A pergunta que eu não sabia responder na reunião
Numa reunião de diagnóstico com um cliente de SaaS B2B, o CMO me fez a pergunta mais incômoda do ano: "quando alguém pergunta ao ChatGPT qual a melhor ferramenta da nossa categoria, a gente aparece?". Eu não tinha resposta auditável. Rodei a auditoria naquela noite e a verdade doeu: a marca dele tinha mention rate de 4% nos motores que importavam. Invisível, pelo benchmark que uso.
A tese contraintuitiva deste tutorial: você não precisa comprar uma plataforma de mil dólares por mês para descobrir se sua marca existe para a máquina. Precisa de um master prompt bem desenhado, de seis LLMs complementares e de disciplina para registrar os resultados num painel próprio. A ferramenta paga acelera e escala — mas o método é o que dá a verdade, e é replicável por qualquer consultor ou agência.
Este artigo entrega exatamente o que eu faço: a anatomia do prompt, a tabela de qual LLM usar para qual papel, o passo a passo numerado e as três métricas que monto — com honestidade sobre o que é mensurável e o que é estimativa. Se você quer a teoria de medição antes, leia Share of Voice em IA: como medir se sua marca existe para a máquina. Aqui é a parte prática.
Por que rodo seis LLMs e não confio em um só
Cada LLM tem um índice diferente, um viés diferente e uma fonte de recuperação diferente. Perguntar a um só é como auditar uma marca olhando uma única praça de uma cidade inteira. Para uma auditoria de visibilidade em IA ser confiável, é preciso cruzar pelo menos seis motores complementares e transformar respostas estocásticas em sinal.
Cada motor cobre um ângulo distinto: o ChatGPT lê a web com busca integrada; o Gemini está colado no índice do Google e no AI Mode; o Perplexity cita fontes explicitamente; o Claude é conservador e prioriza fontes consolidadas; o Groq classifica em lote com velocidade; e o Grok puxa do ecossistema do X em tempo quase real.
Há um dado que sustenta a necessidade do multi-motor: o overlap entre o top-10 do ranking orgânico e quem é citado pela IA caiu de 76% em 2025 para 38% em 2026, segundo levantamento da ALM Corp sobre 173 mil URLs. Estar bem no Google não garante mais estar na resposta gerada. Para entender a mecânica por trás disso, veja por que seu conteúdo ranqueia no Google e some no ChatGPT.
O segundo motivo é o cross-check amostral. Modelos generativos são estocásticos: a mesma pergunta gera respostas diferentes a cada rodada. Um motor pode citar sua marca por sorte numa amostra. Seis motores com várias amostras cada transformam ruído em sinal. Quando a marca aparece em quatro dos seis, isso é autoridade distribuída — não coincidência. Essa lógica de papéis complementares está detalhada em o orquestrador de 6 LLMs como padrão de stack GEO.
A tabela que uso: LLM → papel → o que extrair
Na auditoria de visibilidade em IA, cada LLM cumpre um papel distinto: Perplexity mede citation rate com fontes visíveis, GPT captura a resposta de consumo, Gemini revela o contexto do ecossistema Google, Groq classifica em lote, Claude decompõe e revisa, e Grok faz o red-team. Usar todos para a mesma tarefa desperdiça o sinal que cada um carrega de forma exclusiva.
Esta é a matriz exata que mantenho colada no meu painel de auditoria:
| LLM | Papel na auditoria | O que extrair |
|---|---|---|
| Perplexity | Pesquisa viva com fontes nomeadas | Quais domínios e URLs ele cita para cada query; se a sua marca está entre as referências (citation rate real, com link visível). |
| GPT (ChatGPT/GPT-5.5) | Redige e sintetiza a resposta de consumo | Se a marca aparece na resposta-padrão que o usuário final leria; em que posição da lista; com que tom (recomendação vs. menção solta). |
| Gemini | Analisa contexto longo e proximidade do índice Google | Cobertura no ecossistema Google/AI Mode; quais entidades concorrentes ele associa à sua categoria; lacunas de contexto sobre a marca. |
| Groq | Classifica e processa em lote (rápido e barato) | Sentimento (positivo/neutro/negativo) e posição de cada menção em centenas de respostas coletadas; rotulação bulk para o cálculo de share of model. |
| Claude | Decompõe a query e revisa o veredito | Sub-queries que o query fan-out provavelmente dispara; revisão crítica das menções marcadas como falso-positivo; síntese final do diagnóstico. |
| Grok | Red-team / contraditório em tempo real | O que se fala da marca agora no ecossistema social; menções negativas ou polêmicas que os outros não pegam; cenário onde a marca não deveria ser citada. |
Repare numa coisa: o Grok entra como red-team, não como repetidor. O papel dele é tentar derrubar a tese — encontrar o contexto em que a marca aparece mal, ou em que um concorrente domina. Uma auditoria que só procura boas notícias é marketing, não auditoria. Esse mapa de papéis complementares é o mesmo que detalho em orquestração de LLMs para auditar e implementar GEO — aqui o foco é a auditoria, não a implementação.
A anatomia do meu master prompt de auditoria
O master prompt de auditoria GEO não é um pedido genérico do tipo "minha marca aparece no ChatGPT?". É um instrumento de medição com seis blocos fixos — persona de usuário real, lista de queries do nicho, instrução de citação, formato estruturado de saída, repetição amostral e bloco de red-team — aplicado de forma idêntica nos seis motores, trocando apenas o que cada papel exige.
Esta é a estrutura completa que carimbo em todos os seis motores:
- Contexto e persona: "Você é um usuário real procurando [categoria] no Brasil. Responda como responderia a um cliente, sem saber que isto é uma auditoria."
- Lista de queries do nicho: de 15 a 30 perguntas reais que o ICP faria — "melhor [categoria] para [caso de uso]", "[marca] vs [concorrente]", "como escolher [categoria]", "alternativas a [líder de mercado]". Estas queries são o universo da medição.
- Instrução de citação: "Para cada recomendação, liste o nome da marca, a fonte/URL se houver e a posição na sua lista."
- Formato de saída estruturado: peço a resposta em tabela ou JSON (marca | posição | fonte | sentimento). Isso torna a extração automática e elimina interpretação manual.
- Repetição amostral: rodo cada query de 3 a 5 vezes por motor, porque a resposta varia. Uma amostra única mente.
- Bloco de red-team (só no Grok/Claude): "Em que cenário você NÃO recomendaria [marca]? Que crítica existe sobre ela?".
O bloco 2 — a lista de queries — é onde a maioria erra. A qualidade da auditoria é a qualidade da lista. Se você só pergunta "qual a melhor [marca]", está medindo ego, não mercado. As queries têm que refletir a intenção real do comprador, incluindo as perguntas em que você espera perder. O AI Mode decompõe uma query em 12 a 15 sub-queries em média (dado do próprio Google no I/O 2026), então uma boa lista antecipa esse fan-out. Para entender essa mecânica, veja RAG e query fan-out: como a IA monta a resposta que cita você.
Um detalhe operacional que economiza horas: peça a saída em JSON desde a primeira resposta. Texto livre exige leitura e classificação manual; JSON estruturado vai direto para o script de contagem. É a diferença entre auditar dez marcas por dia e auditar uma por semana.
Passo a passo: como rodo a auditoria do zero
A auditoria completa de visibilidade em IA segue nove passos sequenciais: da montagem das queries à série temporal mensal. Na primeira marca, leva entre duas e quatro horas; com o template pronto, cai para menos de uma hora.
- Defina o universo de queries. Entreviste o time de vendas ou puxe as perguntas reais do funil. Monte de 15 a 30 queries que cobrem topo (categoria), meio (comparação) e fundo (alternativa a concorrente). Sem isto, o resto é teatro.
- Monte o master prompt com os seis blocos acima e adapte o papel para cada motor (ver a tabela). Salve cada variante.
- Rode em Perplexity primeiro. É o único que mostra fontes com link de forma confiável — então é onde você mede citation rate de verdade. Registre domínios citados por query.
- Rode em GPT e Gemini. Colete a resposta de consumo. Marque: a marca apareceu? Em que posição? Com que tom?
- Rode em Claude e Grok. Claude decompõe e revisa; Grok faz o red-team. Anote menções negativas e cenários de perda.
- Use o Groq para classificar em lote. Jogue todas as respostas coletadas para rotular sentimento e posição — barato e rápido, ideal para o volume.
- Consolide num painel. Uma planilha basta: linhas = queries, colunas = motores, células = (apareceu? posição? sentimento? fonte?).
- Calcule as três métricas (mention rate, share of model, citation rate — explico na próxima seção).
- Repita em 30 dias. Visibilidade em IA é fluxo, não foto. O valor real do painel está na série temporal: ele mostra se o que você publicou moveu o ponteiro.
Se você quer transformar os passos 3 a 6 em código que roda sozinho toda semana, o caminho está em automação em Python para GEO: monitorar citações em IA. Eu comecei manual, no copia-e-cola, e só automatizei depois que o método provou valor. Recomendo o mesmo: valide à mão antes de escrever o script.
As três métricas — e como calculo cada uma
A auditoria de visibilidade em IA produz três métricas distintas: Mention Rate (a máquina me conhece?), Share of Model (quanto da atenção da categoria é minha?) e Citation Rate (meu conteúdo é usado como fonte?). Elas medem etapas diferentes do funil e não são intercambiáveis.
- Mention Rate = (respostas em que a marca aparece) ÷ (total de respostas coletadas). É a métrica de topo: "a máquina sabe que eu existo?". Não distingue tom nem posição. É o primeiro número que olho.
- Share of Model = (menções da sua marca) ÷ (menções de todas as marcas da categoria) no mesmo conjunto de queries. É a métrica competitiva: "de toda a atenção que a IA dá à categoria, quanto é minha?". É a mais próxima do velho share of voice.
- Citation Rate = (respostas em que o seu domínio é citado como fonte) ÷ (total de respostas). É a métrica de autoridade de conteúdo: não basta o nome aparecer, o seu conteúdo é usado como referência. Só é confiável onde o motor mostra fontes (Perplexity, AI Mode).
Para ler o número de mention rate, uso o benchmark GenOptima 2026, que é a régua que adotei por ser simples e acionável:
| Mention Rate | Estágio | O que significa |
|---|---|---|
| < 5% | Invisível | A máquina praticamente não conhece a marca. Prioridade total. |
| 5% – 15% | Emergente | Aparece às vezes; presença frágil e dependente de sorte. |
| 15% – 30% | Forte | Presença consistente; já é considerada nas respostas. |
| > 30% | Dominante | Citada de forma recorrente; é o nome de referência da categoria. |
Agora a honestidade que o spec me obriga — e que eu faria de qualquer jeito: não existe métrica pública auditável de share of model. Nenhuma. Quem vende "share of model oficial" está vendendo a estimativa do próprio fornecedor, gerada do mesmo jeito que você geraria: rodando prompts e contando menções. O valor do método não é um número que veio de uma autoridade externa; é você montar o seu próprio painel, com a sua própria lista de queries, e medir a tendência ao longo do tempo. O número absoluto importa menos que a derivada.
Quando vale pagar: Profound, Peec AI, Scrunch, Otterly, Conductor
O método manual prova o conceito e resolve diagnósticos pontuais de uma marca. Quando a auditoria vira rotina recorrente — dezenas de marcas, centenas de queries, alertas diários e histórico para o board — a planilha não escala e as ferramentas pagas fazem sentido.
As ferramentas automatizam o mesmo loop descrito aqui: rodam prompts em vários motores, classificam respostas e plotam a série temporal. As principais que acompanho:
- Profound — referência de mercado em "answer engine insights"; rastreia citações em ChatGPT, Perplexity, Gemini e Copilot, com análise de fontes e prompts em escala.
- Peec AI — plataforma europeia focada em monitoramento de visibilidade em IA por concorrente e por prompt, com bom custo de entrada para agências.
- Scrunch AI — voltada a entender e otimizar como a marca aparece para agentes de IA, com ênfase na camada de "agent experience".
- Otterly AI — monitoramento de menções e links em respostas de IA, prático para times menores que querem rastrear poucos termos.
- Conductor — suíte tradicional de SEO enterprise que incorporou módulos de visibilidade em IA, útil para quem já roda SEO nela e quer consolidar.
Meu critério de decisão é direto: rode o método manual primeiro. Se a auditoria pontual já responde a pergunta do negócio, não pague nada ainda. Se virou rotina recorrente com stakeholders cobrando dashboard, contrate a ferramenta que cobre os motores que importam para o seu mercado. Para um panorama comparativo, incluindo opções com olhar no Brasil, veja ferramentas de GEO em 2026: panorama brasileiro. E lembre: a ferramenta paga te dá escala e histórico, não te dá a lista de queries certa — essa parte continua sendo trabalho seu.
Os erros que vejo (e que já cometi) na auditoria
Seis erros recorrentes inflam o número de mention rate ou escondem buracos reais na visibilidade em IA. Os mais caros são a lista de queries enviesada para o ego e a amostra única por query — os dois juntos fazem a auditoria medir sorte, não tendência.
- Lista de queries enviesada para o ego. Só perguntar onde você espera ganhar infla o número e esconde os buracos. Inclua as queries em que você provavelmente perde.
- Amostra única por query. Modelos variam. Sem repetir 3 a 5 vezes, você está medindo sorte, não tendência.
- Confundir mention com citation. O nome aparecer não é o mesmo que o seu conteúdo ser a fonte. São métricas de etapas diferentes do funil.
- Auditar uma vez e parar. Sem série temporal, o painel não serve para decisão. O valor está em comparar o antes e o depois de uma ação.
- Ignorar o tom. Mention rate alto em contexto negativo é um alerta de reputação, não um troféu. Por isso o Groq classifica sentimento e o Grok faz o red-team.
- Esperar que a IA cite quem ela não consegue ler. Se os bots de retrieval estão bloqueados, você não entra na resposta — por melhor que seja o conteúdo. Antes de auditar, confira o que você libera em a matriz de bots de IA: robots.txt, llms.txt e o que liberar.
O metaerro, o que engloba todos os outros, é tratar a auditoria como evento único de vaidade em vez de instrumento de gestão. Eu rodo o painel mensalmente para os clientes da Brasil GEO porque a única pergunta que o board faz é: "o que mudou desde o mês passado?". Sem a série, você não tem o que responder.
O que eu faria amanhã de manhã
O próximo passo cabe numa manhã: escolha uma marca, monte 15 queries reais do nicho, carimbe o master prompt de seis blocos e rode nos três motores de maior impacto — Perplexity, GPT e Gemini. Conte as menções, calcule o mention rate e aplique o benchmark GenOptima. Em duas horas você terá mais clareza sobre a visibilidade em IA daquela marca do que a maioria do mercado tem.
Com o número na frente, a pergunta muda de "onde estou?" para "o que faço para subir?" — e o trabalho deixa de ser auditoria e vira execução de GEO. Para transformar o diagnóstico em plano, o caminho natural é o playbook do CMO B2B SaaS para citação em LLM. Para fixar o vocabulário das quatro camadas de visibilidade antes de apresentar para um cliente, o glossário 2026 de SEO, AEO, GEO e ASO é a base.
Sou Alexandre Caramaschi, CEO da Brasil GEO, ex-CMO da Semantix (Nasdaq), cofundador da AI Brasil. Audito visibilidade em IA com este método toda semana. Comece manual, prove o valor, depois automatize. A máquina já está respondendo sobre a sua marca — a única escolha que você tem é medir ou continuar no escuro.