Мультимодальная различимость: когда бренд ищут не словами

На протяжении всего корпуса AI100 мы говорили о видимости в контексте текстовых запросов: пользователь печатает вопрос, модель формирует ответ. Но мир поиска уже давно не сводится к набору слов на клавиатуре. Пользователь фотографирует товар в магазине и спрашивает «сколько это стоит онлайн?». Говорит вслух «какая это модель?», наведя камеру на наушники. Загружает скриншот из Instagram и просит «найди похожее, но дешевле». Снимает видео и добавляет текстовый вопрос: «Из какого материала это сделано?»

Это не экзотические сценарии. Google Lens обрабатывает более 20 миллиардов визуальных запросов в месяц, и 20% из них связаны с покупками [1]. AI Mode интегрирован с Google Lens: пользователь может сделать фотографию или загрузить изображение, а система, используя мультимодальные возможности Gemini, анализирует всю сцену — объекты, их контекст, материалы, цвета, формы — и формирует комплексный ответ [2]. ChatGPT с GPT-4o обрабатывает изображения, голос и текст одновременно. 27% мобильных пользователей уже используют голосовой поиск [3].

Для бренда это означает, что текстовая оптимизация — необходимое, но уже недостаточное условие видимости. Если ваш товар невозможно распознать по фотографии, если у видео на YouTube нет транскрипта, если голосовой ассистент не может связать произнесённое имя компании с правильной сущностью — вы теряете аудиторию, которая ищет не словами.

Визуальный поиск работает принципиально иначе, чем текстовый. Пользователь не описывает то, что ищет, — он показывает это. Свёрточные нейросети (CNN) преобразуют изображение в числовой вектор и сравнивают его с базой проиндексированных изображений [4]. Это значит, что качество, консистентность и техническая доступность изображений на сайте напрямую влияют на то, будет ли ваш товар найден.

Для e-commerce последствия наиболее очевидны. Покупатель видит платье на улице, фотографирует его, и Google Lens за три секунды показывает похожие товары с ценами из разных интернет-магазинов. Если ваши товарные изображения низкого качества, без описательных alt-текстов, без Product schema, без единого стиля съёмки — они не попадут в эту выборку. А конкурент с чистыми, размеченными фотографиями — попадёт.

Визуальная консистентность между платформами тоже становится фактором. Google Lens лучше распознаёт бренды, которые используют одинаковый стиль фотографий на сайте, в маркетплейсах и в социальных сетях. Разнородный визуальный ряд затрудняет привязку к сущности [5].

Голосовые запросы отличаются от текстовых не только модальностью, но и структурой. Человек, говорящий вслух, использует естественные предложения: «Какое лучшее кафе рядом со мной, которое сейчас открыто?» вместо «кафе рядом открыто». Запросы в AI Mode в среднем в три раза длиннее обычных поисковых запросов [6]. Это означает, что контент, оптимизированный под короткие ключевые фразы, может не совпадать с тем, как люди формулируют запросы голосом.

Для бренда практическое следствие: FAQ-секции, написанные в формате «вопрос — прямой ответ», лучше работают для голосового поиска, чем длинные маркетинговые тексты. Structured data (FAQ schema, HowTo schema) помогает голосовым ассистентам извлечь конкретный ответ. Имя бренда должно быть произносимым и однозначным — модель, которая не может связать произнесённое «Экско-Дата» с сущностью «ExcoData», потеряет бренд при голосовом запросе.

ИИ-системы всё активнее используют видеоконтент. Транскрипты видео с YouTube становятся источником для цитирования: если в вашем видео эксперт подробно объясняет, как работает продукт, и транскрипт доступен — модель может извлечь из него фрагмент для ответа. Если транскрипта нет — видео остаётся невидимым для текстовой части ответной системы.

Google прямо указывает, что AI Mode использует мультимодальный анализ: система одновременно работает с текстом, изображениями, видео и контекстом [2]. Для бренда, который публикует обучающие видео, обзоры или демонстрации продукта, чистый и точный транскрипт — это не опция, а условие обнаружения.

Мультимодальная оптимизация не требует революции. Она требует расширения привычной работы на новые форматы.

Изображения: высокое качество, описательные имена файлов и alt-тексты, Product schema с привязкой к конкретным товарам, единый стиль съёмки по платформам.

Голос: FAQ-секции в формате вопрос-ответ, HowTo schema для инструкций, произносимое и однозначное имя бренда.

Видео: транскрипты для каждого ролика на YouTube и на сайте, VideoObject schema, описательные заголовки и метаданные.

Общий слой: тот же принцип, что и для текстовой видимости — структурированные данные, машиночитаемость, внешние подтверждения. Мультимодальность не отменяет эти основы, а добавляет к ним новые входные каналы.