Como medir menções e citações de marca em IA

Para uma auditoria de marca, LLM Mention Rate é a proporção de respostas válidas que mencionam explicitamente o nome ou uma variante aprovada da empresa. Nesta FAQ, taxa de citações significa respostas válidas com pelo menos um link para o domínio definido no protocolo. Calcule cada taxa dividindo sua contagem pelo total de respostas válidas e multiplicando por 100. Conte cada resposta uma vez em cada indicador. Uma marca pode aparecer sem link, e uma página pode ser citada sem o nome da marca no texto. Portanto, as taxas não têm uma ordem obrigatória. Registre também se a fonte citada sustenta a afirmação.

O tamanho do conjunto depende das decisões do cliente, da diversidade de intenções e do trabalho de revisão disponível. Nenhuma combinação fixa de perguntas e assistentes é um tamanho ótimo universal. Comece pelas dúvidas documentadas em vendas, atendimento e busca, agrupe intenções distintas e selecione os produtos que fazem sentido para seu público. Registre o que ficou fora. Repetir a mesma pergunta ajuda a observar variação dentro daquele recorte, mas não transforma o conjunto numa amostra representativa de todos os compradores. Amplie quando uma intenção relevante estiver descoberta ou quando a decisão exigir maior precisão, com custo e limites explícitos.

Para medir descoberta em uma categoria, formule perguntas que um comprador faria antes de conhecer o fornecedor: problema, contexto, restrição e decisão. Separe consultas sem marca de comparações que já citam sua empresa, porque elas medem situações diferentes. Um exemplo hipotético é: "Que tipo de sistema ajuda uma distribuidora com duas filiais a controlar devoluções?". Defina também critérios de classificação de nomes ambíguos e homônimos. Congele uma versão do conjunto para comparar rodadas; mantenha perguntas novas em um grupo exploratório identificado. Não peça ao assistente para incluir sua marca ou inventar links, pois isso altera o fenômeno que pretende observar.

Uma chamada de API, interface que permite a comunicação entre programas, não reproduz automaticamente a experiência do aplicativo usado pelo comprador. Registre produto, interface, modo, busca disponível e acionada, modelo quando informado, idioma, localização, sessão e data. A documentação do ChatGPT explica que a busca pode ocorrer automaticamente ou ser solicitada e que localização pode influenciar resultados. Essa condição precisa constar da coleta. Compare recortes equivalentes; uma troca de produto, plano ou modo pode exigir nova linha de base. Uma resposta sem busca não demonstra, por si só, que o site está bloqueado ou que nunca foi consultado por outro processo.

Escolha a frequência pelo tempo em que a equipe consegue revisar e agir. Uma cadência semanal pode servir a uma operação com mudanças frequentes; outra operação pode avaliar em intervalo maior. Nenhuma frequência garante significância estatística. Defina antes o que conta como execução válida, falha técnica, recusa e resposta fora do escopo. Preserve as tentativas que falharam e aplique uma regra de repetição igual para todos, sem insistir apenas nas respostas desfavoráveis. Mostre execuções previstas, concluídas e válidas. Se a cobertura mudar, compare também o subconjunto comum às rodadas e explique a perda de observações; não converta coleta ausente em zero menções.

Para comparar concorrentes no mesmo conjunto, uma convenção simples é contar uma presença por marca em cada resposta válida. Divida as presenças da sua marca pela soma das presenças de todas as marcas do grupo previamente definido. Esse denominador difere do usado na taxa de menções, pois uma resposta pode conter várias marcas. Declare quais empresas entraram, como tratou subsidiárias e homônimos e se houve empate. Se usar pesos de posição, publique a regra como escolha do seu estudo; a ordem de uma lista não mede atenção ou preferência automaticamente. Rótulos como Share of Voice e Share of Model só são comparáveis quando as definições coincidem.

A Clara Sistemas, empresa fictícia, testa dez perguntas em duas interfaces, com duas repetições por combinação: quarenta execuções previstas. Quatro falham tecnicamente e 36 são válidas. Nessas 36, nove mencionam a marca e doze trazem link para seu domínio; seis fazem as duas coisas. A taxa de menções é 9/36 = 25%, e a taxa de citações é 12/36 = 33,3%, arredondada. Os resultados podem coexistir porque os eventos são distintos. Ao revisar os links, a equipe encontra duas respostas apoiadas em uma página de preço desatualizada. Sua primeira decisão é corrigir essa página e repetir os casos afetados, preservando o registro anterior.

Uma porcentagem isolada não informa se a marca está bem representada. Compare a mesma definição, intenção, interface e condição de coleta, mostrando números absolutos e variação entre repetições. Uma taxa baixa pode ocorrer porque o assistente responde sem fornecedores, escolhe fontes de outra natureza ou não usa busca naquela tarefa. Investigue o conteúdo das respostas antes de atribuir a causa ao site. No exemplo da Clara Sistemas, aumentar citações da página de preço incorreta agravaria o problema de representação. O critério inicial é corrigir o fato relevante; depois, avaliar se a mudança aparece em novas observações, sem prometer seleção futura.

Para uma equipe que inicia a medição, uma coleta manual documentada pode esclarecer as regras antes de automatizar. Ao avaliar uma ferramenta, confira quais interfaces ela observa, se exporta respostas e links, como identifica busca, falhas e repetição e se permite reproduzir o recorte. Demonstração comercial não prova que a coleta corresponde à experiência real do cliente. Estime o total com execução, assinatura ou créditos de API, revisão humana, armazenamento, manutenção e novas tentativas. Verifique preços e condições na data da contratação. Esta FAQ não apresenta preço de serviço, coleta agendada ativa ou cobertura proprietária como fato sem registro operacional que os comprove.

Segundo a documentação do Google consultada em 6 de outubro de 2026, o relatório de desempenho de IA generativa da Pesquisa teve disponibilização global em 31 de agosto de 2026. Ele informa impressões em AI Overviews e AI Mode; não é uma contagem de menções à marca em todos os assistentes. Esses dados já integram o tipo Web do relatório de desempenho, portanto não devem ser somados a ele como alcance adicional. Preserve período, filtros e nível de agregação. Uma propriedade sem relatório ou com poucas observações exige investigação de disponibilidade e cobertura, não a conclusão automática de que a marca está ausente.

No controle Search generative AI do Search Console, a inclusão é o padrão, e propriedades filhas podem herdar a escolha da propriedade superior, conforme a documentação consultada em 6 de outubro de 2026. Confira o estado efetivo, inclusive a herança, em vez de presumir que todo site exige ativação manual. Esse controle é separado do posicionamento nas outras partes da Pesquisa e dos controles de treinamento. O guia técnico do Google continua exigindo indexação e elegibilidade para exibição de snippet como base, sem garantia de seleção. Não existe requisito adicional de llms.txt para participar desses resultados.

Na documentação do GA4 consultada em 6 de outubro de 2026, o canal Assistente de IA, ou AI Assistant, reúne tráfego de origens reconhecidas como assistentes. AI Overviews e AI Mode ficam fora desse canal e entram em Pesquisa orgânica, ou Organic Search. Use a dimensão com o escopo adequado, como sessão, e registre filtros e período. Uma sessão atribuída a assistente comprova uma visita registrada sob aquelas regras, não quantas respostas mencionaram a empresa. Ausência de referenciador ou outras limitações da medição impedem que esse relatório seja tratado como inventário completo de influência da IA.

Para uma empresa que acompanha resultados comerciais, crescimento simultâneo de citações e vendas é uma associação a investigar, não prova de causalidade. Registre separadamente visitas identificadas, formulários, contatos qualificados, oportunidades e vendas, com período, origem e regra de atribuição. Relatos de clientes sobre uso de IA ajudam a entender a jornada, mas dependem de memória e resposta. Campanhas, preço, sazonalidade e atuação comercial também podem explicar mudanças. Se quiser estimar efeito incremental, planeje comparação adequada antes da intervenção e declare seus limites. Não transforme pontos percentuais de uma auditoria de respostas em previsão automática de receita ou retorno financeiro.

Avalie primeiro se a resposta identifica a empresa correta, descreve a oferta atual e usa fontes que sustentam suas afirmações. Uma recomendação elogiosa com preço ou restrição errados exige correção factual. Para analisar tom, defina categorias com exemplos e permita "misto" ou "indeterminado"; não force toda resposta a ser positiva, neutra ou negativa. Guarde o trecho que motivou a classificação. Em um conjunto inicial, duas pessoas podem revisar os mesmos casos e resolver discordâncias antes de ampliar a coleta. Um classificador automático auxilia essa tarefa, mas deve ser conferido. Não há queda universal de pontuação que, sozinha, comprove uma crise.

Use uma linha por execução, com identificador da pergunta, intenção, versão, produto, interface, modo, busca observada, idioma, localização, data, repetição e status. Guarde a resposta e os links efetivamente exibidos; acrescente marca identificada, domínio citado, afirmação sustentada, erro factual, responsável pela revisão e decisão tomada. Registre também a condição de sessão e a regra de novas tentativas. Ao fechar a rodada, apresente contagens antes de porcentagens e explique qualquer mudança do instrumento. Para a Clara Sistemas, o relatório termina com a correção da página de preço, o teste dos casos afetados e a data da próxima revisão, sem inventar impacto comercial.