Разрыв, которого никто не ожидал

В нашем исследовании мы каждый день с 6 по 20 октября 2025 года задавали 10 вопросов о велосипедах. Это 100 обращений к данным в день по каждому типу запроса.
По некоторым вопросам веб-поиск не запускался вообще.
«С какого возраста ребенку стоит начинать учиться ездить на велосипеде?» показывал 0% вероятности поиска на протяжении всех 15 дней. ChatGPT воспринимает это как уже известное знание. Дополнительная проверка не нужна.
Это было ожидаемо.
Но вот что интересно: «Какой велосипед самый безопасный для ребенка, который только научился ездить без дополнительных колес?» За пять дней вероятность поиска упала с 40% до 19%.

Вопросы о безопасности? Один день AI уверен в ответе. На следующий — уже ищет его в сети. Если вы строите AI-клиентский сервис для e-commerce, это уже операционный риск.

Потолок в 50%

Главный вывод исследования: ни один вопрос в среднем не превысил 50% вероятности поиска.
По умолчанию ChatGPT опирается на внутренние знания, когда речь идет о продуктовых рекомендациях. Веб-поиск включается только тогда, когда уверенность модели падает. Но даже тогда показатель не поднимается выше 50%. Это намекает на встроенные ограничения модели. Возможно, чтобы не слишком полагаться на внешние данные. Возможно, чтобы контролировать стоимость вычислений.
Мы этого не узнаем.
Запросы на сравнение товаров тоже колебались умеренно. «В чем разница между детским велосипедом 20 и 24 дюйма?» Кажется, здесь должна быть стабильность: это размеры, а не мнения. Но вероятность поиска все равно менялась.
Модель по-разному обрабатывает возрастные рекомендации для разных групп. Вопрос про велосипед для семилетнего ребенка ведет себя не так, как запрос для пятилетнего. И понятного паттерна мы не видим.

Когда стабильность ломается за одну ночь

Вот где становится по-настоящему интересно.
«Какой размер велосипеда оптимален для семилетней девочки?» 11 дней подряд показывал 0% вероятности поиска. Все предсказуемо: только внутренние знания.
А 17 октября показатель внезапно подскочил до 32%. И там и остался.

Мы не увидели обновления модели. Объяснения тоже не было.

Если вы отслеживаете поведение AI раз в месяц, вы бы это пропустили. Если не отслеживаете вообще, вы даже не узнаете, что это произошло.
Запросы на оценку брендов показали похожую волатильность. «Стоит ли покупать Abus Smiley 3.0?» колебался между 22% и 47% вероятности поиска. Во вторник ваш товар рекомендуют не так, как в понедельник.

Переменные, которых мы не видим

Исследование показало закономерности, но не дало ответа о первопричинах.
Почему один запрос остается стабильным на 100%, а похожие колеблются так резко? Почему вероятности меняются в конкретные даты? Что именно запускает эти сдвиги?
Для e-commerce-команд это создает реальную проблему. Вы не можете предсказать, когда AI-инструменты переключатся с внутренних знаний на веб-поиск. А это влияет и на скорость ответа, и на стабильность рекомендаций.

Мониторинг больше не опция

11 дней плато, а затем резкий скачок? Именно поэтому разовые аудиты не работают.
Нужны системы постоянного мониторинга, которые отслеживают, когда и как часто ваши продуктовые категории запускают веб-поиск. Изменения поискового поведения сигнализируют о сдвигах в уверенности модели, изменении весов обучения или новых параметрах стоимости. И все это влияет на клиентский опыт.
Что делать?
Категории с высокой волатильностью требуют особого внимания: товары для безопасности, оценка брендов, чувствительные рекомендации. Здесь могут помочь собственные обучающие данные, явные товарные фиды или гибридные подходы, которые сочетают AI-ответы со структурированными продуктными базами данных.
Цель — стабильность, независимо от колебаний в поведении поиска.

Главный вопрос

Вопрос не в том, меняет ли AI свое поведение. Вопрос в том, отслеживаете ли вы момент, когда это происходит.
Это исследование охватывает 15 дней, одну категорию велосипедов, один временной отрезок и одну модель. Но паттерны указывают на более широкие последствия для всех, кто использует AI в e-commerce.
Потолок в 50%. Поведение у точки перелома. Волатильность, зависящая от категории. Это не баги. Это свойства систем, которые работают в рамках ограничений, недоступных нашему наблюдению.
Поэтому мониторьте активно. Тестируйте непрерывно. И стройте резервные сценарии там, где волатильность особенно высока.