Мы составили рейтинг видимости 16 клубов РПЛ в ответах нейросетей — получили список, который открывает «Зенит», а замыкает «Родина». Очевидный факт: то, как ИИ «видит» клуб, зависит не от места в таблице, а от того, сколько о клубе пишут в медиа и главных информационных ресурсах. Интересно, что часть клубов нейросеть вовсе не считает футбольными. Это картина на июнь 2026 — и она наверняка будет меняться после старта нового сезона РПЛ.
Главное
- Видимость в ИИ — это не турнирная таблица. Рейтинг отражает спортивное медиаполе: кого чаще упоминают на «Чемпионате», Sports.ru, неспортивных ресурсах, того нейросети и называют первым.
- «Зенит» — единственный, кого узнают все шесть нейросетей без провалов. Узнаваемость остальных клубов меняется в зависимости от платформы.
- Есть парадокс «отвечают хорошо, но не называют». О «Крыльях Советов», «Ахмате» и махачкалинском «Динамо» ИИ рассказывает подробно, если спросить напрямую, — но в ответе на «перечисли команды РПЛ» эти клубы часто не появляются.
- Часть клубов ИИ не опознаёт как футбольные. На одном названии «Балтика» превращается в известный напиток, «Акрон» — в город в США, «Родина» — в отечество.
- Российские нейросети знают молодые клубы кратно лучше западных. «Алиса» и GigaChat обучены на российских данных, поэтому этих клубов в них заметно больше.
- На видимость можно влиять. Регулярный контент, присутствие в профильных СМИ, корректная информация в «Википедии», разметка Schema — часть рычагов, которые работают.
Зачем мы вообще это измеряли
Мы профессионально занимаемся видимостью брендов в ответах нейросетей (AEO/GEO), а ещё мы давно работаем в сфере спорта. В какой-то момент нам захотелось свести две темы вместе и узнать: а как в ответах ИИ выглядят клубы РПЛ? Тем более что болельщики всё чаще идут с вопросами не в поисковик, а к ИИ: «Алиса, кто фаворит в матче Зенит — Спартак?», «расскажи про Акрон» и т.д.
Мы решили измерить это системно — и вот что сделали.
Взяли 16 клубов РПЛ сезона 2026/27 — включая двух новичков, поднявшихся из Первой лиги: «Факел» и «Родину» (для «Родины» это вообще дебют в элите). Задавали вопросы шести нейросетям: ChatGPT, Claude, Perplexity, Gemini, «Алисе» (нейропоиск Яндекса) и GigaChat. Выбрали их не случайно — это четыре глобальные модели с самой большой аудиторией плюс две российские; а именно доля русскоязычных данных сильнее всего влияет на то, знает ли ИИ местный клуб. Каждый вопрос задавали в нескольких формулировках, а часть — прогоняли по несколько раз, чтобы результат не зависел от случайной фразы или разового ответа. По методологии жанра мы ориентировались на AI Brand Index от Evertune — это эталон замеров видимости брендов в нейросетях.
Какие вопросы мы задавали
Мы брали запросы, с которыми к нейросети реально приходят люди. Вопросы были трёх типов. Первый — без названия клуба вообще, чтобы увидеть, кого ИИ вспоминает сам: «Какие команды играют в РПЛ?», «Кто фаворит сезона 2026/27?», «За какими клубами РПЛ интересно следить?», «Лучшие детские футбольные школы при клубах». Второй — о конкретном клубе, с пометкой „ФК”: «Расскажи о ФК „Ахмат”», «Последние новости ФК „Акрон”», «Действующий состав и главный тренер» — так мы проверяли качество ответа. Третий — на одном названии, без слова „футбол”: просто «расскажи про „Балтику”» — чтобы понять, опознаёт ли ИИ клуб или уходит в напиток, город и завод.
Основной принцип: каждую формулировку задавали в нескольких вариантах, а часть вопросов прогоняли по нескольку раз. Так результат не зависит от случайной фразы или разового ответа нейросети.
Рейтинг: кого нейросети вспоминают сами
Первое, что мы увидели, — вершину рейтинга можно было предсказать заранее. «Зенит», «Спартак», «Краснодар», ЦСКА, «Локомотив», московское «Динамо» — все наверху, и это логично: большие клубы с постоянным потоком публикаций на ключевых ресурсах. Средний индекс видимости по лиге при этом вышел невысоким — половина клубов заметно отстаёт от лидеров, разрыв между первым и последним — в пять раз. А вот дальше, за пределами топа, начались те самые сюрпризы, ради которых всё и затевалось.
«Зенит» — единственный, кого ИИ узнаёт всегда
Источник: собственное исследование Звонко, июнь 2026.
Нас удивила не первая строчка — её мы как раз ждали, — а то, насколько ровно «Зенит» держится на всех шести платформах. Остальные клубы от нейросети к нейросети смотрятся не так стабильно: где-то их уверенно знают, где-то почти нет. «Зенит» же узнают везде и почти всегда называют одним из первых. Это результат многолетнего объёма публикаций — в профильных СМИ и в контексте еврокубков, — который сформировал настолько плотный цифровой след, что мимо него не проходит ни одна из моделей.
Карта лиги: индекс видимости против качества
Источник: собственное исследование Звонко, июнь 2026.
Чтобы увидеть картину целиком, мы развели два показателя по осям. По горизонтали — индекс видимости: как часто и как высоко ИИ называет клуб сам, без подсказки имени. По вертикали — качество ответа: насколько хорошо нейросеть отвечает, когда о клубе спрашивают напрямую. Получились четыре квадранта.
В правом верхнем углу — клубы, которых и знают, и хорошо описывают: это топ лиги. В левом нижнем — те, кто проседает по обоим показателям сразу. А самый интересный — правый нижний угол: клубы, о которых ИИ отвечает отлично, но сам почти никогда о них не вспоминает. Именно про них — следующий раздел.
«Знают, но не зовут»: парадокс сильных, но незаметных
Возьмём махачкалинское «Динамо», «Крылья Советов» и «Ахмат». Спросите нейросеть про любой из этих клубов напрямую — получите подробный и корректный ответ: история, состав, тренер. По качеству ответа они на уровне ЦСКА. Но стоит задать общий вопрос «перечисли команды РПЛ» — и этих клубов в списке часто нет. Их индекс видимости в два-три раза ниже качества.
Источник: собственное исследование Звонко, июнь 2026.
Вот что это значит. У клуба есть свежие новости, есть официальный сайт, есть страница в «Википедии» — всю эту информацию нейросеть находит. Но в «списочный» ответ попадают те, кого чаще называют рядом со словами «РПЛ» и «Премьер-лига» в спортивных СМИ. Знать клуб и вспоминать о нём самому — для ИИ это две разные вещи. И решает здесь объём упоминаний в нужном контексте, а не сила клуба в футбольном матче.
Когда ИИ не понимает, что перед ним футбольный клуб
Источник: собственное исследование Звонко, июнь 2026.
Мы задавали вопросы вида «расскажи про Балтику» — без слов «ФК» или «футбол». И почти четверть клубов нейросеть в таких сценариях не опознаёт как футбольный клуб.
«Балтика». На одном названии нейросети вспоминают бренд напитков или Балтийское море. Идентичность футбольного клуба: 39 из 100.
«Акрон». «Расскажи про Акрон» — и речь пойдёт про город в Огайо или производителя удобрений. Опознают как клуб: 47 из 100.
«Родина». Слово слишком нагруженное: отечество, родная страна. На одном названии клуб видят как футбольный лишь в 13 случаях из 100 — антирекорд всего исследования.
«Краснодар» и «Ростов» иногда теряются по другой причине: они называются так же, как города. Без контекста «футбол» ИИ выбирает более частотное значение.
Один клуб в разных ИИ — разная видимость
Источник: собственное исследование Звонко, июнь 2026.
Разрыв между платформами оказался больше, чем мы ожидали. Один и тот же клуб в разных нейросетях набирает совершенно разную видимость:
- «Акрон». Одни нейросети уверенно его знают, другие — почти нет. Разрыв между самой «знающей» и самой «незнающей» моделью — десятикратный.
- «Родина». У западных моделей клуб проседает вплоть до полного нуля — они его практически не находят. Российские нейросети справляются заметно лучше.
- Махачкалинское «Динамо». Та же картина: в российских ассистентах клуб виден, в западных — теряется.
Причина — в том, на каких данных обучались модели. Claude и Gemini собраны в основном на англоязычном корпусе, и молодые российские клубы в него практически не попадают. GigaChat и «Алиса» обучены на российских данных («Чемпионат», Sports.ru и др.). По данным отчёта «Поиск с Алисой» (Ашманов и партнёры), нейроответ «Алисы» формируется из топ-10–20 органической выдачи — это и объясняет, почему русскоязычные ИИ знают молодые клубы в десятки раз лучше западных. Подробнее про механику ответов мы разбирали в материале о GEO-оптимизации под ответы ИИ.
Откуда нейросеть берёт мнение о клубе
Источник: собственное исследование Звонко, июнь 2026.
Топ источников по числу цитирований в наших ответах: championat.com (174), ru.wikipedia.org (101), sports.ru (88), sport-express.ru (62), ria.ru (61), soccer365.ru (58), vk.com (52), dzen.ru (48).
Официальный сайт клуба — не лидер этого списка. ИИ обращается к источникам, которые агрегируют информацию сразу о многих клубах. И клуб, которого мало на «Чемпионате» или в «Спорт-Экспрессе», для нейросетей малозаметен — независимо от реальных результатов на поле.
И вот главный вывод исследования: рейтинг ИИ-видимости — это слепок спортивного медиаполя, а не турнирной таблицы РПЛ. Кто доминирует на «Чемпионате», в «Википедии» и на Sports.ru — того нейросеть и «видит» в первую очередь. Место в таблице, бюджет, история — всё это влияет на ИИ-видимость только косвенно, через объём публикаций в тех источниках, которые нейросеть читает. Меняется медиаполе — меняется и картина в ответах ИИ. Как мерить эту картину системно, мы описывали в обзоре инструментов AEO-мониторинга.
Кого ИИ пропускает — и что с этим делать
Источник: собственное исследование Звонко, июнь 2026.
Пятёрка аутсайдеров: «Родина» (19), махачкалинское «Динамо» (20), «Факел» (24), «Акрон» (27), «Оренбург» (29). Молодые клубы, коллизии имён — или и то, и другое сразу.
Четыре рычага, которые реально влияют на ИИ-видимость:
- Регулярный контент с явным упоминанием клуба рядом с «РПЛ» и «Премьер-лигой». Нейросети подтягивают свежие данные.
- Присутствие в профильных СМИ — «Чемпионат», Sports.ru, «Спорт-Экспресс». Пресс-служба, которая работает только на официальном сайте и в VK, для ИИ почти невидима.
- «Википедия». У нескольких аутсайдеров статьи скудные или давно не обновлялись. А «Википедия» — второй по цитированиям источник в нашем исследовании.
- Schema.org — разметка SportsOrganization / SportsTeam помогает нейросетям однозначно опознать объект как клуб, а не напиток, не город, не абстрактное понятие.
Это снимок данных по состоянию на июнь 2026. ИИ-ответы меняются, и мы обязательно замерим их снова.
Всю презентацию с результатами исследования можно посмотреть здесь.
Частые вопросы
Это рейтинг спортивной силы клубов?
Нет. Это рейтинг ИИ-видимости на дату замера. «Крылья Советов» по качеству ответа не уступают ЦСКА, но по индексу видимости отстают вдвое. Потому что в ИИ решает частота упоминаний в правильных источниках, а не спортивный результат.
Почему «Крылья Советов» знают, но почти не называют?
Это самый яркий парадокс исследования. Спросите про «Крылья» напрямую — и нейросеть выдаст корректную историю и состав: качество ответа высокое. Но в ответе на «перечисли команды РПЛ» клуб часто выпадает из списка. Причина — частота упоминаний в связке с «РПЛ» на «Чемпионате» и Sports.ru ниже, чем у топ-клубов. Информация о клубе есть, но её недостаточно много именно в «списочном» контексте.
Какие нейросети участвовали?
ChatGPT, Claude, Perplexity, Gemini, «Алиса» (Яндекс) и GigaChat. Шесть платформ с разным покрытием русскоязычного корпуса — а это напрямую влияет на видимость российских клубов.
Почему «Зенит» первый?
Его называют первым почти всегда. И, что важнее, узнают во всех шести нейросетях без единого провала. Многолетний поток публикаций на всех ключевых ресурсах создал плотный цифровой след, мимо которого не проходит ни одна модель.
Почему ИИ путает «Балтику» с напитком?
На одном названии нейросеть выбирает наиболее частотное значение из своего корпуса. «Балтика»-напиток и Балтийское море встречаются в текстах кратно чаще, чем калининградский клуб. Похожая история у «Акрона» (город в Огайо / завод) и «Родины» (отечество). Слово «футбол» в запросе исправляет ситуацию — но пользователи добавляют его не всегда.
Можно ли влиять на ИИ-видимость?
Да. Контент, профильные СМИ, «Википедия», 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.
Это разовый снимок?
Да, снимок на июнь 2026 года. Если клуб не появляется в правильных источниках, картина сама не улучшится. Повторный замер планируем через полгода.
Об авторах
Сергей Бурый, Дмитрий Зимин, Игорь Новиков — команда Звонко, AEO/GEO-агентство. Измеряем и улучшаем то, как компании и бренды выглядят в ответах нейросетей. В спортивной журналистике у нас общее прошлое, в ИИ-видимости — ежедневная работа.
Метод исследования открыт: 16 клубов, шесть нейросетей, вопросы в двух режимах — и без названия клуба, и напрямую о нём. Каждый вопрос задавали в нескольких формулировках и с повторами. Все ответы сохранены — замер можно повторить по нашей схеме и сверить картину.
Раскрытие интересов: Звонко работает с брендами над ИИ-видимостью.