 1.4× за шаг, и именно на такие источники указывают цитаты ИИ.
5. 05Они не переоценивают рейтинг. Он важен — но только после того, как вас нашли. 4.6 с 900 отзывами обыгрывает 4.9 с 40, дважды.

Прочитайте, проверьте, поспорьте

Всё выше — краткий пересказ. Полный отчёт проходит по каждому выводу с графиком и логикой за ним, тем же простым языком, что и эта статья.

Полный метод, все 96 запросов дословно, десять графиков и пакет для репликации — в статье на arXiv, также в PDF и HTML.

Цитировать так: Pitenin, V. (2026). Invisible to the Machine: Auditing AI Restaurant, Cafe, and Bar Recommendation Against a Complete Market Census. arXiv:2608.07069. Делитесь и цитируйте свободно — со ссылкой.

Один регион и один язык — сознательный выбор: рынок, который можно было переписать целиком. Дальше — то же измерение на совсем другом рынке и эксперимент, который превратит измеренные связи в причины и следствия. Опубликуем так же.