Мы вскрыли, как ChatGPT, Gemini и DeepSeek показывают «источники» — и это не один и тот же механизм под капото

Мы вскрыли, как ChatGPT, Gemini и DeepSeek показывают «источники» — и это не один и тот же механизм под капотом.

Что нашли:
— у каждой системы свой сетевой обмен и свой формат ответа;
— интерфейс не «показывает правду», а вытаскивает цитаты из разных полей JSON;
— цитирование — это не единый стандарт, а локальная реализация конкретного продукта.

Самое интересное — не архитектура, а поведение. Одни модели аккуратно подхватывают релевантные ссылки, другие могут цитировать слабосвязанные страницы, если они попали в ответный пайплайн. То есть блок с ссылками ≠ гарантия, что модель опиралась именно на них.

Мы прогнали одинаковые запросы через три системы по 10 раз и увидели: набор «источников» плавает, а значит, у цитирования есть рандомизация и разные внутренние правила отбора. 📉

Для growth-команд вывод простой: если вы строите стратегию видимости в LLM, смотреть надо не только на «попали ли в ответ», а на то, как именно система выбирает и ранжирует ссылки. Иначе будете оптимизировать не тот слой.