Como medir a visibilidade da sua marca nas respostas de IA (e porque é que o número é o que é)

Alguém abre o ChatGPT e escreve «melhor ferramenta de análise web focada na privacidade para uma loja Shopify em Portugal». Recebe três nomes, uma frase sobre cada um e um ou dois links. Clica num deles. É esse todo o percurso de compra: sem página de resultados, sem deslizar o ecrã, sem segunda opinião.

Se a sua marca é uma das três, acabou de ganhar um cliente. Se não é, não perdeu uma posição no ranking: simplesmente nunca esteve na sala. E o seu painel de análise não lhe dirá nada sobre isso, a não ser que o tráfego «Direto» cresceu um pouco no mês passado.

Em resumo:

• A visibilidade nas respostas de IA é a proporção de perguntas de compradores em que um modelo menciona a sua marca, medida por pergunta, por modelo e por concorrente.
• Faça 20–30 perguntas reais de compradores, três vezes cada, em todos os modelos que lhe interessam, e apresente a dispersão ao lado de cada média.
• Acompanhe sete números: taxa de menção, posição, taxa de link, taxa de recomendação, índice de domínio, exatidão e variância.
• Antes de escrever páginas novas, confirme que os rastreadores de IA conseguem de facto ler o seu site. A baixa visibilidade tem, em regra, uma causa técnica.
• Meça também o segundo eixo: as visitas vindas de assistentes de IA, como um canal próprio na sua ferramenta de análise.

Este guia trata de medir essa sala: se está lá dentro, em que lugar, quem está ao seu lado e quantas pessoas passam realmente da resposta para o seu site. Foi escrito para profissionais de marketing e responsáveis por sites, não para cientistas de dados, e tudo o que aqui se descreve pode ser feito à mão para um punhado de perguntas antes de automatizar seja o que for.

O que significa realmente «visibilidade nas respostas de IA»

A visibilidade nas respostas de IA é a proporção de perguntas de compradores a que um modelo responde mencionando a sua marca. Mede-se por pergunta, por modelo e por concorrente: se a marca é sequer mencionada, em que posição, com ou sem link, e quem aparece ao lado dela.

Esta última parte conta. Na pesquisa tradicional há dez links azuis e uma posição entre eles. Numa resposta de IA há dois ou três nomes, ou nenhum. Não existe uma «página dois» de onde subir. Ou o modelo tem a sua marca no leque de opções para aquela pergunta, ou não tem, e o motivo raramente é o que pensa.

Comece pelas perguntas, não pelas palavras-chave

As listas de palavras-chave são a matéria-prima errada para isto. Ninguém escreve «ferramenta análise RGPD» no ChatGPT. As pessoas fazem uma pergunta com uma situação concreta, e a situação muda a resposta.

Por isso, o primeiro passo é uma lista de cenários de procura: as perguntas que os seus compradores fazem de facto, agrupadas por quem pergunta e pelo que pretende. Vinte a trinta cenários chegam para a maioria das empresas. Eis um excerto para uma empresa que vende cadeiras de escritório ergonómicas:

Há três coisas a fazer bem. Escreva as perguntas como uma pessoa as escreveria, incluindo as mais desajeitadas. Inclua os cenários em que espera perder: são esses que lhe ensinam alguma coisa. E mantenha a lista estável entre medições. Se mudar as perguntas todos os meses, não está a medir a evolução, está a medir as suas próprias alterações.

Faça cada pergunta mais do que uma vez

É a parte que a maioria das pessoas salta, e é a que decide se os seus números querem dizer alguma coisa.

Os modelos de linguagem não são determinísticos. Faça a mesma pergunta três vezes e obtém três respostas diferentes: às vezes a sua marca aparece nas três, às vezes só numa. Uma única execução é um lançamento de moeda com ar de relatório.

A solução é aborrecida: faça cada pergunta várias vezes em cada execução (três é um mínimo razoável) e apresente a dispersão juntamente com a média. A sua taxa de menção não é «58 %», é «58 % ± 9 pontos». Quando o número do mês seguinte for 63 %, sabe que está dentro do ruído. Quando for 78 %, sabe que algo aconteceu.

Uma regra útil: o crescimento só conta quando é maior do que a dispersão. Quem já apresentou um diapositivo com «+8 %» que se evaporou na execução seguinte percebe porquê.

Sete números que vale a pena acompanhar

Depois de ter as respostas, é preciso transformar texto em números. Estes sete cobrem quase tudo o que uma equipa de marketing vai perguntar, e cada um tem uma definição simples que pode calcular à mão para um conjunto pequeno.

O índice de domínio merece uma explicação. Uma forma de o construir: cada resposta dá a uma marca até quatro pontos, um por ser mencionada, um por ser nomeada em primeiro lugar, um pelo link e um pela recomendação. O seu índice são os seus pontos a dividir pelos pontos de todas as marcas nas mesmas respostas, vezes 100. Somado para todas as marcas dá 100, por isso funciona como uma quota de mercado e lê-se da mesma maneira. Se o seu for 45 e o do concorrente mais próximo for 31, sabe a quem o modelo recorre primeiro.

Aplicámos isto à nossa própria marca a 2 de outubro de 2026: sete cenários, quatro modelos, três repetições, 84 respostas. A EuroMetrics obteve um índice de domínio de 7, contra 32 do Plausible e 20 do Matomo, com uma quota de voz de 21 % e um link em 18 % das respostas. Não é lisonjeiro, e é exatamente o tipo de número de que precisa antes de decidir o que corrigir.

Acompanhe as sete métricas por modelo, e não apenas como média. Alguns modelos juntam fontes a quase todas as respostas e outros raramente o fazem. Uma «taxa de link» agregada esconde essa diferença e, com ela, a decisão sobre onde investir.

Guarde as respostas, não só as percentagens

Guarde cada resposta na íntegra, com todos os links que o modelo apresentou. Parece um pormenor de armazenamento. É a decisão mais útil de todo o método, por três razões.

Primeiro, qualquer número pode ser rastreado até ao texto que o originou. Quando alguém pergunta porque é que a exatidão desceu, abre as respostas e lê o que o modelo errou. Normalmente é um preço antigo, um produto descontinuado ou uma afirmação de um concorrente citada como facto.

Segundo, vê quem ficou com o seu lugar. Nas respostas em que a sua marca não aparece, o modelo citou alguma coisa: um site de comparação, um anúncio num marketplace, uma discussão no Reddit, um guia de um concorrente. A lista dessas páginas, ordenada pela frequência com que aparecem, é a sua lista de tarefas fora do site. Na nossa própria execução, 140 das 184 fontes citadas junto a qualquer marca acompanhada apareceram apenas ao lado de concorrentes. Essa lista é também a única resposta honesta a «porquê eles e não nós».

Terceiro, o histórico é recalculado sem custo. Acrescente um concorrente de que se esqueceu, ou uma grafia da marca usada pelo modelo que não tinha previsto, e todas as execuções anteriores são reavaliadas a partir das respostas guardadas. Sem novas execuções, sem quebras na linha de tendência, sem custos.

Porque é que o número é o que é

Agora a parte desconfortável. A baixa visibilidade tem quase sempre uma causa técnica, e essa causa é invisível a partir de um browser: o site parece-lhe bem porque o leitor não é um rastreador de IA.

Antes de escrever uma única página nova, faça sete verificações. Respondem ao «porquê» ao lado do «quanto».

Acesso

1. O robots.txt admite cada rastreador de IA individualmente? GPTBot e OAI-SearchBot, ClaudeBot, PerplexityBot e Googlebot são identificadores diferentes, e uma regra escrita para um não diz nada sobre os outros.
2. O que devolve realmente o servidor quando o visitante é um rastreador de IA? Uma firewall ou uma camada de proteção contra bots pode bloquear um rastreador que o robots.txt autoriza, sem lhe dizer nada.

Conteúdo

1. O rastreador recebe tanto texto como o que uma pessoa vê? A maioria dos rastreadores de IA não executa JavaScript; o Googlebot executa. Se as descrições dos seus produtos são geradas no lado do cliente, o rastreador recebe apenas o esqueleto.
2. O texto é legível sem qualquer JavaScript: títulos, preços, moradas, no HTML que o servidor envia?

Marca

1. A marcação indica de quem é o site, de uma forma que uma máquina consiga verificar? Uma entidade Organization com nome, logótipo e links para os seus outros perfis faz a diferença entre «um site sobre cadeiras» e «o site desta empresa».
2. As moradas das suas lojas ou escritórios estão visíveis como texto, ou escondidas num widget de mapa que o rastreador não consegue ler?

Convenções

1. Os sinais mais recentes: llms.txt, versões em Markdown para agentes, cabeçalhos Content Signals. Vale a pena conhecê-los, mas nenhum substitui as seis verificações anteriores. A Google afirma no seu guia sobre funcionalidades de IA generativa que não usa esses ficheiros.

As verificações 1, 3 e 4 fazem-se num terminal em menos de um minuto. Descarregue uma página de produto duas vezes, uma como browser e outra como rastreador, e conte as palavras:

curl -sA "Mozilla/5.0 (Windows NT 10.0) Chrome/128.0" https://example.com/product | wc -w
curl -sA "GPTBot/1.2 (+https://openai.com/gptbot)" https://example.com/product | wc -w

Se o segundo número for uma fração do primeiro, encontrou o seu problema antes de encontrar o seu concorrente. Para uma única página e sem terminal, o nosso verificador de SEO gratuito testa o acesso dos rastreadores de IA, o robots.txt e a marcação schema de uma só vez.

Um exemplo real das nossas medições de setembro: um site de retalho entregava a um rastreador de IA 22 % do texto que uma pessoa vê, e nem uma linha de marcação a indicar a que empresa pertencia. Visto de fora, era um site como outro qualquer. Do ponto de vista do modelo, mal existia.

O segundo eixo: quem chegou de facto

Tudo o que vimos até aqui mede o que os modelos dizem. Não diz se alguém agiu com base nisso, e é essa a pergunta que o seu diretor financeiro vai fazer.

O tráfego vindo de assistentes de IA chega, na maior parte das vezes, com um referenciador: chatgpt.com, perplexity.ai, copilot.microsoft.com, gemini.google.com, claude.ai. Quase todas as ferramentas de análise o arrumam em «Referência», ao lado de um blogue qualquer, ou perdem-no em «Direto» quando o referenciador é removido. De uma forma ou de outra, não consegue ver as plataformas de IA como fonte de tráfego, e por isso não vê as suas páginas de entrada, o comportamento desses visitantes nem as suas conversões.

Há duas coisas a corrigir. Coloque os referenciadores de IA num canal próprio, separado da pesquisa orgânica e das referências genéricas. E aceite o limite com honestidade: alguns assistentes não enviam qualquer referenciador, por isso este canal é um mínimo, não um máximo. O que pode dizer é «pelo menos este número de pessoas veio de respostas de IA, e foi isto que fizeram», o que já é mais do que a maioria das equipas consegue dizer hoje.

Ponha os dois eixos lado a lado e o quadro passa a dar pistas de ação. Taxa de menção a subir, tráfego de IA estável: o modelo menciona-o mas não coloca link, por isso trabalhe a taxa de link. Taxa de menção estável, tráfego de IA a subir: o modelo está a enviar pessoas para uma página que não esperava, por isso vá vê-la. Ambos a subir: as correções resultaram; agora escreva o caso de estudo.

Três coisas a dizer à partida

Qualquer medição honesta tem limites, e é melhor declará-los no início do que no terceiro relatório mensal.

Nem todas as superfícies são mensuráveis por enquanto. O ChatGPT, o Claude, o Gemini, o Perplexity e o Google AI Overview podem ser medidos fazendo-lhes perguntas. Alguns assistentes regionais não estão hoje acessíveis através de nenhum fornecedor de dados, por isso ficam fora dos números até isso mudar.

Os blocos de IA não aparecem em todas as pesquisas. A Google mostra um AI Overview para algumas perguntas comerciais e uma fila de resultados de compras para outras. Isso é um resultado da medição, não um erro de medição. Defina os objetivos de cobertura em função da proporção de pesquisas em que o bloco chega a existir.

Os modelos mudam. Os sistemas de recuperação são substituídos, os formatos de resposta mudam, um modelo passa a colocar mais ou menos links. Uma linha de tendência que atravessa uma atualização do modelo precisa de uma nota de rodapé. Guardar as respostas completas (ver acima) é o que torna essa nota possível.

Uma rotina mensal que cabe numa tarde

1. Congele a lista de cenários. Vinte a trinta perguntas, agrupadas por segmento e intenção. Altere-a apenas quando o negócio mudar.
2. Faça cada pergunta três vezes em cada modelo que lhe interessa, no mesmo dia de cada mês. Guarde as respostas completas.
3. Calcule as sete métricas por modelo, com a variância ao lado de cada uma. Compare com o mês anterior; ignore tudo o que estiver dentro da dispersão.
4. Leia as respostas em que não aparece e liste as páginas citadas em vez de si. São esses os seus alvos de contacto e de conteúdo.
5. Repita as sete verificações de preparação nas páginas que o modelo deveria citar. Corrija e volte a medir.
6. Veja o canal de IA na sua ferramenta de análise: visitas, páginas de entrada, conversões. Relacione qualquer variação com as métricas acima.

Faça isto à mão durante um mês e vai saber mais sobre a sua visibilidade em IA do que a maioria dos seus concorrentes. Depois disso, vai querer automatizá-lo.

Como a EuroMetrics faz isto

O módulo AI Visibility aplica este método por si. Coloca os seus cenários de procura ao ChatGPT, Claude, Gemini, Perplexity e Google AI Overview de forma programada, várias vezes cada, e guarda cada resposta com as respetivas fontes. Calcula a taxa de menção, a posição, os links, as recomendações, a exatidão e o domínio por modelo, por cenário e por concorrente, com a dispersão ao lado de cada número e uma lista das páginas que ficaram com o seu lugar. As verificações de preparação correm nas páginas que deveriam ser citadas. E como está integrado na sua análise de tráfego, as visitas vindas de assistentes de IA aparecem como canal próprio ao lado da pesquisa, com as páginas de entrada e as conversões associadas.

Um produto, dois eixos: se está na resposta e o que lhe trouxe estar lá.

Quer ver como a sua marca aparece nas respostas de IA?
Peça uma primeira medição →

Perguntas que nos fazem

Isto é o mesmo que AEO ou GEO?

AEO (otimização para motores de resposta) e GEO (otimização para motores generativos) são o trabalho de tornar as páginas mais propensas a ser citadas. O que este guia descreve é a medição que lhe diz se esse trabalho está a ter algum efeito: o marcador, não o manual de jogo. Precisa dos dois, e o marcador deve vir primeiro.

De quantos cenários e repetições preciso realmente?

Para uma única marca num mercado, 20–30 cenários feitos três vezes cada em quatro ou cinco modelos dão um retrato mensal estável, cerca de 300–450 respostas por execução. Menos cenários tornam os números instáveis; menos repetições tornam-nos inúteis. Mais só é melhor depois de o primeiro conjunto estar estável.

Posso fazer isto com a app do ChatGPT em vez da API?

Para uma primeira análise, sim, e é uma boa forma de ganhar intuição. Para uma linha de tendência, não: a app acrescenta personalização e memória que alteram as respostas entre utilizadores e sessões, por isso duas pessoas a fazer a mesma pergunta obtêm marcadores diferentes. A medição precisa das mesmas condições neutras de cada vez.

Porque é que os modelos divergem tanto?

Usam índices de pesquisa diferentes, regras de recuperação diferentes e hábitos diferentes quanto a links. Na nossa execução de 2 de outubro de 2026, o Claude e o Perplexity juntaram fontes a 21 de 21 respostas cada, enquanto o Gemini o fez em 15 de 21. É por isso que as métricas são acompanhadas por modelo: uma média entre eles esconde precisamente as diferenças com base nas quais iria agir.