Gestão de Reputação Algorítmica em IA

Alucinação de IA sobre uma empresa nasce de ausência ou de divergência: ou o modelo não acha o dado em fonte confiável, ou acha dois valores diferentes e escolhe um. A correção acontece sempre na fonte, nunca no modelo. Publique a versão oficial de cada fato no seu domínio, com Organization em JSON-LD, replique a mesma versão em LinkedIn, Wikidata, Crunchbase e Google Business Profile, e volte a medir com o mesmo banco de perguntas usado antes da intervenção. Pedir correção ao chatbot muda apenas aquela conversa: na sessão seguinte o texto volta a sair das fontes. Nas auditorias de marca que a Brasil GEO conduziu em 2025 e 2026, os campos que mais divergem entre fontes são data de fundação, tamanho da equipe e cargo dos sócios, justamente os três que aparecem na resposta a “o que é [empresa]”.

Reputação algorítmica é o conjunto de afirmações que modelos de linguagem fazem sobre a sua empresa, seus líderes e seus produtos quando alguém pergunta. Ela importa por uma assimetria que a reputação tradicional não tem: a resposta chega sem contraditório, sem data visível de publicação e com a autoridade implícita de um sistema que o usuário percebe como neutro. Uma avaliação ruim no Google vem assinada e datada, e o leitor desconta o viés; uma frase errada dentro de uma resposta gerada chega como fato apurado. O dano também é silencioso, porque a empresa não recebe notificação de que a conversa aconteceu.

Pergunte, mas com protocolo, porque uma consulta solta em sessão com histórico devolve o que o modelo aprendeu com você e não o que ele diz a um estranho. Use sessão anônima, com memória desligada, e rode ao menos quatro formatos: “o que é [empresa]”, “quem lidera [empresa]”, “[empresa] é confiável” e “[empresa] ou [concorrente]”. Repita as mesmas quatro consultas em Gemini, Claude e Perplexity, registrando data, versão do modelo e texto exato da resposta. A divergência entre os quatro motores é o achado mais útil da coleta: onde eles discordam existe fonte pública conflitante, e é ela que precisa ser corrigida, não a resposta.

Corrigir na fonte, e na ordem em que a correção alcança o modelo. Comece pelas fontes que você controla e que os motores com busca leem a cada resposta: o seu site, com Organization em JSON-LD, o LinkedIn corporativo e o Google Business Profile. Siga pelas fontes editáveis por terceiros, Wikidata e Crunchbase entre elas. Depois espere, porque o mecanismo difere entre motores: sistemas com recuperação ao vivo, como o Perplexity, refletem a correção assim que reindexam a página, enquanto o que está incorporado aos pesos de um modelo só muda no próximo ciclo de treinamento. Um fato correto, repetido de forma idêntica em várias fontes confiáveis, pesa mais do que uma nota de esclarecimento publicada em um lugar só, porque a divergência entre fontes é exatamente o que produziu o erro.

O modelo cita quem escreveu, não quem faz melhor. Sem material seu sobre o tema, ele recorre a quem tem densidade editorial na categoria, e o resultado é a sua vantagem creditada a outro nome. O que muda esse quadro é publicar a evidência que sustenta o diferencial, em texto legível, com dado próprio e fonte nomeada: o experimento de Princeton mediu que citar fontes, incluir estatísticas e trazer citação de especialista eleva a visibilidade da fonte em até 40% em motores generativos (Aggarwal et al., GEO: Generative Engine Optimization, KDD 2024, arXiv:2311.09735). A pauta sai do próprio painel de monitoramento, sem precisar de brainstorm: cada resposta em que o concorrente é citado por um atributo que você também tem vira um item editorial com dono e prazo.

Influenciam, por dois caminhos que convém não confundir. A Wikipedia entra no pré-treinamento com peso acima do seu tamanho bruto: no relatório do GPT-3 ela aparece entre os cinco corpora do conjunto de treino, com participação na mistura maior do que a fração de tokens que representa (Brown et al., Language Models are Few-Shot Learners, NeurIPS 2020, arXiv:2005.14165). O Wikidata entra por outra porta, como base de propriedades estruturadas que desambigua nome oficial, fundação, setor, sede e site. A ressalva que quase nenhum material de GEO faz é a que mais custa caro: o Wikidata exige que o item seja sustentado por referências públicas, sérias e independentes da empresa, e item criado pela própria organização sem essa base é proposto para exclusão pela comunidade. Criar entrada antes de existir cobertura externa que a sustente é trabalho que volta atrás.

Crise em IA exige duas velocidades simultâneas, e é isso que a separa de uma crise de imprensa. Nas fontes editáveis, a resposta é imediata: site com Organization atualizado, LinkedIn, Google Business Profile, Wikidata e Crunchbase alinhados na mesma versão do fato, em horas e não em dias, porque motores com recuperação ao vivo vão ler essas páginas na próxima pergunta. Nos modelos que respondem a partir dos pesos, a resposta é aguardar o ciclo, e não há atalho: nenhuma operação apaga uma afirmação de dentro de um modelo já treinado. Nota de esclarecimento publicada apenas no blog resolve a metade lenta e nenhuma parte da rápida.

Afetam, e o efeito é difícil de enxergar justamente porque não deixa rastro no analytics. Um prospect que pergunta “vale a pena contratar [empresa]” e recebe resposta ambígua encerra a avaliação ali, sem visita ao site, sem formulário e sem contato com vendedor. A perda aparece como pipeline que não se formou, e internamente costuma ser lida como problema de geração de demanda. O sinal que denuncia o quadro é a combinação de busca por marca estável no Google Search Console com queda de conversão no topo do funil: a pessoa procurou o seu nome, encontrou alguma coisa antes de chegar até você e desistiu no meio do caminho.

Monitoramento que sustenta decisão é automatizado e repetitivo: o mesmo conjunto de consultas, nos mesmos motores, na mesma cadência, com resposta e data gravadas. A Brasil GEO opera esse ciclo sobre 69 entidades em quatro motores, com alerta quando o teor da resposta muda. Ferramentas comerciais como Semrush AI Toolkit e Otterly.ai entregam painel pronto para quem prefere não construir. Para começar esta semana, uma planilha com dez consultas rodadas toda segunda-feira já produz série útil, e vale mais que plataforma sofisticada usada uma vez por trimestre. Dois cuidados evitam conclusão errada: fixe a versão do modelo em cada rodada e repita cada consulta mais de uma vez, porque a geração varia entre execuções e uma amostra única confunde aleatoriedade com tendência.

Não existe, e essa é a diferença mais importante entre reputação em IA e reputação em busca. Um modelo de linguagem não é banco de dados: não há registro a excluir dentro dos pesos e não há canal de solicitação equivalente ao pedido de remoção de um resultado de busca. O que se pode fazer é agir na camada de recuperação, corrigindo as páginas que o motor consulta na hora de responder, o que resolve rápido em sistemas com busca ao vivo como Perplexity e Bing Copilot, e aguardar o próximo ciclo de treino para o que já ficou incorporado. Como essa metade lenta pode levar meses e não aceita apelo, consistência preventiva custa uma fração do que custa a remediação depois do erro instalado.

O llms.txt é uma proposta pública de Jeremy Howard, da Answer.AI, publicada em setembro de 2024 em llmstxt.org: um arquivo de texto na raiz do domínio que descreve, em linguagem direta, quem é a empresa, o que ela faz e como deve ser citada. O que a maioria dos materiais de GEO omite é que nenhum dos grandes fornecedores documenta, na referência pública dos próprios crawlers, que lê esse arquivo, e John Mueller, Search Advocate do Google, afirmou publicamente em 2025 não conhecer sistema de IA que o utilize. A leitura honesta é dupla: llms.txt custa quase nada e dá à equipe um lugar de referência onde a versão oficial dos fatos fica escrita, o que já tem valor interno, mas creditar a ele proteção de reputação é atribuir resultado a um canal ainda não confirmado. A proteção que se sustenta hoje vem de Organization em JSON-LD, consistência entre fontes externas e monitoramento contínuo.