Собственный рейтинг ИИ-видимости 22 клубов КХЛ сезона 2026/27 в ответах шести нейросетей: почему видимость в ИИ — это не турнирная таблица и не титулы, а спортивное медиаполе клуба.
Мы составили рейтинг клубов КХЛ по видимости в ответах нейросетей. Мы любим хоккей и каждый день работаем с тем, как бренды выглядят в ответах ИИ, — и в какой-то момент стало интересно: а как ИИ видит сами клубы КХЛ? Спросит болельщик у ChatGPT или «Алисы» про лигу — кого назовут, а кого забудут или перепутают? Мы взяли и измерили. Получился рейтинг ИИ-видимости 22 клубов КХЛ сезона 2026/27 — список, который открывает СКА, а замыкают «Шанхайские Драконы». Главный вывод оказался неочевидным: то, насколько ИИ «знает» клуб, почти не зависит от его титулов и места в таблице. Это снимок на июль 2026 — и он наверняка будет меняться.
Источник: собственное исследование Звонко, июль 2026.
Вопрос «за кем следить в новом сезоне КХЛ», «куда сходить на хоккей» или «кто фаворит» болельщик всё чаще задаёт не поисковику, а нейросети — и получает готовый список из нескольких клубов. Мы решили измерить это системно — и вот что вышло.
Взяли все 22 клуба КХЛ сезона 2026/27 — от грандов до новичков лиги. Задавали вопросы шести нейросетям: ChatGPT, Claude, Perplexity, Gemini, «Алисе» (нейропоиск Яндекса) и GigaChat. Выбрали их не случайно: четыре глобальные модели с самой большой аудиторией плюс две российские — а доля русскоязычных данных сильнее всего влияет на то, знает ли ИИ локальный клуб.
Каждый нейтральный вопрос задавали в нескольких формулировках и с повторами, чтобы результат не зависел от случайной фразы или разового ответа. Всего разобрали 1396 ответов. По методологии жанра мы ориентировались на AI Brand Index от Evertune — эталон замеров видимости брендов в нейросетях.
Мы брали запросы, с которыми к нейросети реально приходят болельщики. Вопросы были трёх типов. Первый — без названия конкретного клуба, чтобы увидеть, кого ИИ вспоминает сам: «Какие клубы играют в КХЛ?», «Кто фавориты сезона?», «Назови сильнейшие команды лиги». Второй — о конкретном клубе напрямую: «Что ты знаешь о хоккейном клубе такого-то? Где он играет?» — так мы проверяли базовое узнавание и качество ответа. Третий — на «голом» названии, без слов «хоккей», «ХК» и «КХЛ»: просто «расскажи про „Ладу”» или «расскажи про „Адмирала”» — чтобы понять, опознаёт ли ИИ именно клуб, или уходит в автомобиль и воинское звание.
Итоговый балл узнаваемости (0–100) считали по тому, как часто нейросеть называет клуб сама и как высоко ставит его в списке. Логика простая: клуб появляется в ответах ИИ, если нейросеть привыкла называть его в связке с лигой, — а не потому, что о нём можно рассказать, если специально спросить.
Первое, что мы увидели, — вершина рейтинга держится на медийных грандах. СКА (76), Ак Барс (74), ЦСКА (74) — клубы с самым плотным потоком публикаций на всех ключевых ресурсах. Средний индекс по лиге вышел невысоким — 47 из 100, а разрыв между первым и последним местом почти четырёхкратный. Но самое интересное началось не на вершине, а там, где нейросеть начинает путаться: не вспоминать клуб сама или принимать его название за постороннее понятие. Ради этих сюжетов всё и затевалось.
Источник: собственное исследование Звонко, июль 2026.
Когда просто спрашиваешь «какие клубы в КХЛ» или «кто фаворит», нейросети чаще всего вспоминают СКА — и в среднем ставят его в тройку первых. Рядом Ак Барс (74) и ЦСКА (74): армейские клубы и Казань модели знают лучше всех. Причина не в текущих титулах, а в объёме упоминаний: об этих клубах десятилетиями пишут все спортивные ресурсы, и их цифровой след настолько плотный, что мимо него не проходит ни одна нейросеть.
Источник: собственное исследование Звонко, июль 2026.
Самый неожиданный результат — парадокс «знают, но не называют». Спросите нейросеть про минское «Динамо» напрямую — и она выдаст корректную историю, состав и арену: качество ответа высокое (80 из 100). Но в ответе на «перечисли клубы КХЛ» его узнаваемость — всего 38. Та же история у «Шанхайских Драконов» (качество 76 / узнаваемость 19), «Барыса» (75 / 31) и «Нефтехимика» (73 / 30).
Информация о клубе у нейросети есть, и она качественная. Проблема в другом: в нейтральном разговоре про КХЛ модель о клубе просто не вспоминает — его недостаточно часто упоминают именно в «списочном» контексте, в связке с лигой. Это и есть слепая зона, которой можно управлять.
И управлять этим — наша работа: мы замеряем и растим ИИ-видимость брендов и клубов по той же методике, что и в этом рейтинге.
Источник: собственное исследование Звонко, июль 2026.
Иногда по одному названию ИИ думает не про клуб, а про что-то другое — и клуб теряется. Мы вводили только имя, без слов «хоккей», «ХК» и «КХЛ», — и почти треть лиги нейросеть понимала не как спорт.
«Лада». Для нейросети это прежде всего марка автомобиля LADA. Про тольяттинский хоккейный клуб — в последнюю очередь.
«Адмирал». ИИ объясняет воинское звание и фильм про Колчака. Клуб из Владивостока теряется.
«Амур». Прежде всего — река на Дальнем Востоке. Хабаровский клуб всплывает не сразу.
Так же ведут себя «Авангард» (искусство XX века), «Северсталь» (сталелитейный комбинат) и «Трактор» (сельхозмашина). Всего 6 клубов из 21 (28,6%) нейросеть по голому названию не опознаёт как хоккей. Верный контекст — слово «ХК», «КХЛ» или город — возвращает клуб в ответ. Но пользователи добавляют его не всегда.
Источник: собственное исследование Звонко, июль 2026.
Разброс между платформами оказался больше, чем мы ожидали. На один и тот же вопрос «какие клубы в КХЛ» разные нейросети называют разное число команд: Perplexity перечисляет в среднем 10 клубов на запрос, «Алиса» — меньше 7. Между ними — Gemini (9,7), GigaChat (8,9), Claude (8,1) и ChatGPT (7,1).
Из-за этого один и тот же клуб может быть заметным в одной нейросети и почти невидимым в другой. Причина — в данных, на которых обучались модели, и в наличии живого веб-поиска. Модели с поиском (Perplexity, «Алиса») и с большой долей русскоязычного корпуса (GigaChat, «Алиса») находят локальные клубы иначе, чем глобальные. Поэтому видимость надо проверять сразу на нескольких нейросетях — их ответы расходятся в разы. Подробнее про механику ответов «Алисы» мы разбирали в материале о GEO-оптимизации под ответы ИИ.
И вот главный вывод исследования. Нейросеть знает клуб не по его титулам и месту в таблице, а по следу в медиа: публикациям на «Чемпионате», Sports.ru, в «Спорт-Экспрессе», статьям в «Википедии», упоминаниям в связке «клуб — КХЛ». Рейтинг ИИ-видимости — это слепок спортивного медиаполя, а не турнирного положения.
Отсюда и все парадоксы: клуб с историей и кубками может стоять внизу рейтинга, потому что нейросеть просто не привыкла называть его сама; уникальное название выигрывает у многозначного; правильный контекст спасает клуб от путаницы с автомобилем или рекой. Меняется медийный след клуба — меняется и картина в ответах ИИ. Как мерить эту картину системно, мы описывали в обзоре инструментов AEO-мониторинга.
Источник: собственное исследование Звонко, июль 2026.
Внизу рейтинга — клубы со свежим брендом, многозначным названием или редким упоминанием: «Шанхайские Драконы» (19, бывший «Куньлунь»), «Лада» (26), «Амур» (28), «Сочи» (28), «Адмирал» (29). Свежий ребрендинг, название-омоним или недостаток упоминаний — типичные слепые зоны. И это то, что можно исправить: видимостью в нейросетях можно управлять.
Четыре рычага, которые реально влияют на ИИ-видимость клуба:
Это снимок данных по состоянию на июль 2026. ИИ-ответы меняются, а медийный след сам не появится, и мы обязательно замерим их снова.
Хотите такой же замер для своего бренда или клуба?
Измерим вашу видимость в шести нейросетях по реальным запросам ваших болельщиков, покажем, где вас перехватывают конкуренты и какие рычаги поднимут вас в ответах ИИ. Закажите замер в Звонко или напишите нам — диагностику начинаем без предоплаты.
Методология и все данные замера — в презентации исследования: открыть PDF. Метод открыт — замер можно повторить по нашей схеме или самому, по протоколу на 15 минут.
Нет. Это рейтинг ИИ-видимости на дату замера — того, как клуб представлен в ответах нейросетей. Клуб с кубками и историей может стоять ниже новичка, если о нём реже пишут в правильных источниках. В ИИ решает частота упоминаний в связке с лигой, а не место в таблице.
Это самый яркий парадокс исследования. Спросите про минское «Динамо», «Барыс» или «Нефтехимик» напрямую — и нейросеть выдаст корректную историю и состав: качество ответа высокое. Но в ответе на «перечисли клубы КХЛ» клуб часто выпадает. Причина — упоминаний в «списочном» контексте, рядом со словом «КХЛ», меньше, чем у топ-клубов. Информация есть, но её недостаточно именно там, где нейросеть строит список.
ChatGPT, Claude, Perplexity, Gemini, «Алиса» (Яндекс) и GigaChat. Шесть платформ с разным покрытием русскоязычного корпуса и разным доступом к веб-поиску — а это напрямую влияет на видимость российских клубов.
Его чаще всего называют первым на нейтральный вопрос о лиге и в среднем ставят в тройку. За клубом — десятилетия публикаций на всех ключевых спортивных ресурсах, которые создали плотный цифровой след. Мимо него не проходит ни одна модель.
На одном названии, без слов «хоккей» и «КХЛ», нейросеть выбирает наиболее частотное значение из своего корпуса. «Лада»-автомобиль встречается в текстах кратно чаще, чем хоккейный клуб. Похожая история у «Адмирала» (звание), «Амура» (река) и «Трактора» (сельхозмашина). Контекст «ХК» или «КХЛ» исправляет ситуацию — но пользователи добавляют его не всегда.
Да. Регулярный контент, профильные СМИ, «Википедия», однозначное название и Schema — четыре рычага из раздела выше. По методологии жанра мы ориентировались на Evertune AI Brand Index. Метод открыт: любой может повторить замер по нашей схеме.
Да, снимок на июль 2026 года. ИИ-ответы меняются, а медийный след клуба сам не улучшится. Повторный замер планируем позже.
GEO Первый публичный рейтинг ИИ-видимости 23 банков второго уровня Казахстана в ответах пяти нейросетей: почему ИИ называет банк не по размеру активов, а по следу в каталогах и деловых СМИ.
Читать статью →
GEO Проверили на шести нейросетях, какие телеграм-каналы про нейросети они знают и советуют. Число подписчиков почти не решает — важнее след автора вне Telegram. Полный рейтинг 21 канала.
Читать статью →
GEO Спросили шесть нейросетей про клубы РПЛ и собрали полный рейтинг 16 команд: кто в топе, кого ИИ вообще не считает футбольным клубом и от чего зависит место в списке.
Читать статью →Начнём с бесплатного экспресс-замера: покажем, как нейросети видят ваш бренд сейчас и где есть смысл работать.