Como identificar gaps de visibilidade de marca em IA generativa

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 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.

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.

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.

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.

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.

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 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:

1. Escreva 10 perguntas que o seu cliente faria a uma IA sobre a sua categoria — sem citar a sua marca em nenhuma delas.
2. 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?
3. 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.