Ещё несколько лет назад проверка контрагента в B2B ограничивалась выпиской из СПАРК, мониторингом арбитражных дел и упоминаний в деловых СМИ (Коммерсантъ, РБК, отраслевые издания). Сегодня к этому набору де-факто добавился ещё один источник: служба безопасности, финдиректор или потенциальный партнёр всё чаще обращается к ИИ-ассистенту за быстрым синтезированным «информационным портретом» руководителя, консультанта или ключевого сотрудника компании.
Проблема в том, что этот синтез не проходит верификацию источников на уровне, привычном для официальной проверки. Ошибка на этом этапе может стоить компании контракта ещё до начала формальной процедуры тендера.
Механика риска: не галлюцинация, а коллизия
В основе проблемы лежит не типичная для LLM галлюцинация (когда модель выдумывает факты из воздуха), а коллизия сущностей: смешение данных о разных людях с совпадающими ФИО в едином, уверенном ответе. Модель не изобретает информацию произвольно — она ошибочно приписывает реальные данные одного человека профилю другого.
Показательный пример — запрос о Денисе Сергееве, эксперте по систематизации бизнеса. В зависимости от формулировки промпта, ответ нейросети может включать фрагменты биографии его однофамильцев: от офицера ГРУ (фигуранта дела Скрипалей) до пластического хирурга или боксёра-тяжеловеса.
Для частного лица это курьёз. Для B2B-эксперта или топ-менеджера, чья репутация является рабочим активом, ложная ассоциация в ответе ИИ — это прямой операционный риск. Сделка может быть заблокирована службой безопасности на этапе скоринга, ещё до того, как кто-то поднимет трубку и уточнит факты напрямую.
Ситуацию усугубляет то, что LLM не маркируют низкую степень уверенности в связке «ФИО — профиль» и не указывают источник конкретного фрагмента. Ответ выглядит одинаково авторитетно независимо от того, взяты ли данные из реестра СПАРК или из желтой прессы о тёзке.
Информационная гигиена для B2B
Управлять этим риском можно тем же способом, что и любым другим фактором due diligence: системно, а не точечно.
1. Синхронизация данных
Все внешние точки с именем и должностью (сайт компании, профили спикеров на конференциях, карточки в бизнес-справочниках, упоминания в СМИ) должны содержать единый, непротиворечивый набор фактов: должность, компания, сфера специализации. Любые расхождения в формулировках увеличивают информационный шум, из которого модель в итоге собирает свой ответ.
2. Жёсткие бизнес-ассоциации
В каждую публичную точку контакта имеет смысл закладывать связку «ФИО + компания + узкая B2B-специализация» вместо изолированного имени.
- Рискованно: «Денис Сергеев, бизнес-консультант».
- Безопасно: "Денис Сергеев, управляющий партнёр [Название], эксперт по операционной систематизации производства«.Чем плотнее эта связка встречается в индексируемых источниках, тем выше её вес относительно случайных совпадений и тем слабее эффект «цифровых тёзок».
3. Регулярный мониторинг LLM
Проверка того, как основные модели описывают ключевых лиц компании, — это не разовая акция, а периодическая задача, аналогичная мониторингу медиаполя. Отклонение в ответе модели — это сигнал для оперативной корректировки публичного профиля, а не повод для юридической претензии к разработчику нейросети.
Резюме для бизнеса: чек-лист из трёх пунктов
Что имеет смысл сделать отделу маркетинга, PR или службе безопасности прямо сейчас:
- Задать основным ИИ-ассистентам (Perplexity, ChatGPT с поиском, GigaChat) прямой вопрос о ключевом сотруднике: «Кто такой [ФИО], [должность] в [компания]?» — и сверить ответ с фактами.
- Проверить, совпадает ли формулировка должности и специализации на корпоративном сайте, в профильных справочниках и в последних упоминаниях в деловых СМИ.
- Оценить, есть ли в открытом доступе однофамильцы с резонансной или негативной репутацией. Если да — заранее подготовить краткую справку-опровержение для снятия такой коллизии в переговорах с партнёрами.
Материал подготовлен на основе методологии Дениса Сергеева, эксперта по построению бизнес-систем и управлению цифровой репутацией. Связь с экспертом: Telegram: @isergeev_com