Cinco erros de medição que fabricam um gap de citação que não existe

Um relatório de visibilidade em IA saído do meu próprio monitor apontou 19 lacunas de citação para uma marca. Ao abrir os dados brutos, 16 delas não existiam. Eram falha de coleta de um dos motores, gravada no banco com o mesmo código que o sistema usa para dizer que a marca não foi citada.

O defeito é barato de cometer e caro de perceber. A chamada ao motor falhou, a função devolveu texto vazio, a busca pelo nome da marca dentro do vazio não encontrou nada, e a linha foi gravada como ausência. Nenhuma exceção subiu, nenhum alerta disparou, o relatório saiu no horário e com aparência de rigor. Ao lado de cada lacuna havia uma recomendação de conteúdo defensável, resolvendo um problema que os dados não sustentavam.

Num relatório anterior, o mesmo silêncio apareceu em escala maior. Um motor exibia taxa de menção zero em 20 de 20 consultas, número que qualquer diretoria lê como invisibilidade total. A inspeção mostrou resposta de tamanho zero nas 20 linhas: a chamada tinha falhado todas as vezes, e o painel transformou 20 falhas de rede em 20 evidências contra a marca.

Guardo os dois incidentes porque eles apontam para o mesmo padrão, e o padrão é o assunto deste texto. Em dois anos operando um monitor de citação, quase todo erro de medição que encontrei empurra o resultado na mesma direção: o gap fica maior do que é. Gap maior justifica orçamento, contrato e urgência. A explicação estrutural é mais simples que a acusação de má-fé: quem constrói a medição não tem incentivo para caçar o defeito que faz o próprio diagnóstico parecer mais grave.

Escrevo na condição de Founder da Brasil GEO, com o viés declarado de quem vende serviço nessa área e opera ferramenta própria. A defesa contra o meu viés é a mesma que proponho a você: publicar o defeito com data e mostrar o conserto. O que vem a seguir são os cinco erros que já corrigi, com o sintoma que denuncia cada um no relatório que chega à sua mesa. O que a métrica significa depois de corrigida está em reconhecimento não é recomendação.

Toda coleta tem três estados possíveis e a maioria dos monitores grava dois. Citado, não citado e não coletado. Quando o terceiro estado não existe no esquema do banco, cada timeout de rede vira uma evidência de invisibilidade, e o erro se concentra justamente no motor mais instável da amostra.

A mecânica é sempre parecida. Um bloco de tratamento de exceção devolve string vazia em caso de falha, porque derrubar a coleta inteira por causa de um motor fora do ar pareceu má ideia no dia em que o código foi escrito. O provedor aplica limite de requisições por minuto sem avisar no corpo da resposta. Uma versão de modelo descontinuada passa a responder erro. Em nenhum desses casos o pipeline quebra: ele segue e registra o resultado negativo.

Três sintomas denunciam o problema antes de qualquer auditoria de código. O primeiro é a concentração: as lacunas se agrupam em um motor só, ou numa faixa contínua de horário. O segundo é a latência: falha responde rápido, então uma rodada anormalmente veloz costuma ser uma rodada que não coletou nada. O terceiro é o tamanho da resposta bruta, que resolve a dúvida em segundos se o monitor guardar o texto completo em vez de guardar apenas o veredito.

O conserto que apliquei tem duas partes e nenhuma é sofisticada. A primeira é o estado ternário no banco, com a linha não coletada saindo do denominador em vez de entrar como zero. A segunda é a validação de sanidade antes de gerar o relatório: se um motor devolveu tamanho zero em mais de um quinto das linhas da janela, o relatório não sai, ele para e avisa. Guardar a resposta bruta inteira encarece o armazenamento e é a única coisa que torna a auditoria posterior possível, o que faz dele custo obrigatório.

Existe uma variação cruel desse erro. O motor responde, o texto é válido, e ele informa que não foi possível acessar a internet naquele momento. Para o banco, houve coleta com conteúdo e a marca não apareceu. Manter uma lista de padrões de recusa e de indisponibilidade, revisada a cada mudança de versão dos modelos, é trabalho chato e permanente.

Comparar a marca com um concorrente exige que os dois tenham sido medidos nas mesmas linhas. Contar a janela de análise exige dias de calendário distintos, não o número de execuções gravadas. Os dois erros produzem números que parecem legítimos porque cada metade da conta está certa isoladamente.

O denominador desalinhado nasce da forma como esses sistemas crescem. A marca do cliente é varrida desde o primeiro dia. Um concorrente entra na lista três semanas depois, e a busca por ele só existe nas linhas coletadas dali para frente. O dicionário de variações de nome de um terceiro cobre menos casos, porque ninguém escreveu as abreviações dele. Cada coluna carrega o próprio denominador e a tabela não informa isso.

Vale ver o efeito com número. A marca apareceu em três de 25 consultas, o que dá 12%. O concorrente apareceu em três das 12 consultas em que foi procurado, o que dá 25%. O relatório afirma que ele tem mais que o dobro de presença. Ao restringir a marca àquelas mesmas 12 linhas, a marca aparece em três delas e o placar empata. Nenhum dado mudou, apenas a conta passou a ser comparável. Corrigi isso medindo a marca no subconjunto exato em que cada concorrente foi varrido, com um denominador por par comparado, o que produz vários denominadores no relatório e obriga a mostrá-los.

A janela por índice de coleta é mais silenciosa. O sistema numera as rodadas e chama as sete últimas de últimos sete dias. Se o coletor falhou em três daqueles dias e rodou duas vezes em outros dois, o que o relatório chama de semana descreve quatro datas, com peso dobrado em duas, e toda tendência calculada ali atribui ao período uma variação que veio do calendário. O conserto é contar datas distintas com coleta válida e informar há quantos dias a série está parada, campo que passei a exigir no cabeçalho de todo relatório que assino.

Quem recebe o relatório tem uma verificação de trinta segundos para os dois casos: pedir o n de cada célula da tabela comparativa e a lista das datas distintas usadas na janela. Se qualquer um dos dois não estiver disponível, o número não é auditável, e número não auditável é opinião com aparência de dado.

A mesma pergunta, feita duas vezes ao mesmo motor no mesmo dia, produz listas diferentes. Isso é comportamento normal do sistema, não anomalia. Medir posição relativa exige várias execuções por pergunta, com média e uma medida de dispersão ao lado, sob pena de o relatório registrar ruído como movimento estratégico.

A causa está no desenho da resposta. O guia oficial do Google Search Central, publicado em 15 de maio de 2026 e atualizado em 15 de junho, descreve geração aumentada por recuperação combinada com fan-out de consultas: a pergunta original vira várias subconsultas, cada uma recupera trechos diferentes, e a resposta final é escrita a partir do que sobreviveu a esse funil. Mude a decomposição em um passo e o conjunto de fontes muda inteiro. Some a isso a amostragem estocástica na geração do texto e você tem duas respostas distintas para a mesma pergunta em intervalo de segundos.

A revisão crítica mais recente do campo insiste nesse ponto. Olivier Martinez percorreu 45 estudos publicados entre novembro de 2023 e julho de 2026 (arXiv:2607.14035, 15 de julho de 2026) e encontrou terminologia, métricas e padrões de evidência heterogêneos entre trabalhos que pareciam medir a mesma coisa.

Nenhuma das técnicas revisadas demonstrou efeito causal estável e longitudinal sobre descoberta orgânica. As recomendações metodológicas são medições repetidas, paráfrase dos prompts, uso de grupo de controle, validação humana das respostas e análise explícita da variabilidade entre execuções.

Síntese das conclusões de Olivier Martinez, autor da revisão crítica de 45 estudos de GEO publicados entre novembro de 2023 e julho de 2026, em arXiv (arXiv:2607.14035)

Na operação, adotei cinco execuções por pergunta por motor como piso, e reporto o desvio entre elas junto da média. O número não veio de teorema: abaixo disso a variação entre rodadas domina o sinal, e acima de dez o custo cresce sem mudar a leitura. Quem só puder rodar uma vez deveria apresentar aquilo como exemplo de resposta, jamais como taxa.

Há um viés adicional que nenhum código conserta. Print que favorece é compartilhado, print que desagrada é atribuído a um mau dia e a pergunta é refeita. Essa seleção acontece sem má intenção e produz um acervo de provas que aponta sempre para o mesmo lado. A regra que uso é registrar antes de olhar: lista de perguntas e número de rodadas ficam definidos no início da janela.

Quando marca e concorrentes empatam em taxa de menção, alguém precisa decidir quem aparece primeiro. Se a regra de desempate for diferente para a marca do cliente e para as outras, a posição no ranking muda sem que nenhum dado tenha mudado, e o relatório do mês seguinte registra progresso onde houve apenas ordenação.

Empate é o caso frequente, não a exceção, e a aritmética explica por quê. Com 25 consultas, existem apenas 26 valores possíveis de taxa de menção, de zero a 25 acertos. Numa lista de oito concorrentes medidos sobre a mesma base pequena, a chance de dois deles caírem no mesmo valor é alta. Quem monta o ranking precisa desempatar em quase toda rodada, e é aí que a inconsistência entra.

O defeito costuma nascer de duas funções de ordenação em vez de uma. A lista de concorrentes é ordenada num trecho do código e a marca é inserida em outro, com comparação de maior ou igual num lado e maior estrito no outro. O resultado é que a marca ganha todos os empates, ou perde todos, dependendo de qual trecho foi escrito primeiro. Encontrei isso no meu monitor exatamente porque a posição da marca oscilava entre dois relatórios sem que a taxa mudasse em nenhuma casa decimal.

A verificação serve para qualquer ferramenta, inclusive de fornecedor: peça um cenário com empate real e observe se a ordem se mantém quando as linhas são embaralhadas. Regra única e declarada devolve sempre a mesma ordem. Dois caminhos de código devolvem ordens diferentes, e o sintoma aparece antes na marca principal, que é a que recebe tratamento especial.

A tabela abaixo resume os cinco erros deste texto no formato que passei a usar na revisão mensal do monitor.

Erro	Sintoma no relatório	Conserto	Como verificar em minutos
Falha de coleta gravada como ausência	Motor com taxa zero em todas as consultas; lacunas concentradas em um motor ou horário	Estado ternário no banco, com a linha não coletada fora do denominador	Conferir o tamanho da resposta bruta: zero caractere é falha, não silêncio da marca
Denominador desalinhado entre marca e concorrente	Concorrente com placar muito acima da presença que ele tem no mercado real	Medir a marca apenas nas linhas em que aquele concorrente foi varrido	Pedir o n de cada célula e verificar se as colunas compartilham a base
Janela contada por índice de coleta	Relatório declara sete dias e a série tem buracos e rodadas repetidas	Contar datas de calendário distintas com coleta válida	Listar as datas usadas e comparar com o número de dias declarado
Execução única tratada como ranking	Posição muda entre dois relatórios sem nenhuma ação executada no período	Cinco execuções por pergunta por motor, com média e dispersão reportadas	Rodar o mesmo prompt cinco vezes seguidas e medir a variação
Regra de empate inconsistente	Marca sobe ou cai de posição com a taxa idêntica à do relatório anterior	Uma única função de ordenação, com critério de desempate declarado no rodapé	Forçar um empate artificial, embaralhar as linhas e ver se a ordem se mantém

Um relatório honesto informa três coisas antes de qualquer gráfico: quantos motores estavam vivos durante a coleta, há quantos dias a série está parada e quais células representam ausência de citação em vez de ausência de dado. Sem esses três campos, a leitura mais natural do painel é sempre a mais pessimista.

Cobertura degradada é o defeito que sobrevive por mais tempo porque ele não gera erro visível. A ferramenta monitorava quatro motores, um deles saiu do ar e ninguém percebeu, e o painel continuou desenhando a média com três. Quando o motor mais generoso em citação é o que caiu, a média despenca por composição da amostra, e a equipe passa dois meses discutindo estratégia de conteúdo para explicar uma queda de infraestrutura. Passei a exigir um contador fixo no cabeçalho, no formato de motores vivos sobre motores configurados, com a data da última coleta bem-sucedida de cada um.

A representação visual carrega parte do problema. Célula vazia é lida como zero por qualquer pessoa apressada. A convenção que adotei é escrever a expressão sem coleta por extenso, com contraste suficiente para ser lida, e nunca deixar o espaço em branco. Evita a conversa mais desagradável desse trabalho, que é explicar depois da apresentação que aquele zero não era um zero.

O mesmo cuidado vale para o n. Uma taxa de 12% sobre 25 consultas e uma taxa de 12% sobre 4.000 consultas ocupam o mesmo espaço no gráfico e têm valor de evidência completamente diferente. Quando o n é pequeno, a taxa se move em degraus grandes, e mostrar o número absoluto ao lado do percentual resolve o mal-entendido antes que ele aconteça. Três de 25 comunica melhor que 12%, e é a mesma informação.

Reconstruí a série do meu monitor uma vez por causa desses campos. Ao introduzir o estado ternário, os percentuais históricos mudaram, porque linhas que antes contavam como ausência saíram do denominador. Republiquei com a quebra declarada, a data da mudança e as duas versões do número, em vez de emendar o histórico. Emendar teria ficado mais bonito no gráfico e destruído a única coisa que a série serve para fazer, que é comparar períodos.

No snapshot de 27 de junho de 2026, com 25 consultas rodadas em quatro motores, a taxa de menção da marca foi de 12% em três deles e de 40% no único com busca ao vivo mais agressiva. A média simples dos quatro dá 19%, valor que não descreve nenhum dos casos observados e esconde a dispersão inteira.

Traduzindo para unidades, porque a amostra é pequena e o percentual disfarça: 12% são três consultas em 25, e 40% são dez. Cada consulta vale exatos quatro pontos percentuais nessa base, o que significa que qualquer número com casa decimal nesse relatório viria de outro denominador. Declaro a limitação sem rodeio: amostra pequena, uma única janela, quatro motores, uma marca. Serve para mostrar a forma do problema, não para estimar o mercado.

A dispersão tem causa conhecida. Motores diferem em três decisões de produto que afetam diretamente a métrica: se disparam busca ao vivo por padrão ou apenas quando julgam necessário, quantas fontes recuperam por subconsulta, e com que frequência exibem citação explícita. O estudo What is AI Reading da Muck Rack, edição de maio de 2026, analisou mais de 25 milhões de links citados em 17 setores e encontrou o ChatGPT citando fonte em 96% das respostas, o Gemini em 82% e o Claude em 55% (levantamento completo). Um motor que cita em pouco mais da metade das respostas produz uma taxa de citação estruturalmente menor, mesmo que reconheça a marca tão bem quanto os outros.

Daí sai a regra que aplico sem exceção: reportar por motor e tratar a média entre motores como número decorativo, salvo quando houver ponderação declarada. Ponderar por participação de uso no seu público é defensável, desde que o peso apareça no relatório e venha de fonte datada. Média simples entre motores tão distintos produz um número fácil de colocar no slide, que é exatamente o motivo pelo qual ele circula tanto.

O mesmo estudo ajuda a interpretar de onde vem o que é citado: mídia conquistada responde por 84% das citações e mídia paga por 0,3%. Um painel que acompanha apenas o domínio próprio registra movimento quase nulo mesmo quando a presença da marca nas respostas melhora. A comparação entre motores está detalhada em comparativo de motores de citação.

Nenhuma camada isolada responde se a IA recomenda a sua marca. O Search Console não separa clique vindo de resposta gerada, o analytics só registra quem clicou, a amostragem própria de prompts não representa o universo de perguntas reais, e a ferramenta de fornecedor entrega escala com denominador fechado. A leitura correta vem do cruzamento, com o limite de cada fonte explicitado.

Camada	O que ela enxerga	O que ela não pode enxergar	Uso correto
Search Console	Impressões, cliques e consultas da busca do Google, com superfícies de IA no agregado	CTR isolado de resposta gerada; citação em ChatGPT, Perplexity ou Claude	Linha de base de demanda por marca e diagnóstico de indexação, jamais medida de citação
Analytics, canal de assistente	Sessões com referência de domínios de assistente e o comportamento delas no site	Quem leu a resposta e não clicou; referência omitida ou reescrita pelo cliente	Medir consequência de tráfego e qualidade da sessão, nunca presença nas respostas
Amostragem própria de prompts	Menção, citação com link, fontes usadas como evidência e narrativa construída sobre a marca	Representatividade: as perguntas são as suas, não as do universo de compradores	Única camada que responde se a marca é recomendada em pergunta com restrição
Ferramenta de fornecedor	Escala de prompts, cobertura de motores e histórico que você não teria como montar sozinho	O que a metodologia fechada esconde: denominador, tratamento de falha, número de execuções	Usar com denominador, cobertura e regra de desempate exigidos por contrato
Log de servidor por agente	Que robô acessou qual URL, quando, com qual código de resposta	Se aquele acesso virou citação em alguma resposta	Diagnosticar bloqueio, conteúdo dependente de JavaScript e erro de servidor
CRM com origem declarada	Ligação entre descoberta por assistente e pipeline ou receita	Preenchimento humano irregular e atribuição que chega tarde demais	Fechar a série pelo lado do dinheiro, com amostra qualitativa em vez de precisão

Existem dois estudos que valem como referência de desenho, porque fizeram o que quase ninguém faz nesse mercado: grupo de controle e resultado publicado mesmo quando ele contraria a tática em teste. Em 11 de maio de 2026, a Ahrefs comparou 1.885 páginas que adicionaram JSON-LD contra quatro mil controles, em diferenças em diferenças, e encontrou queda de 4,6% em AI Overviews, alta de 2,4% em AI Mode e alta de 2,2% no ChatGPT, ruído em torno de zero (estudo de schema). Em 15 de junho, a mesma casa analisou 137 mil domínios e concluiu que, dos cerca de 38 mil com llms.txt válido, 97% não receberam nenhuma requisição ao arquivo em maio (estudo de llms.txt).

Cito esses dois trabalhos num texto de metodologia por uma razão específica: o valor deles está menos no veredito sobre schema ou llms.txt e mais no fato de o desenho permitir um veredito. Comparação com controle, população declarada, período definido e resultado publicado contra a tática popular. Quando alguém apresenta um número de visibilidade em IA sem nenhum desses quatro elementos, apresenta um relato.

A composição das fontes que os motores citam muda de mês para mês, o que faz de qualquer medição feita numa única data a fotografia de um sistema em movimento. Sem série temporal com cadência fixa, você não consegue distinguir efeito de trabalho, efeito de mudança do motor e oscilação normal da amostra.

A Profound observou rotatividade mensal de 40% a 60% nos domínios citados, com 59,3% em AI Overviews, 54,1% no ChatGPT e 40,5% no Perplexity. Trato o número com a reserva que ele merece, por ser dado de fornecedor com produto no mercado de medição e sem metodologia pública auditável, e cito assim mesmo porque a direção do efeito bate com o que vejo na minha própria coleta e porque prefiro discutir um número com ressalva do que repetir a afirmação vazia de que tudo muda rápido.

Rotatividade dessa ordem tem consequência imediata. Presença conquistada em julho pode não existir em setembro sem que ninguém tenha errado, e a leitura de que o trabalho parou de funcionar é tão provável quanto errada. A única forma de saber é ter as rodadas anteriores gravadas com a mesma régua.

Régua igual significa cinco coisas fixas entre rodadas: a lista de perguntas, o número de execuções, o conjunto de motores, o denominador e a regra de desempate. Mexeu em qualquer uma delas, a série anterior deixa de ser comparável, e o caminho honesto é declarar a quebra em vez de emendar o gráfico. Versiono a lista de prompts como se fosse código, com data e motivo de cada alteração, porque a pergunta mais frequente numa reunião de resultado é se a variação veio do mercado ou do instrumento, e sem versionamento ela não tem resposta.

Uma decisão de cadência resolve boa parte do custo. Coleta diária para um conjunto pequeno de perguntas de alta intenção, coleta mensal para o conjunto completo, e nenhuma coleta extraordinária motivada por curiosidade depois de campanha, porque medição fora do calendário combinado é a porta de entrada da seleção de resultado favorável. O formato de acompanhamento está em share of voice em IA e o roteiro de primeira auditoria em como auditar a presença da sua marca em LLMs.

Sete perguntas separam medição de material de venda: denominador, cobertura de motores, número de execuções por prompt, dispersão entre execuções, dias de calendário da janela, tratamento de falha de coleta e regra de desempate. Quem mede de verdade responde as sete sem consultar ninguém.

1. Qual é o n de cada célula desta tabela, e ele é o mesmo para a minha marca e para cada concorrente comparado?
2. Quantos motores estavam configurados e quantos tiveram coleta bem-sucedida em cada dia desta janela?
3. Quantas execuções foram feitas por pergunta por motor, e qual foi a variação entre elas?
4. Quantas datas de calendário distintas compõem o período declarado, e qual foi a última coleta válida?
5. Como o sistema registra uma chamada que falhou, e essa linha entra ou sai do denominador?
6. Qual é o critério de desempate no ranking, e ele é idêntico para a minha marca e para as demais?
7. A lista de prompts mudou desde o relatório anterior, e a série continua comparável?

Duas respostas encerram a conversa. A primeira é metodologia proprietária, que em medição significa número não auditável, porque o valor de uma medição está na possibilidade de refazê-la. A segunda é o silêncio sobre o denominador acompanhado de gráfico bonito. Critico a prática e não a empresa: o cliente compra o relatório que mostra o problema mais claro, e o mais claro costuma ser o mais exagerado.

Vale o mesmo ceticismo com os números de ganho que circulam em proposta comercial. O trabalho de Aggarwal e colegas apresentado no KDD 2024 (arXiv:2311.09735) mediu alta de 40% na visibilidade em média e de 115,1% para páginas em posições mais baixas, com citação de especialista atribuída em 42,6%, estatística com número específico em 32,8% e repetição de palavra-chave em queda de 8,7%, a única técnica com efeito negativo comprovado. O AutoGEO, aceito no ICLR 2026 (arXiv:2510.11438), obteve lift médio de 50,99% ao extrair as regras de preferência do próprio motor alvo.

Os dois resultados são bons e foram medidos em ambiente controlado, com a fonte já presente no contexto avaliado. Nenhum promete o mesmo efeito no seu site, com a sua concorrência. Quando um fornecedor cita esses números sem dizer em que condição foram obtidos, usa pesquisa acadêmica como argumento de autoridade, e a revisão de Martinez já registrou que heurísticas genéricas transferem mal entre contextos. Publiquei um relato no mesmo espírito, com três hipóteses do mercado brasileiro que não sobreviveram ao teste estatístico, em null-report com 7.052 respostas.

Com 25 perguntas reais, três motores, cinco execuções por pergunta e uma planilha, você produz uma medição defensável, com denominador visível e falha separada de ausência. O objetivo não é substituir ferramenta, e sim ter uma régua própria para conferir a régua de quem te vende o diagnóstico.

Comece pelas perguntas, e pegue-as com o time comercial em vez de inventá-las na mesa de marketing. Metade deve ser ampla, do tipo que mede notoriedade da categoria, e metade deve carregar restrição de setor, porte, integração, prazo ou norma, porque é nessa metade que a máquina precisa escolher em vez de listar. Escreva as 25 antes de rodar qualquer coisa e congele a lista até o fim do ciclo.

Na coleta, grave a resposta bruta inteira, com data, hora, motor e versão do modelo. Guardar apenas o veredito de menção economiza espaço e inviabiliza toda auditoria posterior, que foi exatamente o erro que me custou o incidente das 16 lacunas. Resposta de tamanho zero, mensagem de indisponibilidade ou recusa entram como não coletado e voltam para a fila, jamais como ausência de citação.

Para cada linha, registre quatro campos: houve menção da marca, houve citação com link para algum domínio, quais domínios sustentaram a resposta e o que a resposta afirmou sobre a marca. O quarto campo é o que mais rende e o único que exige leitura humana. Ele revela posicionamento antigo, produto descontinuado e atribuição errada de aquisição, defeitos que nenhuma taxa percentual captura e que costumam ser mais graves que a ausência.

No relatório, reporte por motor e nunca só a média. Cada bloco leva n, taxa em percentual, número absoluto ao lado, dispersão entre as cinco execuções, datas de calendário cobertas e motores vivos. Repita no mês seguinte com a mesma lista, o mesmo número de execuções e o mesmo critério de desempate. Se algo mudar, declare a quebra de série no cabeçalho.

Duas advertências fecham o método. Esse protocolo mede presença e narrativa, e não prova receita: a ligação com dinheiro exige origem declarada no CRM e leva trimestres para ficar decente. E a marca que descobre gap real depois de consertar a medição continua com trabalho pela frente. O que muda é a chance de gastar seis meses de orçamento corrigindo um problema que era falha de rede.

Prefiro publicar o defeito do meu próprio instrumento a esperar que alguém o encontre. Custa uma conversa incômoda com cliente e compra a única coisa que sustenta trabalho de medição no longo prazo, que é a possibilidade de acreditar no número seguinte. Um mercado inteiro está sendo construído sobre relatórios que ninguém consegue refazer, e a correção começa por quem opera a ferramenta, não por quem lê o slide.

Alexandre Caramaschi é Chief Strategy Officer da Nuvini (Nasdaq: NVNI). As opiniões deste texto são emitidas na condição de Founder da Brasil GEO e não representam posição da Nuvini.