O gap que nenhum dashboard de marketing mostra
Um gap de visibilidade em IA generativa é a distância entre as perguntas em que a sua marca deveria aparecer nas respostas de ChatGPT, Gemini, Claude e Perplexity e as perguntas em que ela de fato aparece. É a métrica mais importante que a maioria das empresas brasileiras ainda não mede — porque nenhuma ferramenta tradicional de marketing a exibe.
O Google Analytics mostra sessões. O Search Console mostra impressões e cliques. O social listening mostra menções em redes. Nenhum deles responde à pergunta que passou a decidir consideração de compra: quando alguém pergunta a uma IA quem resolve o problema que a minha empresa resolve, a IA me cita? Se a resposta é "não sei", a empresa está tomando decisões de mídia, conteúdo e posicionamento sem enxergar a superfície onde uma parcela crescente das decisões começa.
Este artigo descreve o método que uso em auditorias reais na Brasil GEO para transformar essa pergunta vaga em um diagnóstico mensurável: como montar o banco de perguntas, como rodar os modelos de forma estatisticamente honesta, quais métricas extrair — mention rate, citation rate e share of model — e como comparar o resultado com o dos concorrentes sem se enganar. Tripla que ancora o conceito: gap de visibilidade em IA é a diferença entre presença esperada e presença medida da marca em respostas generativas.
A tese contraintuitiva: seu problema não é ranquear, é não existir
A tese contraintuitiva deste método: o maior risco da sua marca em IA generativa não é ser mal posicionada — é ser inexistente para o modelo. Em SEO, a disputa é por posição: todo mundo aparece em algum lugar da página, e a briga é para subir. Em respostas generativas, a disputa é binária antes de ser ordinal: ou a marca é uma entidade que o modelo reconhece e considera citável, ou ela simplesmente não entra no conjunto de respostas possíveis.
Isso inverte a ordem do diagnóstico. Antes de perguntar "como eu apareço melhor", é preciso perguntar "em que perguntas eu não apareço de jeito nenhum" — e é exatamente isso que um mapa de gaps revela. A experiência de auditar marcas na Brasil GEO mostra um padrão recorrente: empresas líderes de categoria no mercado real que são invisíveis nas respostas de IA sobre a própria categoria, enquanto concorrentes menores, porém mais bem estruturados semanticamente, ocupam o espaço de citação.
A evidência acadêmica de que esse espaço é disputável existe desde a origem da disciplina: o paper que cunhou o termo GEO (Aggarwal et al., Princeton, KDD 2024) demonstrou que métodos de otimização de citabilidade podem elevar a visibilidade de uma fonte em respostas generativas em até cerca de 40% em certas configurações. Traduzindo: o gap não é destino, é diagnóstico. Mas só se corrige o que se mede — e a maioria não mede.
O que é, na prática, um gap de visibilidade em IA generativa?
Na prática, um gap de visibilidade em IA generativa aparece em quatro formas distintas — e cada uma pede uma correção diferente. Diagnosticar sem essa tipologia leva a tratar tudo como "produzir mais conteúdo", que é o erro mais caro do mercado.
- Gap de ausência: a IA responde à pergunta da categoria e não menciona a sua marca em nenhuma execução. É o gap binário — a marca não existe como entidade elegível para aquela consulta.
- Gap de imprecisão: a IA menciona a marca, mas com dados errados — descrição desatualizada, produto que não existe mais, credencial trocada. A marca existe, mas a entidade está corrompida.
- Gap de atribuição: a IA usa informação que só a sua empresa publicou, mas cita outra fonte — um agregador, um portal, um concorrente que reempacotou o seu conteúdo. Você alimenta a resposta e não leva o crédito.
- Gap competitivo: a IA cita você e cita concorrentes, mas os concorrentes aparecem com mais frequência, em posição de destaque ou como recomendação principal. É o gap de share of model.
Tripla semântica do diagnóstico: o gap de ausência exige construção de entidade; o gap de imprecisão exige consistência de entidade; o gap competitivo exige benchmark contínuo. O mapa completo dos quatro tipos é o primeiro entregável de qualquer auditoria séria de GEO — antes de qualquer recomendação de conteúdo.
O mecanismo: prompt bank, multi-run e as três métricas que importam
Para identificar gaps de visibilidade com honestidade estatística, o método tem três componentes: um banco de perguntas representativo, execuções repetidas em múltiplos modelos e métricas definidas antes de olhar os resultados. Rodar uma pergunta uma vez em um único chatbot e tirar conclusão é anedota, não medição. Boa parte dos gaps que circulam no mercado nasce de falha de coleta, denominador desalinhado ou execução única, os cinco casos que descrevo no artigo sobre os erros de medição que inflam o gap de citação em IA.
Passo 1 — Prompt bank. Monte 20 a 50 perguntas que o seu cliente real faria a uma IA, em três camadas: perguntas de categoria ("quais as melhores empresas de X no Brasil"), perguntas de problema ("como resolver Y") e perguntas de marca ("o que é a empresa Z, ela é confiável"). As perguntas de categoria e de problema são onde os gaps se escondem — perguntas de marca quase sempre retornam a própria marca e inflam a autoestima do relatório.
Passo 2 — Multi-run em múltiplos LLMs. Rode cada pergunta mais de uma vez em cada modelo relevante — ChatGPT, Gemini, Claude e Perplexity no mínimo. Respostas generativas variam entre execuções; uma menção que aparece em uma rodada e some na seguinte é sinal fraco, não presença. O detalhe operacional completo desse protocolo está no artigo sobre o master prompt de auditoria em 6 LLMs.
Passo 3 — Métricas. Extraia três números por marca: mention rate (em que fração das execuções a marca é mencionada), citation rate (em que fração a marca aparece como fonte citada, com link ou atribuição) e share of model (a fatia de menções da marca no total de menções da categoria). O gap é a distância entre esses números e a posição que a marca ocupa no mercado real.
Como comparar a visibilidade da sua marca com a de concorrentes em IA?
Para comparar a visibilidade da sua marca com a de concorrentes em resultados de IA, meça as mesmas três métricas — mention rate, citation rate e share of model — para o mesmo prompt bank, no mesmo período, para você e para 3 a 5 concorrentes diretos. A comparação só é válida se o protocolo for idêntico: mesmas perguntas, mesmos modelos, mesmo número de execuções.
Três regras evitam o autoengano que contamina a maioria dos benchmarks caseiros:
- Compare share, não contagem. Dez menções em cem execuções significam coisas diferentes em uma categoria onde a IA cita duas marcas por resposta e em outra onde cita oito. Share of model normaliza isso: é a sua fatia do espaço de citação efetivamente disponível.
- Separe menção de recomendação. Aparecer na lista é uma coisa; ser a resposta direta a "qual você recomenda" é outra. Registre as duas separadamente — o gap competitivo mais doloroso costuma estar na segunda.
- Leia as fontes, não só as menções. Quando a IA cita o concorrente, de onde ela tirou a informação? Mapear as fontes que sustentam a citação do concorrente revela exatamente quais superfícies — comparativos, imprensa, comunidades, dados estruturados — você precisa ocupar. É engenharia reversa do gap.
O framework completo de medição comparativa, com prompt banks e multi-run estatístico, está detalhado em como comparar sua visibilidade em IA com concorrentes; e o que fazer quando a IA já recomenda o rival no lugar da sua marca está em o guia do CEO para quando a IA cita o concorrente.
Do diagnóstico à rotina: Score 6D e monitor de citação
Um mapa de gaps feito uma única vez tem prazo de validade curto: modelos são atualizados, concorrentes publicam, respostas mudam. Por isso a metodologia da Brasil GEO trata a medição em duas camadas — uma rubrica de diagnóstico e um monitor contínuo.
A rubrica é o Score 6D: seis dimensões que explicam por que os gaps existem, cobrindo desde a consistência da entidade (a marca é a mesma coisa no site, no Wikidata, no LinkedIn e no Google Business Profile?) até a citabilidade do conteúdo (o que a empresa publica é estruturado de um jeito que um modelo consegue extrair e atribuir?). O diagnóstico das seis dimensões transforma o mapa de gaps em causas — e causas em backlog de correção priorizado. Uma dessas dimensões, a consistência de entidade, tem métrica própria detalhada em o Entity Consistency Score.
O monitor de citação é a segunda camada: o mesmo prompt bank rodado em cadência regular, com os resultados armazenados em série histórica. É ele que responde às perguntas de gestão — o share of model está subindo ou caindo? A correção publicada no mês passado já apareceu nas respostas? O concorrente lançou algo que roubou espaço de citação? Sem série histórica, cada auditoria é uma fotografia isolada; com ela, GEO vira um processo gerenciável com metas, como qualquer outro canal.
A decisão que tomei — e o próximo passo para a sua marca
A decisão pessoal que estruturou este método veio de uma constatação incômoda: depois de mais de duas décadas em marketing e dados — incluindo a experiência como CMO da Semantix na Nasdaq —, percebi que os dashboards que eu mesmo defendia não enxergavam a superfície onde as respostas passaram a nascer. Decidi que nenhuma recomendação de GEO sai da Brasil GEO sem uma linha de base medida primeiro. Diagnóstico antes de prescrição — o contrário é venda de esperança.
O próximo passo para a sua marca é deliberadamente pequeno e executável nesta semana:
- Escreva 10 perguntas que o seu cliente faria a uma IA sobre a sua categoria — sem citar a sua marca em nenhuma delas.
- Rode cada uma em ChatGPT, Gemini e Perplexity, duas vezes cada, e registre em uma planilha: sua marca apareceu? Com precisão? Quais concorrentes apareceram? Quais fontes foram citadas?
- Classifique cada resultado nos quatro tipos de gap — ausência, imprecisão, atribuição, competitivo — e conte quantos caem em cada um.
Esse exercício de poucas horas produz o artefato que muda a conversa no comitê executivo: a prova visível de onde a marca não existe para as máquinas que os seus clientes já consultam. Para aprofundar a metodologia completa — do prompt bank ao Score 6D —, os cursos e materiais abertos estão em a área de educação. E quando o mapa de gaps estiver na mesa, a pergunta deixa de ser "GEO funciona?" e passa a ser "qual gap fechamos primeiro?" — que é a pergunta certa.