Юзкейс
Разбор проекта Unusual. Узнай, как ChatGPT и другие ИИ видят твой бизнес
Как стартап из Y Combinator проверяет, что ИИ говорит о компании, где отсеивает её в пользу конкурентов, и как повторить базовую проверку на своём бизнесе.
Представь: у тебя хороший продукт, нормальный сайт и довольные клиенты. А клиент до тебя так и не доходит.
Он спросил у ChatGPT, что выбрать, получил несколько вариантов, уточнил пару деталей и пошёл смотреть один из них. И всё это случилось ещё до того, как он открыл твой сайт.
В этом разборе смотрим на Unusual — проект, который исследует, как ИИ понимает продукт и в каких ситуациях его советует. И забираем из их подхода то, что можно проверить на своём бизнесе уже сегодня.
Видео
Что внутри ролика
— Почему клиент может отсеять тебя ещё в разговоре с ИИ, до захода на сайт
— Как Unusual ищут вопрос покупателя, на котором компания «вылетает»
— Кейс Reducto: модели сомневались, подходит ли сервис крупному бизнесу, и что с этим сделали
— Что на самом деле показал замер «18 → 54» и почему причина роста не доказана
— Проверяем на AI Room Club: два запроса к ИИ и сверка одного утверждения с источником
— Агенты, которые уже заходят на сайты: Agent Analytics и AgentDesk
— Как повторить проверку на своём бизнесе и оформить её как услугу
Что такое Unusual
Unusual — проект, который прошёл Y Combinator (набор осени 2024 года). Один из сооснователей — Келлер Малони.
Они разбираются, как ИИ описывает компанию и в каких ситуациях её рекомендует: исследуют ответы моделей, ищут проблемы в информации о продукте, помогают подготовить изменения и смотрят, что происходит дальше.
У них есть своя программная платформа и специалисты, которые разбирают результаты. Готовой кнопки «сделай так, чтобы ChatGPT меня советовал» у них нет. Но базовую механику можно попробовать на своём проекте.
На каком вопросе покупателя ты вылетаешь
Допустим, человек выбирает CRM. Ему не нужен просто список популярных сервисов — у него своя ситуация:
— в отделе продаж 12 человек
— с клиентами общаются в основном в Телеграме
— хочется начать работать, а не внедрять систему полгода
С каждым уточнением список меняется. Компания, которая подходила в начале, после следующего вопроса уже выпадает.
Бизнесу важно поймать именно этот момент: на каком требовании покупателя нас перестают рассматривать?
Как Unusual ищут проблему
— Задача покупателя. Берут реальные ситуации. Например, сервис обработки документов: одному клиенту нужно разобрать двадцать файлов, другому — встроить обработку в банковскую систему с требованиями к хранению данных.
— Ответы и повторы. Под такие ситуации задают вопросы моделям и смотрят, где компанию называют, как описывают и с кем сравнивают. Часть запросов повторяют: один ответ может оказаться случайным.
— Источники и ошибки. Проверяют, есть ли нужная информация, актуальна ли она и правильно ли модель её пересказала. Иногда выясняется, что у продукта правда нет нужной функции — это тоже надо признать.
— Изменения и новый замер. Готовят изменения и повторяют проверку. Программа помогает собирать ответы и делать черновики, люди разбирают выводы и проверяют материалы перед публикацией.
Важная деталь: объяснение модели «почему я выбрала конкурента» ещё не доказывает настоящую причину выбора. Это такой же ответ, который надо проверять.
Кейс Reducto: хорошо, но подойдёт ли крупному бизнесу?
Reducto — сервис для извлечения данных из документов. По описанию Unusual, модели неплохо оценивали качество обработки, но воспринимали Reducto скорее как нишевый инструмент для стартапов. Когда разговор доходил до требований большой компании, появлялось сомнение.
Представь: ты продаёшь крупным клиентам, а помощник покупателя говорит: «Интересный сервис, но под ваши требования я бы посмотрел что-то другое». Ты об этом разговоре даже не узнаешь.
Unusual исследовали такие ответы: пригодность для крупного бизнеса, безопасность, сравнение с другими решениями. И нашли повторяющийся разрыв между тем, что Reducto мог подтвердить о себе, и тем, как его описывали модели.
Это пересказ клиентского кейса Unusual. Полного набора исходных ответов моделей у нас нет.
Что сделали: ответили на вопросы покупателя
Подготовили отдельные материалы с конкретными ответами:
— Где хранятся данные?
— Можно ли развернуть систему у себя?
— Какие есть условия и ограничения?
Эти страницы собраны в разделе llms.reducto.ai: безопасность, варианты развёртывания, работа с данными, сравнение продуктов. Такая информация нужна и человеку, и ИИ, который собирает ответ из найденных источников.
Но буквы llms в адресе ничего волшебного не включают. Это обычный публичный поддомен, и нет доказательств, что само такое название увеличивает рекомендации. К тому же страницы с тех пор обновлялись: сейчас там не точная копия материалов из эксперимента.
Что показал замер
Unusual сообщает: в сентябре 2025 года оценка готовности Reducto к работе с крупными компаниями в их опросе была 18 баллов из 100, а в ноябре — 54.
Это баллы по их методике. Не процент покупателей и не вероятность продажи. Ещё они опубликовали графики доли цитирований и обращений ботов к страницам — это другие показатели, их можно посмотреть в оригинале кейса.
Рост есть. Причина не доказана. По публичному кейсу нельзя доказать, что рост вызвали именно эти страницы: у Reducto параллельно шла другая маркетинговая работа, а модели и доступные им источники тоже могли меняться. Изменение наблюдали, но для уверенного вывода о причине данных недостаточно.
Проверяем на AI Room Club
В ролике пробуем механику на знакомом примере. Задача покупателя: я уже пользуюсь ChatGPT, хочу собирать агентов для работы, нужны материалы на русском, практика и обратная связь.
Два запроса, каждый в новом чате, в ChatGPT и в Claude. Сохраняем дату, модель и режим поиска, чтобы понимать, что именно проверили.
Запрос 1 — без названия клуба:
Я уже пользуюсь ChatGPT и хочу научиться собирать ИИ-агентов для рабочих задач. Нужны материалы на русском, практика и обратная связь. Какие варианты обучения или сообществ рассмотреть? Объясни, кому подходит каждый вариант. Используй актуальные публичные источники, дай ссылки и отдели подтверждённые сведения от предположений.
Запрос 2 — с названием клуба:
Мне посоветовали AI Room Club — https://airoom.club. Я уже пользуюсь ChatGPT и хочу научиться собирать ИИ-агентов для рабочих задач. Нужны материалы на русском, практика и обратная связь. Подойдёт ли мне клуб? Что подтверждается публичными материалами, а что нужно уточнить до оплаты? Дай ссылки на источники. Если данных недостаточно, так и скажи.
Дальше берём одну конкретную фразу из ответа, открываем источник, на который ссылается модель, и сверяем. Подтвердилось, не подтвердилось, противоречит сайту или данных не хватает — любой из этих итогов нормально зафиксировать.
По двум ответам ещё нельзя сказать, как часто клуб рекомендуют. Но уже понятно, что именно проверять дальше.
На сайт уже приходят агенты
У Unusual есть направление и про агентов, которые сами заходят на сайты.
— Agent Analytics показывает обращения распознанных ботов: кто приходил и какие страницы запрашивал. Но посещение страницы ещё не значит, что тебя порекомендовали.
— AgentDesk они описывают как способ отвечать агенту покупателя на стороне продавца: дать ему сведения о продукте, чтобы он мог продолжить сравнение. Направление описано публично, но масштаб реального использования мы не подтверждали.
Попробуй на своём бизнесе
Возьми три реальные задачи покупателей — те, с которыми человек действительно выбирает решение. Не «расскажи, какая у нас классная компания».
Отправь их в два ИИ-сервиса. Сохрани полные ответы, дату, модель и был ли поиск.
Повтори часть запросов в новых чатах и посмотри, насколько меняются ответы.
Выпиши, что про тебя утверждают, кого предлагают рядом и на какие страницы ссылаются.
Найди один повторяющийся спорный момент: есть ошибка, не хватает подтверждения или продукт пока правда не подходит этому покупателю?
На выходе получится конкретный вопрос к сайту или продукту — с ним уже можно работать. Такой объём не даёт надёжной статистики рекомендаций: это мини-аудит, а не замер.
Шаблон запроса — собран из запросов в ролике, подставь свою ситуацию:
Я выбираю [что именно выбираешь]. Моя ситуация: [2–3 конкретных требования]. Какие варианты стоит рассмотреть? Объясни, кому подходит каждый. Используй актуальные публичные источники, дай ссылки и отдели подтверждённые сведения от предположений.
Как превратить это в услугу
Такую работу можно оформить как отдельную услугу — аудит того, как ИИ-сервисы воспринимают компанию. В отчёте клиент видит:
— как описывают его продукт
— с кем сравнивают и кого предлагают рядом
— какие есть ошибки, на какие источники опирались и где подтверждения найти не удалось
— что стоит проверить или изменить дальше
Пример находки: про внедрение на сайте одна общая фраза, а покупатель спрашивает про сроки, перенос данных и поддержку. Значит, нужно собрать подтверждённые ответы на эти вопросы.
К отчёту прикладываешь сценарии, полные ответы и условия запуска, чтобы клиент мог сам проверить выводы.
Обещать рост рекомендаций или продаж не стоит. А вот помочь найти и разобрать проблему — понятная задача.
Один следующий шаг
Появляется ещё одно место, где о твоём продукте складывается представление, — и его можно исследовать.
Исследования показывают, что содержание источников может влиять на ответы ИИ (экспериментальное исследование GEO, 2024). Но отсюда не следует, что любая правка сайта заставит ChatGPT чаще тебя рекомендовать. Гарантированной инструкции нет.
Начни просто: возьми один вопрос, который тебе задают перед покупкой, отправь его в два сервиса, найди одно утверждение о своём продукте и проверь, на чём оно основано.
Если попробуешь — принеси в чат клуба сам запрос и ответ. Особенно если найдёшь что-то странное 👀 Это будет интересно разобрать.