Почему ИИ-ассистенты галлюцинируют адреса (и как это исправляют геоверифицированные данные)

TL;DR: ИИ-ассистенты выдумывают правдоподобные, но ошибочные адреса с частотой от 6 % у сетевых отелей до 38 % у независимых апартаментов. Решение состоит не в том, чтобы корректировать модель. Опубликуйте однозначную ground truth через разметку Schema.org Place, верифицированные координаты и канонический внешний идентификатор, и удерживайте эту истину согласованной на каждой платформе, где появляется бизнес.

Спросите ChatGPT адрес трёхзвёздочного отеля в Порту, и он почти наверняка ответит названием улицы, номером дома и почтовым индексом. Ответ прозвучит уверенно. Для крупных сетей он, как правило, будет верным. Для независимого бутик-отеля в двух улицах оттуда ответ имеет заметную вероятность оказаться ошибочным.

Это не редкий пограничный случай. Это предсказуемый результат того, как языковые модели порождают текст, и он напрямую бьёт по любому бизнесу, чья работа зависит от нахождения в конкретной точке.

Механика геогаллюцинации

Языковая модель не хранит базу данных адресов. Она хранит статистическое распределение по токенам. Когда у неё запрашивают адрес, она предсказывает последовательность токенов, которая выглядит как адрес заведения такого типа в этом городе.

Если в обучающих данных реальный адрес встречался многократно, согласованно и в авторитетных источниках, предсказание сходится к правильной строке. Если адрес появлялся редко, противоречиво или не появлялся вовсе, модель интерполирует. Она подбирает улицу, подходящую району по звучанию, номер, подходящий кварталу, и почтовый индекс, укладывающийся в локальный шаблон.

Результат грамматически корректен, географически правдоподобен и зачастую полностью неверен.

Выборочный аудит: частота галлюцинаций по типу запроса

В апреле 2026 года мы прогнали 500 локационных запросов через три ведущих ИИ-ассистента. Каждый запрос касался адреса конкретного заведения. Ответы сверялись с верифицированным адресом объекта в MapAtlas GeoEnrich.

В таблице ниже приведена доля ответов, содержащих хотя бы одну существенную адресную ошибку (неверная улица, неверный номер, неверный индекс или неверный город). Цифры ориентировочны и относятся к данной выборке.

Источник: выборочный аудит MapAtlas, апрель 2026, n=500 запросов.

Выделяются два паттерна. Во-первых, частота галлюцинаций растёт по мере того, как веб-след заведения становится разрежённым и противоречивым. Апартаменты, которые часто существуют на единственной платформе бронирования без независимого сайта, страдают сильнее всех. Во-вторых, Perplexity стабильно галлюцинирует меньше, вероятно потому, что его слой retrieval чаще опирается на живые источники, а не на параметрическую память модели.

Разбор конкретного случая

Запрос, сделанный в апреле 2026 года: «Какой адрес у гостевого дома Casa do Vale в Порту?»

Галлюцинированный ответ одного из ведущих ассистентов:

Casa do Vale находится по адресу Rua de Santa Catarina 142, 4000-442 Porto, Portugal.

Верифицированный ответ по собственным данным объекта и MapAtlas Geocoding:

Casa do Vale, Rua do Vale 38, 4200-512 Porto, Portugal.

Неверная улица, неверный индекс, не та сторона города. Галлюцинированный ответ отправляет гостя в торговый квартал в трёх километрах от фактического гостевого дома. Ошибка не случайна. Rua de Santa Catarina является самой известной торговой улицей Порту и активно представлена в обучающих данных по запросам о размещении в Порту. Модель по умолчанию ушла к сильнейшему статистическому приору для этого города.

Почему структурированные данные меняют исход

Страница листинга с корректно сформированным JSON-LD блоком Place или LodgingBusiness даёт модели то, что можно извлечь, а не выдумать.

{
  "@context": "https://schema.org",
  "@type": "LodgingBusiness",
  "name": "Casa do Vale",
  "address": {
    "@type": "PostalAddress",
    "streetAddress": "Rua do Vale 38",
    "postalCode": "4200-512",
    "addressLocality": "Porto",
    "addressCountry": "PT"
  },
  "geo": {
    "@type": "GeoCoordinates",
    "latitude": 41.1621,
    "longitude": -8.5937
  },
  "identifier": {
    "@type": "PropertyValue",
    "propertyID": "wikidata",
    "value": "Q00000000"
  }
}

Для снижения галлюцинаций важны три особенности этого блока:

1. Структурированные поля. Модели не нужно разбирать предложение. Улица, индекс, город и страна представляют собой отдельные ключи.
2. Координаты, соответствующие адресу. Краулер может проверить, что широта и долгота попадают в полигон почтового индекса. Несовпадения помечают данные как ненадёжные.
3. Стабильный внешний идентификатор. Wikidata или Google Place ID привязывают листинг к канонической сущности. Модель может сверять адрес с авторитетным источником, а не полагаться на частотность в обучающих данных.

Когда все три условия выполнены, извлечение замещает генерацию. Вероятность галлюцинированного ответа резко падает.

Слой согласованности NAP

Разметка на странице листинга необходима, но недостаточна. ИИ-системы сверяют адрес с другими публичными источниками: Google Business Profile, OpenStreetMap, Yelp, Tripadvisor, платформами бронирования и открытым вебом. Когда они расходятся, уверенность падает, и модель с большей вероятностью начинает хеджировать или генерировать.

Именно поэтому согласованность Name, Address, Phone (NAP) между платформами является более сильным предиктором цитирования, чем любой отдельный сигнал. Листинг с идеально оформленной разметкой, но противоречивым адресом в Google Business Profile всё равно покажет слабый результат. Механика подробно разобрана в материале Согласованность NAP для ИИ-поиска.

Что реально снижает риск галлюцинаций

Четыре меры дают наибольший сдвиг стрелки в проводимых нами аудитах:

1. Публикуйте верифицированные координаты рядом с адресом. Текстовый адрес является строкой. Координаты являются проверяемым фактом. MapAtlas Geocoding конвертирует сырые адреса в точные широту и долготу в масштабе и помечает входные данные, которые не разрешаются чисто.

2. Оборачивайте геофакты в JSON-LD. Типы Place, LodgingBusiness, Hotel, Restaurant и LocalBusiness принимают поля address, geo и identifier. Пропущенные поля находятся ровно там, где модель начинает угадывать.

3. Сводите данные к каноническому идентификатору. Привязывайте листинг к QID в Wikidata или Google Place ID. Это даёт ИИ-системам первичный ключ для дедупликации.

4. Обогащайте контекстом окружения. Галлюцинации не ограничиваются полем адреса. Модели также выдумывают ближайшие достопримечательности, остановки транспорта и время пешей прогулки. Верифицированные данные о близости, генерируемые MapAtlas GeoEnrich, закрепляют и эти утверждения. Локационные FAQ представляют собой эффективную поверхность для экспонирования этих данных.

Бизнес-цена галлюцинированного адреса

Неверный адрес, выданный ИИ-ассистентом, не просто ставит модель в неловкое положение. Он отправляет реального гостя не туда. Последствия накапливаются:

• Отменённое бронирование или, что хуже, неявка.
• Негативный отзыв, в котором упомянуто не то место, который затем попадёт в обучающие данные следующего поколения моделей.
• Сниженная уверенность в цитировании листинга на будущее, потому что в открытом вебе теперь есть противоречивые сигналы.

Асимметрия здесь важна. Галлюцинированный адрес бьёт по листингу, даже если сам листинг ни в чём не виноват. Решение не в том, чтобы исправить модель напрямую, что невозможно, а в том, чтобы сделать источник истины достаточно однозначным, чтобы у модели не было повода генерировать в принципе.

Как проверить собственную уязвимость

Бесплатный MapAtlas AEO Checker оценивает листинг по 29 структурированным сигналам, включая адресную разметку, наличие координат, согласованность NAP и внешние идентификаторы. Листинги, проходящие эти проверки, существенно реже искажаются в ответах ИИ. Листинги, не проходящие их, относятся к тем, где модели приходится угадывать.

Геогаллюцинации не являются причудой какого-то одного ассистента. Это предсказуемое следствие обучения на открытом вебе, где один и тот же бизнес появляется со слегка разными адресами в десятках источников. Решение состоит в том, чтобы опубликовать один источник истины в формате, который ИИ-системы могут извлечь, и сделать этот источник согласованным везде, где бизнес представлен.

По теме:

• Локационные FAQ для ИИ-поиска
• SEO было «ключ к ключу», теперь это «база к базе»
• Согласованность NAP для ИИ-поиска
• Проверьте свой показатель видимости в ИИ бесплатно