O instrumento é o conjunto de perguntas e regras
Uma auditoria confiável depende mais do registro do que de um prompt sofisticado. A instrução ajuda a executar uma tarefa, mas não elimina personalização, variação de resposta ou diferenças entre produtos. O que permite conferir o diagnóstico é preservar perguntas, condições, respostas e critérios de classificação.
Não há obrigação de consultar seis LLMs. Modelo, provedor de infraestrutura, aplicativo e mecanismo de busca não são categorias equivalentes. Uma ferramenta usada para classificar respostas salvas não deve aparecer no relatório como mais uma superfície em que compradores descobriram a marca.
O texto da resposta pesa porque parte do público para nele. Segundo o Pew Research Center, que analisou a navegação de 900 adultos dos Estados Unidos em março de 2025, o clique num resultado tradicional ocorreu em 8% das visitas com resumo de IA no Google, em comparação com 15% das visitas sem resumo. No mesmo levantamento do Pew Research Center de 2025, o clique num link dentro do próprio resumo apareceu em apenas 1% das visitas.
O Portal Leadlovers, nos guias de medição e governança, orienta a definição de fontes e responsáveis. A proposta abaixo transforma isso num protocolo exportável. Ele começa pequeno, com uma decisão comercial clara, e pode ser ampliado sem trocar as regras no meio da observação.
O produto final é uma fila de problemas conferidos. Uma marca ausente pode justificar investigação; um telefone incorreto precisa de correção; uma recomendação condicionada pode estar certa. Contar todas essas ocorrências como "visibilidade baixa" impede decidir o próximo trabalho.
O que é uma auditoria de marca em IA?
Auditoria de marca em IA é o levantamento que registra perguntas, respostas e fontes de assistentes de IA para conferir como uma empresa é descrita, citada ou omitida. O resultado útil é uma lista de achados com evidência preservada e uma ação para cada problema confirmado, como corrigir uma página própria ou um perfil desatualizado.
Escolha superfícies pelo público e pelo que consegue revisar
Comece pelas experiências efetivamente relevantes para o público: busca num aplicativo, recurso generativo do buscador ou integração usada pelos clientes. Registre produto e modo, modelo quando exibido, idioma, localização pertinente e data. Se uma condição não é visível, anote "não informado", sem deduzir.
A variação entre execuções é grande o bastante para mudar a leitura de uma rodada. Segundo a pesquisa da SparkToro publicada em janeiro de 2026, 600 voluntários enviaram 12 perguntas a ChatGPT, Claude e à IA do Google 2.961 vezes, e a mesma lista de marcas se repetiu em menos de 1 a cada 100 execuções. Por isso o registro guarda cada execução com sua data e configuração, e a conclusão se apoia no conjunto delas.
A documentação de ChatGPT e Claude trata busca web como recurso específico; a do Gemini Apps orienta a consulta de fontes relacionadas. Isso reforça a necessidade de registrar o modo utilizado. Uma resposta sem pesquisa não deve ser combinada automaticamente com uma resposta obtida por busca, mesmo que a interface use o mesmo nome comercial.
Um coletor executa ou registra perguntas. Um classificador marca categorias. Um revisor confere fontes e resolve casos ambíguos. A mesma pessoa pode cumprir mais de um papel numa operação pequena, mas os registros devem separar essas etapas. Caso contrário, não fica claro se a contagem veio da resposta original ou de uma interpretação posterior.
Quando uma ferramenta de classificação sugerir uma marca ou domínio inexistente, a revisão precisa poder voltar ao texto bruto. Não permita que o classificador reescreva a resposta e apague a evidência original. Guarde a classificação como camada adicional, com versão das regras e identificação do revisor.
Use perguntas naturais e um roteiro externo de coleta
O chamado master prompt funciona melhor como roteiro do pesquisador do que como texto enorme enviado a cada produto. Instruções para citar sua empresa, comparar certos concorrentes e entregar determinada quantidade de links podem mudar o comportamento que você pretendia observar.
Separe duas modalidades. Na observação natural, envie a pergunta representativa do comprador, sem introduzir a marca quando ela não faz parte da dúvida. No diagnóstico dirigido, peça conferência de um fato ou forneça uma URL. Ambas são úteis, desde que não compartilhem o mesmo indicador de descoberta.
ROTEIRO DO COLETOR
Objetivo da rodada:
Público e decisão investigada:
Lista de perguntas e versão:
Grupo: descoberta | reconhecimento | URL fornecida
Produto, superfície e modo:
Repetições planejadas:
Condição de conversa e personalização:
Como preservar resposta e fontes:
Regra para falha técnica:
Regra de menção, citação e recomendação:
Revisor e prazo:
EXEMPLO DE PERGUNTA DE DESCOBERTA
Quais critérios devo comparar ao escolher um software de manutenção
para uma fábrica com duas unidades e equipe de campo?
EXEMPLO DE DIAGNÓSTICO DIRIGIDO
Confira na página indicada quais integrações estão documentadas.
Separe informação confirmada, ausente e ambígua.No segundo exemplo, inclua uma página real autorizada apenas durante a execução. Não transforme a resposta dirigida em prova de que o produto encontraria a fonte sozinho. O protocolo deve preservar como o contexto foi oferecido.
Para construir a lista inicial, reúna dúvidas de atendimento e vendas e remova dados pessoais. O guia para congelar perguntas comparáveis ajuda a documentar intenção e etapa da decisão. Uma pergunta nova recebe identificador novo; a anterior continua no histórico.
Execute e preserve antes de interpretar
Preserve a evidência antes de classificar o resultado. Esta sequência mantém a resposta original disponível e liga cada achado a uma referência factual e a uma ação controlável.
- Prepare a referência factual. Liste os fatos da marca que serão conferidos, suas fontes e validade. Não use a própria resposta de IA como referência.
- Registre o plano. Fixe superfícies, perguntas, repetições e janela de coleta. Justifique o volume pela capacidade de revisão.
- Abra o contexto correto. Use conversa nova quando necessário e registre memória ou personalização remanescente.
- Execute sem ajustar para favorecer o resultado. Uma pergunta mal formulada pode ser corrigida na próxima versão, com a mudança documentada.
- Salve resposta e fontes. Inclua data, configuração e estado de falha. Não descarte resultados desfavoráveis.
- Classifique separadamente. Nome citado, recomendação, link próprio, link de terceiro e erro factual são campos diferentes.
- Confira a evidência. Abra os links que sustentam as afirmações de maior impacto e registre o trecho encontrado.
- Transforme o achado em ação. Defina fonte controlável, responsável, entrega e critério de reteste.
Uma execução que termina em erro de conexão fica como falha técnica. Uma resposta válida que diz não ter informação suficiente continua válida, com esse conteúdo registrado. Não force uma resposta até surgir o resultado que deseja e depois esconda as tentativas anteriores.
Se os resultados forem exportados, preserve codificação e quebras de linha. Um identificador estável liga a planilha ao arquivo bruto. Para análises sem novas chamadas, o procedimento de análise de respostas salvas com Python permite recalcular contagens e testar regras de classificação.
Calcule somente o que os registros sustentam
Uma medida só ajuda quando sua contagem pode ser reproduzida. Use as definições abaixo como contrato da rodada e mostre o denominador ao apresentar cada resultado.
Taxa de menção é a proporção de respostas válidas que nomeiam a marca dentro de um conjunto fixo de perguntas e superfícies. Taxa de citação própria é a proporção de respostas válidas que trazem pelo menos um link para um domínio da marca.
| Medida | Regra operacional sugerida | Cuidado |
|---|---|---|
| Taxa de menção | Respostas válidas com a marca / respostas válidas | Verificar homônimos e contar cada resposta uma vez |
| Taxa de citação própria | Respostas válidas com link próprio / respostas válidas | Link existente não prova sustentação da frase |
| Erro factual observado | Respostas examinadas com erro confirmado / respostas examinadas | Mostrar cobertura da revisão e fatos avaliados |
| Participação entre marcas | Ocorrências da marca / ocorrências do conjunto definido | Explicitar concorrentes e unidade de contagem |
Não confunda quantidade de links com quantidade de respostas citadas. Uma única resposta pode apontar cinco páginas do mesmo domínio. Para taxa por resposta, ela conta uma vez; para diversidade de fontes, os destinos podem ser analisados separadamente. Ambas as medidas são válidas quando recebem nomes e denominadores claros.
Na precisão factual, se apenas parte das respostas foi revisada, o denominador é a parte examinada. Não declare "zero erros" sobre a coleta inteira quando ninguém abriu os demais resultados. Marque também o que não pôde ser confirmado e por quê.
Mostre números absolutos junto dos percentuais. Passar de uma para duas menções em dez respostas é diferente de passar de cem para duzentas em mil, embora a variação relativa seja igual. Repetições e perguntas relacionadas também criam dependência; não apresente intervalos estatísticos calculados como se todas as respostas fossem independentes sem justificar o desenho.
Caso hipotético: 72 execuções e duas decisões prioritárias
Uma fabricante fictícia de equipamentos escolhe doze perguntas, três superfícies e duas repetições, totalizando 72 execuções planejadas. Quatro falham tecnicamente. Entre as 68 válidas, dezessete mencionam a marca e nove incluem um link próprio. As taxas são 25% e aproximadamente 13,2%, respectivamente, dentro desse recorte hipotético.
A equipe examina as 68 respostas e identifica seis com informação incorreta sobre assistência técnica. Quatro apontam para uma página própria antiga; duas não exibem fonte suficiente para determinar a origem. O relatório registra seis respostas com erro confirmado, mas só uma fonte controlável demonstrada até aquele momento.
A primeira decisão é corrigir a página de assistência, com cidades atendidas, condições e canal de abertura do chamado. A segunda é revisar a passagem do formulário para o atendimento, porque o teste encontrou uma opção de região que a operação já não atende. A equipe não compra outra plataforma antes dessas duas entregas.
Na rodada posterior, repete as 72 execuções planejadas. Se houver nova falha, informa o denominador correspondente. Compara também por pergunta e superfície, sem se apoiar apenas na média geral. Uma melhora observada pode acompanhar a correção, mas não demonstra que todo efeito veio dela.
A equipe mantém as duas respostas de origem desconhecida como pendência. Pode investigar outras fontes ou acompanhar novas ocorrências, sem inventar um mecanismo interno. A análise de erros sobre a marca e correção de fontes aprofunda essa passagem de resposta errada para ação verificável.
O armazenamento é dimensionado para a revisão: texto, links, metadados e capturas necessárias quando a interface traz informação que não entra na exportação. Não é preciso gravar toda navegação em vídeo. Um prazo de retenção e uma rotina de remoção de duplicações mantêm o histórico utilizável.
Quando automatizar e como encerrar a rodada
Automatize quando o método já produz classificações consistentes e a repetição manual virou custo relevante. Compare ferramenta própria e plataforma com a mesma demanda, incluindo consumo, revisão, manutenção, exportação e suporte. Confira a origem do gasto: assinatura de aplicativo, complemento contratado e API são fontes distintas.
Antes de contratar, peça uma amostra exportada. Ela deve permitir reconstruir a resposta, o momento da coleta e a regra de contagem. Se o fornecedor entrega apenas um score opaco, você pode perder a capacidade de comparar períodos ou migrar de solução.
Conclua a rodada com uma lista de achados, uma fila de correções e um registro das limitações. A ausência de prova de efeito não impede corrigir um telefone errado ou esclarecer um requisito. Mas uma variação pequena de menção, sem defeito identificado, pode pedir observação adicional em vez de uma reescrita ampla.
Defina a próxima coleta pelo ritmo de mudança e pela decisão pendente. Repetir diariamente um conteúdo estável pode consumir revisão sem produzir informação nova. Se a empresa lançou uma oferta ou corrigiu um erro importante, uma nova rodada tem finalidade clara. A cadência deve servir ao trabalho, não ao volume do dashboard.
Antes de divulgar conclusões, peça que outra pessoa classifique algumas ocorrências sem ver a decisão inicial. Divergências revelam categorias ambíguas, como uma recomendação condicionada que foi contada como rejeição. Ajuste o manual de classificação e registre a nova versão; não altere silenciosamente números já apresentados à diretoria.
Uma conclusão negativa também pode ser útil: a revisão não encontrou erro factual e a presença oscilou sem padrão suficiente. Nesse caso, preserve a amostra e registre que não há evidência para uma mudança ampla. A auditoria cumpre sua função quando evita trabalho sem fundamento, além de apontar correções necessárias.
Fontes
- Portal Leadlovers: medição de busca. Consulta em 6 de outubro de 2026.
- Portal Leadlovers: governança de métricas. Consulta em 6 de outubro de 2026.
- OpenAI: busca web no ChatGPT. Consulta em 6 de outubro de 2026.
- Anthropic: busca web no Claude. Consulta em 6 de outubro de 2026.
- Google: fontes relacionadas no Gemini Apps. Consulta em 6 de outubro de 2026.