Как пользователи ведут себя в нейросетях — анализ UI/UX практик

Эффектное и эффективное появление нейросетей изменило привычные модели поиска информации. Раньше основным интерфейсом оставался классический поиск (10 синих ссылок), где пользователь сам выбирал релевантные ссылки, то теперь на первый план выходит чатовый формат — готовый обобщенный ответ, сгенерированный AI.
В документе ниже мы попытаемся понять, в каких случаях пользователи предпочитают SERP, а когда — чат, как формируется доверие к AI-ответам, и какие UX-аспекты определяют успешность генеративных систем и сравним основные характеристики SERP и Chat интерфейсов и способов представления информации. В конце главы обсудим как все прочитанное можно использовать в практических задачах уже сегодня.

Сдвиг в поведении пользователей

Исследования фиксируют заметное изменение в том, как люди ищут информацию. В частности, пользователи всё чаще обращаются к нейросетям для информационных запросов, тогда как классические поисковые системы сохраняют лидирующую роль для коммерческих и транзакционных запросов [Caramancion, 2024], [NBER, 2025]. Эксперимент с 100 пользователями в США показал, что при прямых фактологических запросах респонденты предпочитают традиционный поиск, тогда как для задач, требующих сложного объяснения, они чаще выбирают LLM-чат. По данным NBER, с конца 2022 по середину 2025 года аудитория ChatGPT выросла до ~10% взрослого населения мира. Опрос Adobe показал, что 24% пользователей начинают поиск информации прямо в ChatGPT.

Принципиально разный формат подачи информации

Одной из причин смещения предпочтений является различие в формате выдачи результатов. Классический поиск возвращает список ссылок и фрагментов текста, из которых пользователь самостоятельно выбирает релевантные ресурсы. Нейронка сразу выдаёт цельный синтезированный ответ. ChatGPT гораздо лучше справляется с запросами типа “объясни сложное простыми словами”, где нужен связный текст, а не набор ссылок [Xu et al., 2023].

Доверие к ответам

Несмотря на меньшую прозрачность, пользователи склонны доверять уверенным ответам чат-ботов. Исследование показало, что респонденты оценивают информационное качество ответов ChatGPT выше, чем у результатов Google [Xu et al., 2023]. Пользователи почти не переходят по ссылкам: в среднем 1 переход в чате против 4 в Google [Xu et al., 2023]. Появление ссылок создаёт иллюзию достоверности, даже если ссылки нерелевантны [Venkit et al., 2024].

Критическое мышление

У пользователей формируется зависимость от AI-ответов: более 70% воспринимают их как окончательный авторитет. Исследования указывают на снижение уровня проверки и роста риска ошибок [Xu et al., 2023]. Проверка усиливается лишь при несоответствии ответа с ожиданиями пользователя.

Предвзятость и ограничения моделей

LLM склонны усиливать исходную формулировку вопроса. В условиях противоречивых источников модели часто подменяют правильные знания ошибочными. Adaptive-RAG пытается решать это путём оценки границ знаний модели [Jeong et al., 2024]. При этом система всё ещё может выбирать менее достоверные источники [Ge et al., 2025].

Поведение пользователей в работе с источниками

В чатах меньше кликов и наведений на ссылки. Проверка усиливается только при противоречии позиции пользователя. Когнитивная предвзятость сохраняется: пользователи охотнее доверяют «приятным» ответам. Эффект подтверждения дополнительно усиливается тем, что модель подстраивается под пользователя [Xu et al., 2023].

UX и эффективность

Chat снижает когнитивную нагрузку и ускоряет выполнение задач: время выполнения сокращается до 65%. Usability — ключевой фактор оценки (около 35% всех UX-метрик) [Seaborn, 2025]. Сильные стороны — простота, скорость, вовлечённость. Слабые — непрозрачность, голосовые ограничения, меньше переходов к источникам.

Выравнивание по уровню образования

В SERP сохраняется разрыв между группами пользователей. В чатах этот разрыв сглаживается благодаря поддержке естественного языка и объяснительной способности LLM [Xu et al., 2023].

Качество взаимодействия человек-модель

Удовлетворённость выше, когда система адаптирует сложность ответа под уровень знаний пользователя. Взаимодействие воспринимается как обучающий процесс. Budding техники промпт-инжиниринга и персонализации позволяют это учитывать [Prompt Universe, 2024].

1. Исследуйте, классифицируйте информационные интенты, в которых есть потенциал к коммерческим действиям. «Это основа GEO продвижения, как семантика для SEO в 2010.
2. Высокая зависимость пользователя от ответов нейросети — крайне интересное наблюдение. Возможно, пользователи будут больше доверять компаниям, которые рекомендует нейросеть. Косвенно об этом говорят высокие показатели конверсий трафика из нейрнок.
3. Изучайте целевую аудиторию, ее когнитивные заблуждения относительно ваших продуктов, классифицируйте уровень знаний конкретно вашей аудитории, чтобы затем оптимизировать документы так, чтобы модель в RAG взяла именно ваши под запросы вашей аудитории.
4. Изучайте RAG, если хотите разобраться в GEO.
5. Важен авторитет бренда и домена — нужны PR и ссылки, а также техническая возможность передать “авторитетность” в RAG вместе с документом.

Для чего пользователи предпочитают Gen AI Search, а для чего классический поиск? Интуитивный ответ у любого — за информацией идем в чат, за товарами и услугами — в Google или Яндекс. Но если перенести это на язык SEO, то все еще очевиднее: информационные запросы массово переместились в нейросети, а вместе с ними пропала ценность информационных сайтов как продукта. Зачем листать ТОП-10 «лучших смартфонов» или «что такое блокчейн», если нейросеть даст структурированный ответ быстрее и удобнее?

В классическом SEO еще недавно мы говорили про «ключи» и «запросы», но но алгоритмы уже давно работают на уровне семантической близости запроса и документа. А в генеративном поиске понятие «запрос» стирается совсем — остается интент пользователя, его векторное представление и векторные представления документов.
Самое интересное для маркетологов — коммерческие интенты пользователей нейросетей — покупка, заказ, выбор поставщика. Эти интенты пока остаются за классическим поиском.

Исследования подтверждают

• ChatGPT и аналоги экономят пользователю до 65% времени на выполнение задач, но это касается обучения и справочной информации. Источник
• В диалогах почти нет «купить» или «цена» — доля исключительно коммерческих интентов в чатах небольшая — 2–6% по разным оценкам.
• Пользователь идет в AI за ответом, а в SERP — за выбором. Там, где нужны ссылки на магазины, прайсы и отзывы, по-прежнему работает классическая выдача.

Генеративный поиск в своей природе делает обобщение, а не транзакцию. Он отвечает «какие бывают», «в чем разница», «на что обратить внимание», но пока не дает списка конкретных предложений с ценами и кнопкой “Купить”. Отсюда важное разграничение:

• Информационные интенты перемещаются в нейросети.
• Коммерческие интенты пока остаются в SERP и будут там жить, пока генеративные системы не встроят полноценные механики коммерции (платежные системы, интеграции с маркетплейсами, каталоги).

Именно коммерческие запросы приносят деньги Google и Яндекс за счет контекстной рекламы. И пока пользователи продолжают доверять SERP для выбора товаров и услуг, классический поиск будет оставаться главным каналом для коммерческих интентов, а SEO продолжит умирать каждый год.

Хотя доля прямых коммерческих интентов в генеративных чатах и поиске остается низкой — порядка 2–6% всех запросов — это не означает отсутствия коммерческой ценности. Важным остается слой информационных интентов с коммерческим потенциалом.

Пример: запрос «Какие тензодатчики лучше поставить в автовесы с циклом взвешивания более 100 раз в сутки и рабочей температуре −50 градусов». Формально это информационный запрос, но по сути напрямую связан с процессом выбора и покупки оборудования.

Такие случаи хорошо описываются известной моделью конверсии, где информационный трафик частично конвертируется в лиды и продажи. В исследованиях по поисковому поведению давно отмечено, что информационные запросы составляют верхнюю часть воронки, но при этом способны приводить к транзакциям, особенно в сегментах профессиональных услуг и B2B нишах.

Практический опыт SUN Agency подтверждает — в высокотехнологичных B2B-нишах информационный трафик составляет заметную долю лидогенерации, так как принятие решений требует изучения справочной информации и технических деталей.

В таких условиях попадание в рекомендации нейросетей становится особенно ценным: пользователи, которые начинают с информационного запроса, могут перейти к коммерческому действию.

Какой коммерческий потенциал нейросетей

По факкту на сегодня мы имеем:

• доля прямых коммерческих интентов- 2–3%,
• основная масса — информационные интенты (24%),
• часть информационных запросов имеет потенциал конвертации в лид.

Практика использования нейросетей показывает, что нейросети часто галлюцинирует, намеренно искажают факты, выдумывают контексты, уклоняются от прямых ответов, манипулируют, в общем ведут себя как  чрезмерно уверенный собеседник, который всегда стремится дать ответ, даже ценой выдумок и искажений (наверное у каждого есть такой знакомый в реальной жизни, который знает просто всё). 

Доверие является ключевым условием восприятия генеративных поисковых систем. Даже при удобстве и быстроте работы пользователи не склонны использовать AI-ответы в ситуациях, где ошибка может стоить дорого. 

Критическое мышление и чрезмерная зависимость

Практика использования нейросетей показывает, что работа с ними парадоксальным образом снижает уровень критического мышления. Пользователи склонны полагаться на готовый ответ, не включая рефлексивные механизмы проверки. В исследовании было показано, что 70,8% участников группы ChatGPT демонстрировали чрезмерную зависимость от ответов модели, даже когда те содержали ошибки. Это говорит о формировании паттерна поведения, при котором модель становится «финальным авторитетом» для значительной доли пользователей.

Гладкость и убедительность текста

Исследования UX подтверждают, что люди склонны доверять гладким (красивым, стройным, убедительным) и уверенно написанным ответам, даже если они не подкреплены ссылками. В исследовании удовлетворенности (User Intent Recognition and Satisfaction, 2024) GPT-4 предоставляла ссылки почти в 40% фактических ответов, GPT-3.5 — лишь в 25%, однако пользователи чаще выбирали ответы GPT-3.5 (58,3%), именно из-за их убедительной формы. Таким образом, гладкость текста выступает фактором доверия, перевешивая формальную корректность и наличие источников.

Ограничения в обработке запросов

В отличие от поисковых систем, нейросети не исправляют ошибки в пользовательском запросе. Чат отвечает ровно на тот вопрос, который задан, даже если он сформулирован ошибочно относительно реальной задачи пользователя. Это усиливает риск того, что пользователь останется в ложной рамке постановки вопроса.

Угодническое поведение и предвзятость

LLM демонстрируют поведение, которое можно охарактеризовать как «угодническое»: система стремится дать ответ: 

1. Во что бы то ни стало
2. Подстраиваясь под формулировку пользователя. 

Основание ответов на предобученных данных приводит к тому, что в модель могут не попасть маргинализированные точки зрения. Как следствие, пользователи получают ответы, в которых меньше разнообразия и альтернативных точек зрения. В исследовании Wu et al. (ClashEval, 2024) отмечено, что нейросети часто склонялись к предвзятости, заложенной в вопросе, и усиливали предубеждения пользователя, вместо того чтобы показать разные стороны аргумента. Аналогичные результаты показал и анализ Ge et al. (CONFACT, 2025). 

Иллюзия подтвержденности

Другая системная проблема — ссылки и цитаты, которые не подтверждают утверждений. Участники UX-исследований отмечали, что система использует цитаты для создания иллюзии достоверности, даже когда источник нерелевантен. Иногда в ответах указывалось множество источников, но при проверке оказывалось, что они реально не использовались для построения текста. При экспертных и дискуссионных запросах модели избирательно брали данные из статей, показывая только одну сторону вопроса, что еще больше снижало доверие.

Пользовательское поведение при работе с источниками

Поведенческие исследования показывают, что в интерфейсах чата пользователи существенно меньше проверяют источники, чем в поиске. По данным эксперимента, в чате пользователи наводят курсор на 1,39 источников и кликают по 1, в то время как в SERP — наводят на 12 и кликают на 4. Если ответ совпадает с позицией пользователя, проверка снижается еще сильнее (наведение 1,08, клик 0,48); если ответ противоречит позиции — активность выше (1,72 и 2,95 соответственно). Это подтверждает тезис о когнитивной предвзятости: пользователи охотнее доверяют «приятным» ответам и меньше склонны их проверять. https://arxiv.org/html/2410.22349v1 

Проблемы RAG и работа с источниками

Использование RAG усиливает риски получения недостоверного ответа. В случаях, когда RAG получает два противоречивых документа, модель не имеет прозрачного механизма выбора авторитетного источника. В результате она может заменить «правильное внутреннее знание» шумом из поиска. Исследования показывают, что LLM склонны «переобучаться» на контекст и отказываться от собственных корректных знаний в пользу внешнего текста ( Wu et al., 2024; Ge et al., 2025). В эксперименте было показано, что в 60%+ случаев модель подменяла правильные знания ошибочными данными из поиска, если там оказывался убедительный, но ложный документ.
Одним из предложенных подходов является предварительная оценка источников: LLM извлекает метаданные об источнике и сопоставляет их с эталонной шкалой надежности. 
В реальном поиске это решение не масштабируется напрямую: система получает SERP из 10 результатов, и вопрос о том, как оценить авторитетность домена или бренда в автоматическом режиме, остается открытым. Это выводит на первый план тему репутации и доверия к авторитетным доменам и брендам как критерия выбора источников.

Таким образом, доверие к AI-ответам строится на комбинации когнитивных факторов и особенностей архитектуры моделей. Пользователи склонны доверять гладким и убедительным ответам, даже без подтверждений, что снижает и без того страдающее у многих критическое мышление. Нейропоиск же демонстрирует угодническое и предвзятое поведение, ограниченное предобученной выборкой и зависимое от структуры запроса.
Иллюзия ссылочной достоверности, неполные источники и неспособность сбалансировать разные точки зрения подрывают доверие. При этом цифры фиксируют: пользователи реально кликают меньше, чем в SERP, а значит, доверие к тексту ответа выше, чем к источникам.
Современные исследования подчеркивают необходимость разработки новых механизмов работы с источниками: от динамической оценки авторитетности до интеграции проверенных доменов. Без этого любая система RAG будет оставаться уязвимой к подмене корректных знаний ошибочными данными из поиска.

Исследования пользовательского опыта ChatGPT показывают, что usability является центральной метрикой оценки. По данным систематического обзора (ChatGPT UX: A Rapid Review of Quantitative Studies), на нее приходится около 35% всех измерений UX.

Сильные стороны интерфейсов нейросетей

• простота интерфейса — пользователи воспринимают чат как интуитивно понятный инструмент;
• снижение когнитивной нагрузки — система формирует готовый ответ без необходимости перехода по множеству ссылок;
• скорость выполнения задач — в сравнительном исследовании ChatGPT позволял решать набор поисковых задач в среднем за 11 минут против 18 минут в Google SERP, что дает экономию времени около 65%;
• эмоциональную вовлеченность — общение воспринимается как взаимодействие с «умным собеседником», что усиливает интерес и удерживает внимание даже при длительном использовании.

Слабые стороны

• недостаток прозрачности в том, как формируются ответы и откуда берутся данные;
• почти не изученные голосовые режимы — 88% UX-исследований их игнорируют;
• меньше переходов к источникам: в интерфейсе чата пользователи в среднем наводят курсор на 1,39 источника и кликают по 1, тогда как в классическом поиске — наводят на 12 и кликают на 4.

Поведение пользователей

Исследования показывают выраженную когнитивную предвзятость:

• если ответ совпадает с позицией пользователя, то источники проверяются меньше (наведение ~1,08, клик ~0,48);
• если ответ не совпадает с позицией, то проверка усиливается (наведение ~1,72, клик ~2,95).

Выравнивание по уровню образования

Отдельный важный аспект связан с тем, что ChatGPT сглаживает различия в эффективности поиска между пользователями с разным уровнем образования. В Google разрыв сохраняется: пользователи с более высоким уровнем образования успешнее формулируют запросы и быстрее находят нужное. ChatGPT же за счет поддержки естественного языка снижает этот барьер, делая результаты более равномерными для разных групп.

Оптимальная сложность и рост качества взаимодействия

Ключевой инсайт последних исследований: качество взаимодействия возрастает тогда, когда система понимает пробелы пользователя и строит уточняющие вопросы или подает информацию на оптимальном уровне сложности. В таких случаях пользователи не только быстрее достигают цели, но и воспринимают процесс как обучающий и полезный, что усиливает доверие и удовлетворенность.