GEO-исследование: AI-видимость жилых комплексов и девелоперов Пресненского района Москвы

Время чтения: 8-10 минут

Дата публикации: 28 сентября 2026 г.

Автор: Эксперты СоцМедиаМаркетинг

В августе 2026 года мы провели исследование AI-видимости жилых проектов и девелоперов Пресненского района. Цель была простая: понять, как нейросети видят одну из самых престижных локаций Москвы и кого они рекомендуют.

Пресня — район, где конкуренция за покупателя идет не на уровне цен, а на уровне выбора. Здесь у всех сопоставимые метражи, одна и та же локация, похожая инфраструктура и высокий ценовой порог. Когда базовые параметры равны, покупатель перестает сравнивать цену и начинает сравнивать ощущения: в каком проекте он видит себя, где чувствует доверие. Человек изучает рынок, читает отзывы, сравнивает планировки и формирует короткий список из 3−5 вариантов.

А кто формирует этот список сегодня? Все чаще — нейросети. Именно к ним человек обращается с вопросом: «Посоветуй ЖК на Пресне», «Где тише и лучше инфраструктура?», «Какой застройщик надёжный?». И если вашего проекта нет в ответе, вас нет в подборке.

Мы решили проверить, как это работает на практике: проанализировали 5 нейросетей, задали 50 реальных вопросов покупателей и собрали 750 ответов. Каждый запрос прогоняли трижды, чтобы отличить устойчивые рекомендации от случайных.

Результаты исследования — ниже.

Содержание:

Мы оценивали не сам факт упоминания, а то, как часто и в каком контексте проект появляется в ответах. Запросы разделили на 8 смысловых кластеров, которые отражают путь покупателя: от проверки фактов о конкретном ЖК до сравнения объектов и поиска возражений.

Использовали четыре основные метрики:

• Количество ответов — в скольких ответах проект встретился хотя бы раз. Повтор внутри одного текста не считался.
• География — доля упоминаний, привязанных именно к Пресне, а не к Москве в целом.
• Повторяемость — как часто проект возвращался во втором и третьем прогоне.
• Ограничение — измеряли видимость, а не качество проекта. Упоминание не равно рекомендации.

Важное уточнение: это не универсальное ядро для любого девелопера. Для другого района, класса и аудитории запросы будут другими. Но логика покупательского пути остаётся устойчивой.

Модели, которые тестировали:

Если вы ориентируетесь только на одну нейросеть, вы видите лишь часть картины

Ссылки в ответах

Локальность

48%

84,8%

GPT-5.4 mini

2,7%

72,8%

DeepSeek V4 Flash

1,3%

73,2%

Gemini 2.5 Flash

15,3%

61,7%

Alice AI LLM

0%

72,8%

Perplexity Sonar

Вывод: даже между моделями разброс по локальности — почти 25 процентных пунктов.

Проект

125

Пресня Сити

1

80

Capital Towers

3

74

Headliner

4

68

Lucky

5

65

Дом Дау

6

57

Neva Towers

City Park

Тишинский бульвар

SkyView

7

8

9

10

110

56

56

51

Republic

2

Из 750 ответов с упоминанием проектов чаще всего встречался «Пресня Сити» — 125 раз. На втором месте Republic (110), на третьем — Capital Towers (80).

Почему так: разрыв между первым и третьим местом — 45 ответов. Это не случайность, а следствие того, что нейросети «подхватывают» проекты с сильным и повторяющимся информационным следом. Чем чаще проект упоминается в источниках, которым модели доверяют, тем выше шанс, что он попадёт в ответ.

Вывод для застройщика: если вы не в топ-5, проблема не в продукте, а в том, что нейросеть о вас просто не знает. Работать нужно не с текстами на сайте, а с тем, чтобы проект появлялся в источниках, которые модели цитируют.

Один и тот же ЖК может быть на первых позициях в DeepSeek и полностью отсутствовать в Gemini. Мы свели данные в таблицу, чтобы это было видно наглядно.

Perplexity

GPT-5.4

Проект

16

21

Пресня Сити

10

7

Capital Towers

15

7

Headliner

16

DeepSeek

38

23

27

45

Gemini

24

4

3

28

Alice

26

36

22

5

16

Republic

Почему так: каждая модель работает со своим набором источников и по-своему оценивает авторитетность. DeepSeek чаще опирается на русскоязычные агрегаторы, а Alice — на данные, доступные в её экосистеме.

Вывод: стратегия «оптимизируемся под ChatGPT» не работает. Нужно покрывать несколько моделей сразу, потому что покупатели задают вопросы разным ассистентам.

Мы разделили все вопросы на 8 типов: локация, репутация, финансы, инфраструктура, выбор и покупка, сравнение, информация, продукт.
Оказалось, что лидеры чаще появляются в ответах про локацию, репутацию и сравнение. А вот в вопросах про продукт, планировки, отделку, сроки — их видимость заметно ниже.

Почему так: нейросети формируют ответ на основе того, что уже описано в источниках. Если у проекта много публикаций про район, но мало про конкретные характеристики квартир, модель будет рекомендовать его как «часть Пресни», но не как конкретный продукт.

Вывод: чтобы попадать в ответы по продуктовым запросам, нужно создавать контент про планировки, отделку, паркинг, эксплуатацию. Это не очевидно, но именно такие материалы дают видимость на этапе, когда клиент уже выбирает между конкретными вариантами.

8

Это самая тревожная часть исследования для проектов и застройщиков Пресни. Треть ответов уводит пользователя в другие районы Москвы. Модели рекомендуют проекты из Сити, ЗИЛАРТа, Ривер Парка, Берегового — вместо Пресни.

Почему так: в вопросах про район нейросеть часто расширяет контекст до «Москва в целом» и подставляет проекты, которые лучше описаны в её источниках. Если у проекта нет явной и повторяющейся привязки к Пресне, модель легко его теряет.

Вывод: недостаточно написать «мы в Пресне» на сайте. Нужно, чтобы эта связка повторялась в СМИ, на агрегаторах, в отзывах, в публикациях партнеров — везде одинаковыми формулировками. Чем больше подтверждений, тем устойчивее география в ответах.

Среди застройщиков:

• лидирует «Донстрой» (59 упоминаний)
• за ним MR Group (55)
• и Sminex (32).

ТОП-10 девелоперов:

59

Донстрой

1

32

Sminex

3

26

Страна Девелопмент

4

24

Страна Девелопмент

5

23

Capital Group

6

18

FORMA

GloraX

Coalco

Level Group

7

8

9

10

55

18

12

8

MR Group

2

Почему так: нейросети называют не только застройщиков конкретных проектов, но и сильные бренды из сравнительного контекста. Если девелопер известен, его имя может подтянуть проект в ответ, даже если формально он не является застройщиком этого ЖК.

Вывод: репутация девелопера — это отдельный актив, который работает на видимость всех его проектов. Инвестиции в бренд окупаются на уровне AI-рекомендаций.

48% ответов содержат явные URL.

Чаще всего модели ссылаются на:

• realty.yandex.ru
• novostroy-m.ru
• domclick.ru
• cian.ru
• avito.ru

Почему так: нейросети предпочитают источники, которые легко проверить и которые уже имеют репутацию. Официальный сайт застройщика часто проигрывает агрегаторам, потому что те структурированы и обновляются.

Вывод: для GEO важно не только то, что написано на сайте, но и то, как проект представлен на площадках, которым модели доверяют. Работа с агрегаторами — часть стратегии, а не отдельная задача.

1. Закрепить географию.
Связывать проект с Пресней, станциями метро и микрорайонами одинаковыми формулировками на всех площадках. Основание: треть ответов уводит в другие районы — значит, связка «проект + локация» недостаточно сильна в источниках.

2. Покрыть сценарии.
Создавать контент не только про покупку, но и про тишину, детей, паркинг, эксплуатацию, планировки. Основание: лидеры видимы в запросах про локацию и репутацию, но теряются в продуктовых вопросах.

3. Усилить доказательства.
Поддерживать единые факты на сайте, агрегаторах, в СМИ и отзывах. Основание: 48% ответов содержат ссылки, а значит, модели проверяют данные. Чем больше подтверждений, тем устойчивее видимость.

3

✓ Проведен аудит текущей AI-видимости по целевым промптам
✓ На сайте по каждому ЖК есть таблица параметров и блок FAQ
✓ Факты о проектах согласованы на всех ресурсах
✓ Сущности связаны: застройщик → ЖК → локация → инфраструктура
✓ Настроен мониторинг отзывов и есть регламент реагирования на негатив
✓ Внедрён цикл ежемесячных улучшений по итогам анализа AI-ответов
✓ Используются структурированные данные для маркировки контента

Мы проведём GEO-аудит: проверим видимость вашего ЖК в ChatGPT, DeepSeek, YandexGPT и других моделях, сравним с конкурентами и дадим дорожную карту роста AI-видимости.