Saber se sua marca aparece no ChatGPT ou no Gemini não é questão de intuição nem de abrir o chat e digitar o próprio nome uma vez. É um problema de mensuração, e ele exige metodologia. Sem ela, você está tomando decisões de conteúdo, autoridade e posicionamento no escuro.
Este artigo explica como montar um sistema de medição de visibilidade em motores generativos de IA, do conjunto de prompts às métricas que realmente importam, incluindo como calcular share of voice em IA, por que os modelos respondem diferente ao mesmo prompt e com que frequência você precisa repetir as consultas para ter dados confiáveis.
Principais pontos
- Medir visibilidade em IA exige execução sistemática de prompts, não um teste manual esporádico.
- Share of Voice em IA (AI SoV) é calculado como: menções da sua marca / total de respostas monitoradas × 100.
- Os modelos diferem radicalmente entre si: apenas 11% dos domínios citados pelo ChatGPT se sobrepõem aos citados pelo Perplexity.
- Menção, citação com link e recomendação são três métricas distintas, com pesos e implicações diferentes.
- A natureza estocástica dos LLMs exige repetição de cada prompt para separar sinal de ruído.
Por que sua posição no Google não diz nada sobre o ChatGPT
O pressuposto de que quem está bem ranqueado no Google também aparece nos LLMs é falso e mensurável. Uma análise publicada em 2026 mostrou que apenas 2,1% das páginas ranqueadas no top 10 do Google também aparecem entre as citações do ChatGPT. Isso não é coincidência: são sistemas com lógicas de seleção completamente diferentes.
O SEO clássico otimiza para um algoritmo de ranking baseado em links, velocidade de página e intenção de busca. O motor generativo seleciona fontes com base em clareza semântica, autoridade percebida, densidade de dados verificáveis e estrutura que facilita extração. Uma página pode ranquear na primeira posição do Google e ser ignorada pelo ChatGPT porque não está estruturada para ser citada por um modelo de linguagem.
O dado mais relevante para equipes de marketing: o Google AI Overviews já está presente em cerca de 48% das buscas, e o ChatGPT processa mais de um bilhão de consultas por semana. Se 93% das sessões em AI Mode terminam sem um clique para fora da plataforma, a visibilidade de marca dentro da resposta deixa de ser complementar e passa a ser o único ponto de contato com boa parte dos usuários.
Isso significa que uma estratégia de mensuração de visibilidade que só acompanha posições em SERP está medindo um canal que se contrai enquanto ignora outro que cresce.
O que é share of voice em IA e como calculá-lo
Share of Voice em IA (AI SoV) mede a porcentagem de respostas geradas por LLMs, para um conjunto definido de prompts, que mencionam, citam ou recomendam sua marca em relação ao total de respostas monitoradas.
A fórmula base é direta:
- AI SoV = (menções da sua marca / total de respostas executadas) × 100
Exemplo prático: se você monitora 100 prompts relevantes para o seu setor e o ChatGPT menciona sua marca em 15 respostas, seu AI SoV naquele modelo é 15%. Se um concorrente aparece em 38 das mesmas 100 respostas, o problema fica visível sem nenhuma subjetividade.
O número só tem significado em dois contextos: comparado com concorrentes no mesmo universo de prompts, e acompanhado ao longo do tempo. Um SoV de 10% pode ser bom em categorias pulverizadas e ruim em nichos onde o líder detém 40%. Por isso, antes de qualquer diagnóstico, você precisa mapear o SoV dos concorrentes diretos para as mesmas consultas.
Como construir o conjunto de prompts de monitoramento
Um prompt de monitoramento GEO não é "Quais são as melhores agências de marketing?". Ele precisa refletir como usuários reais formulam suas dúvidas em contextos de pesquisa, comparação e decisão. Existem pelo menos quatro clusters que toda estratégia de mensuração deve cobrir:
- Prompts informacionais: "O que é [categoria do seu produto]?", "Como funciona [processo que você resolve]?"
- Prompts de comparação: "Qual a diferença entre [sua solução] e [concorrente]?", "Melhores [categoria] para empresas B2B"
- Prompts por problema: "Como reduzir CAC em e-commerce?", "Por que minhas campanhas de Google Ads não convertem?"
- Prompts de recomendação direta: "Qual [ferramenta/agência/produto] você recomenda para [cenário específico]?"
A quantidade mínima viável é 50 prompts por cluster de monitoramento, executados em cada modelo que você pretende rastrear. Menos do que isso não produz dados estatisticamente confiáveis para separar tendência de ruído. Para mercados competitivos, o padrão é de 100 a 200 prompts por ciclo de medição.
Um detalhe crítico: os prompts devem ser formulados em linguagem de usuário, não de marca. "Qual agência de growth marketing tem o melhor track record em SEO para SaaS?" produz dados mais úteis do que "Quem é a Fator.ag?". A segunda pergunta testa reconhecimento de nome, não visibilidade competitiva.
As cinco métricas que importam na mensuração de presença em IA
Menção não é citação. Citação não é recomendação. Recomendação não é absorção de conteúdo. São quatro níveis diferentes de presença dentro de uma resposta gerada por IA, e cada um tem peso diferente sobre a percepção do usuário.
| Métrica | O que mede | Por que importa |
|---|---|---|
| Mention Rate | % de respostas que citam o nome da marca no texto | Presença básica, não indica posição ou sentido |
| Citation Rate | % de respostas que incluem link ou fonte atribuída | Sinaliza que o modelo usou seu conteúdo como referência |
| Recommendation Rate | % de respostas em que a IA recomenda ativamente sua marca | O sinal mais direto de intenção comercial |
| Citation Absorption | Se seu conteúdo molda o raciocínio da resposta, não só aparece como rodapé | Alta absorção significa autoridade epistêmica no modelo |
| Sentiment | Como a IA descreve sua marca (neutro, positivo, com ressalvas) | Marca citada negativamente pode ser pior que não ser citada |
O Perplexity tende a citar mais fontes por resposta, mas com menor influência média por fonte. O ChatGPT cita menos, mas com absorção substancialmente maior por citação. Isso significa que uma estratégia focada só em aparecer no Perplexity pode estar otimizando para a métrica errada dependendo do comportamento do seu comprador.
Por que o mesmo prompt gera respostas diferentes, e o que isso significa para a medição
LLMs são sistemas estocásticos por natureza. O modelo não "sabe" a resposta como um banco de dados: ele calcula, palavra por palavra, qual token é mais provável dado o contexto da conversa. Um parâmetro chamado temperatura controla o grau de aleatoriedade dessa escolha. Nas interfaces públicas do ChatGPT, Gemini e Claude, o usuário não acessa esse parâmetro diretamente, mas ele existe e faz com que a mesma pergunta, feita duas vezes, possa gerar respostas com fontes e marcas diferentes.
Para mensuração GEO, essa variação tem implicações diretas:
- Executar um prompt uma única vez não é medição. É anedota.
- O mínimo recomendado é executar cada prompt de 3 a 5 vezes por modelo e ciclo de medição para calcular taxas de menção com alguma estabilidade estatística.
- Modelos também se atualizam periodicamente, o que pode mudar radicalmente o SoV da sua marca sem nenhuma ação sua.
Além da variação por temperatura, há variação estrutural entre modelos. Uma análise com 200 execuções em B2B SaaS mostrou que o SoV de uma mesma marca pode variar em até 10 vezes entre o modelo que mais a cita e o que menos a cita. Uma estratégia de monitoramento que cobre apenas o ChatGPT está medindo, na prática, uma fatia da realidade.
Com que frequência medir e como organizar os dados
A frequência ideal depende da maturidade do seu programa GEO e da velocidade de mudança do seu setor. Como ponto de partida:
- Auditoria mensal completa: todos os prompts do seu conjunto, em todos os modelos monitorados, com registro de menções, citações e posição aproximada na resposta.
- Verificação semanal em subset: 10 a 15 prompts de maior volume ou maior impacto comercial, para detectar variações rápidas causadas por atualizações de modelo ou por movimentos de concorrentes.
- Rastreio de referral em GA4: configure um canal personalizado que agrupe tráfego proveniente de domínios como chatgpt.com, perplexity.ai e gemini.google.com. Esse dado complementa a mensuração de menções com dados de comportamento real de sessão.
Os dados de SoV só têm valor quando registrados com disciplina ao longo do tempo. Variações entre dois ciclos de medição não são suficientes para tirar conclusões. O padrão mínimo para identificar tendência confiável é de quatro ciclos mensais consecutivos com o mesmo conjunto de prompts.
Uma ressalva honesta: as métricas de visibilidade em IA ainda estão se padronizando. O campo é novo o suficiente para que diferentes ferramentas usem definições ligeiramente diferentes de "menção" e "citação", o que complica comparações diretas. O mais importante no momento não é qual ferramenta você usa, mas que você mantenha o método consistente entre ciclos.
Ferramentas disponíveis para rastrear menções em IA
O mercado de ferramentas GEO cresceu rapidamente em 2026. As opções hoje cobrem desde rastreio básico de menções até análise de absorção de citação e diagnóstico de acessibilidade de crawlers de IA.
- Semrush AI Visibility Toolkit: integrado ao ecossistema Semrush, permite monitorar SoV, prompts customizados e análise de concorrentes. Cobre ChatGPT, Claude e Perplexity, com dados sobre quais fontes influenciam as respostas da IA.
- Profound: plataforma enterprise com dados de volume real de prompts que usuários fazem à IA ("Prompt Volumes") e rastreio de como crawlers de IA acessam seu site.
- Otterly, Peec AI, Rankscale: opções mais acessíveis para equipes de menor porte, com tracking diário e comparação competitiva em múltiplos modelos.
- Adobe Brand Visibility: solução enterprise que conecta dados GEO ao Adobe Analytics, integrando visibilidade em IA com dados de conversão já existentes.
- Monitoramento manual: para quem está começando, uma planilha com 25 a 50 prompts executados manualmente a cada mês nos principais modelos já gera inteligência competitiva que a maioria dos times não tem.
A lógica de escolha é pragmática: ferramentas enterprise fazem sentido quando você precisa de dados em escala e integração com stack de analytics existente. Para diagnóstico inicial e mercados menos competitivos, o processo manual é suficiente e revelador.
O que fazer com os dados que você coletar
Medir SoV em IA sem um processo de análise e ação é desperdício de tempo. Os dados levantados pela auditoria de prompts respondem perguntas específicas que devem direcionar a produção de conteúdo:
- Em quais prompts você aparece e em quais não aparece? Isso mapeia lacunas de conteúdo com muito mais precisão do que análise de gap de palavras-chave.
- Quais concorrentes aparecem nos prompts onde você não aparece, e por quê? Analise o conteúdo deles para identificar padrões estruturais, não apenas temas.
- Sua citation absorption é alta ou você aparece apenas como menção superficial? Conteúdo com definições diretas, dados verificáveis, comparações e estrutura em perguntas e respostas tende a ter maior absorção.
- Como a IA descreve sua marca? Se a descrição é imprecisa ou desatualizada, o problema está na autoridade de entidade, não no conteúdo do blog.
O dado de sentiment merece atenção especial em setores regulados ou com histórico de reputação. Uma marca citada com ressalvas ("empresa X tem boas avaliações, mas há relatos de problemas com suporte") pode estar pior do que uma marca não citada. Monitorar como, não só se, você aparece é parte do diagnóstico.
Conclusão
Aparecer no ChatGPT, no Gemini ou no Perplexity não é consequência automática de ter bom SEO. São sistemas com lógicas distintas de seleção de fontes, e a distância entre ranqueamento e citação pode ser enorme, e mensurável.
A metodologia existe: conjunto de prompts representativos, execução repetida em múltiplos modelos, rastreio de cinco métricas distintas de presença e análise competitiva de SoV ao longo do tempo. O que falta na maioria das empresas não é tecnologia, é disciplina de medição.
Antes de qualquer ação de otimização, o passo mais útil é fazer a primeira auditoria manual: 25 a 50 prompts, quatro modelos, uma planilha. O resultado já costuma ser revelador o suficiente para redirecionar prioridades de conteúdo, RP digital e arquitetura de informação.
