Como reduzir alucinações de IA sobre a sua empresa

Alucinação sobre empresa quase sempre começa na fonte. O motor não guarda uma ficha da sua companhia; ele a remonta a cada pergunta com o que encontra, e o que você publica no domínio próprio é uma fatia pequena desse material.

A ordem de grandeza vem de Chen e colegas, em trabalho de 2025 (arXiv:2509.08919): conteúdo próprio da marca representa de 5% a 10% do que os motores extraem para responder. O restante chega de terceiros, e é por isso que uma empresa consegue aparecer bem e ser descrita errado na mesma resposta.

Auditei uma empresa brasileira de tecnologia que aparecia em sete de oito contextos avaliados. O domínio próprio dela respondia por menos de 1% das citações que a IA usava para se sustentar, contra o piso de 5% a 10% medido em 2025. Ao abrir as fontes, o quadro virou: portais de conteúdo, um diretório de fornecedores, uma matéria de 2022, duas páginas de parceiros e um agregador que copiava a descrição institucional antiga. Retomo esse caso ao longo do texto, sem nomear a empresa, porque ele já está publicado em reconhecimento não é recomendação.

A consequência prática muda o orçamento. Corrigir alucinação só com conteúdo institucional mexe naquela fatia pequena e deixa o resto intacto. O protocolo abaixo ataca as cinco camadas em que o erro nasce, cada uma com dono, artefato e teste de dez minutos.

Camada	Sintoma que ela corrige	Dono	Artefato entregue	Como verificar em dez minutos
1. Entidade sem colisão	A IA troca a empresa por um homônimo ou mistura duas trajetórias numa só	Brasil GEO	Mapa de entidade com nome canônico, homônimos listados, identificador próprio e sameAs	Pergunte pelo nome puro nos quatro motores e confira CNPJ, cidade e ano de fundação na resposta
2. Fatos canônicos em superfície para máquina	A IA descreve produto encerrado, cargo antigo ou número que mudou	Brasil GEO no desenho, agência na implementação	llms.txt, JSON-LD de Organization e de Person, FAQPage e institucional legível sem JavaScript	Abra o llms.txt no navegador e procure três fatos que mudaram no último ano
3. Autoridade e cobertura de terceiros	A IA repete a versão de um portal antigo porque só existe aquela	Hedgehog Digital	Digital PR, profundidade de tema e dados estruturados em veículos que a resposta já cita	Liste as cinco fontes mais citadas sobre a marca e veja quantas repetem o fato correto
4. Medição contínua por prompt e por motor	O erro volta depois de corrigido e ninguém percebe a tempo	NAIA	Série histórica de menção e citação, por prompt e por motor, com alerta de deriva	Rode o mesmo prompt três vezes no mesmo dia e compare as três respostas
5. Correção datada e registrada	A versão nova não substitui a antiga porque nada sinaliza a mudança	Brasil GEO com a área de comunicação	Política de correção pública, registro de alterações e data de modificação real no HTML	Confira se a data de modificação da página bate com a última alteração de conteúdo

A primeira camada decide qual empresa é a sua quando existem candidatos com o mesmo nome. Sem ela, o resto do protocolo alimenta o homônimo junto com você, porque o motor recebe material novo sem critério para separar duas entidades com a mesma sequência de letras.

1. Liste todos os nomes pelos quais a empresa é chamada: razão social, marca comercial, apelido de mercado, grafias com e sem acento, sigla. Pronto quando cada variante tiver decisão explícita de canônica ou alternativa.
2. Busque os homônimos ativos nos quatro motores e no registro de empresas, incluindo marcas de outros setores e de outros estados. Pronto quando existir lista nomeada com o que distingue cada um deles da sua empresa.
3. Publique um identificador próprio estável no JSON-LD de Organization e ligue a empresa aos perfis oficiais pelo campo sameAs, a propriedade que aponta para outros endereços da mesma entidade. Pronto quando o identificador se repetir igual em todas as páginas e os perfis apontarem de volta para o domínio.
4. Reescreva a página institucional para afirmar fatos verificáveis: fundação, sede, CNPJ, produtos ativos, setores atendidos, quem dirige. Pronto quando um leitor sem contexto responder as seis perguntas lendo só aquela página.

A colisão de entidade é o defeito que mais se parece com alucinação e que menos se resolve com conteúdo. Descrevi o mecanismo inteiro em homônimos e colisão de entidade. No caso que conduz este texto, parte da descrição errada vinha de um agregador que copiava a apresentação institucional antiga, e nenhuma linha de conteúdo novo teria corrigido a origem.

O teste dessa camada é o mais barato dos cinco. Pergunte pelo nome puro nos quatro motores, depois pelo nome mais o setor. Se CNPJ, cidade ou ano de fundação vierem trocados em qualquer um deles, pare o calendário editorial e resolva a identidade antes.

A segunda camada publica a versão correta num formato que o motor extrai sem interpretar. Página institucional escrita para gente continua necessária; o que falta na maioria das empresas é o mesmo fato também em arquivo e em marcação, com data de atualização confiável.

1. Escreva o llms.txt, arquivo de texto na raiz do domínio que resume o que a empresa é e aponta as páginas canônicas. Pronto quando ele responder as dez perguntas que um comprador faz antes da primeira reunião.
2. Marque Organization e Person em JSON-LD, com identificador próprio, sameAs e a lista de produtos ativos. Pronto quando o validador de dados estruturados passar sem erro e os identificadores baterem com os da camada anterior.
3. Publique FAQPage com as perguntas literais que chegam ao comercial e responda cada uma em bloco autossuficiente. Pronto quando cada resposta fizer sentido lida fora da página em que está.
4. Confira o HTML servido sem JavaScript. Pronto quando os fatos aparecerem no código-fonte bruto, antes de qualquer renderização no navegador.

Dá para medir o tamanho dessa camada. Numa varredura de doze domínios brasileiros com sondas HTTP em 7 de agosto de 2026, alexandrecaramaschi.com nomeava 52 agentes de IA no robots.txt, servia llms.txt de 114 KB e llms-full.txt de 118 KB e expunha 169 nós com identificador próprio no JSON-LD da home. O brasilgeo.ai nomeava 43 agentes, com llms.txt de 65 KB e 93 nós. Os dois foram os únicos da amostra a servir llms-full.txt e superfície MCP, o canal padronizado por onde um agente consulta dados de um site.

O mecanismo do ganho é simples. Com o fato canônico no arquivo, na marcação e na página, o motor encontra a mesma afirmação em três lugares independentes, e repetição consistente resolve ambiguidade melhor que volume de texto. No caso da empresa de tecnologia, o catálogo ativo não vivia em superfície legível por máquina, e a descrição que circulava vinha de páginas de parceiros.

A terceira camada trabalha fora do seu domínio. Como a maior parte do que o motor extrai vem de fontes que não são suas, arrumar a própria página resolve pouco enquanto os veículos citados na resposta continuarem repetindo a versão antiga.

1. Levante as fontes que cada motor cita ao falar da empresa e classifique cada uma por veículo, por data e pelo que ela afirma. Pronto quando a lista trouxer as dez fontes mais recorrentes com a afirmação exata de cada uma.
2. Priorize as fontes erradas por alcance e frequência de citação, e procure a correção com o veículo. Pronto quando cada item tiver resposta registrada, inclusive a negativa.
3. Construa cobertura nova sobre os temas em que a marca tem material próprio, com digital PR e profundidade de tema. Pronto quando surgirem citações novas de veículos que já apareciam nas respostas.
4. Peça a clientes dispostos a descrever resultado com número que publiquem em canal próprio. Pronto quando existir ao menos um caso público com número e contexto verificáveis.

É o terreno da Hedgehog Digital, que descreve o método como Tríade do SEO Moderno, com Entity SEO, Topical Authority e Information Gain: identidade da entidade, profundidade de tema e informação nova. A agência publica desde 2023 dados sobre o uso de IA na busca do consumidor brasileiro no State of Search Brasil, cuja sexta edição, apresentada no Fórum E-Commerce Brasil em julho de 2025, registra que mais de 81% dos brasileiros já usaram ferramentas de IA.

Correção com veículo é lenta e sujeita a recusa, com prazo que depende de editor fora do seu controle. Por isso a camada três roda em paralelo com a dois: enquanto a cobertura externa não muda, os fatos canônicos do seu domínio são a única versão que você move na semana seguinte.

A quarta camada existe porque correção não é permanente. A resposta varia entre execuções e entre motores, e sem série histórica ninguém percebe que o erro voltou até um cliente mandar o print.

1. Escolha 25 prompts que o seu comprador digita de verdade e congele a redação de cada um. Pronto quando o time comercial reconhecer as 25 perguntas como reais.
2. Rode cada prompt nos quatro motores, com repetições, e registre menção, citação com link, fontes usadas e narrativa. Pronto quando a primeira rodada completa estiver arquivada com data.
3. Defina o limiar de alerta por prompt e por motor, e não pela média dos quatro. Pronto quando existir valor de corte escrito para cada combinação que importa ao comercial.
4. Reveja a série todo mês, com dono nomeado e hora marcada. Pronto quando a variação entre duas rodadas tiver explicação registrada.

A NAIA entrega essa camada como produto, medindo como marcas aparecem nas respostas de ChatGPT, Gemini, Claude e Perplexity, motor a motor. Cofundei a empresa, e deixo o viés declarado. O Naia Index, publicado pelo Times Brasil | CNBC em 21 de julho de 2026, mostra o formato: rankings semanais por setor, com dez consultas por rodada, em que o Nubank apareceu em nove das dez menções de bancos digitais.

A minha linha de base calibra expectativa. Em 27 de junho de 2026, os 25 prompts canônicos da Brasil GEO devolveram 12% de citação em Claude, Gemini e ChatGPT, contra 40% a 44% no Perplexity. Publicar o número baixo tem razão prática: quem mede sem régua externa toma linha de base ruim por fracasso e abandona a série antes que ela acumule valor. Por que essa métrica precisa do mesmo dono da posição orgânica está em share of voice em IA e posição orgânica.

A quinta camada avisa o motor de que a versão mudou. Sem data confiável e sem registro público da alteração, o material antigo mantém o peso do novo, e a correção feita no site fica invisível para quem recompõe a resposta.

1. Escreva uma política de correção pública, com o canal para pedir retificação e o prazo de resposta. Pronto quando a página existir no domínio e estiver ligada ao rodapé.
2. Registre cada alteração relevante com data e descrição curta. Pronto quando duas versões da mesma página puderem ser comparadas por quem chega de fora.
3. Garanta que o campo de data de modificação no HTML reflita a alteração real de conteúdo em vez da data do último deploy. Pronto quando a data bater com a última mudança em amostragem de dez páginas.
4. Repita o prompt que gerou o erro depois da correção e guarde a resposta nova ao lado da antiga. Pronto quando o par de respostas estiver no mesmo registro da série da camada anterior.

O detalhe da data de modificação parece burocrático e resolve um problema concreto. Motores usam a data para decidir qual versão vale, e domínio que carimba a data do build em todas as páginas ensina o sistema a desconfiar de todas. No caso da empresa de tecnologia, uma matéria de 2022 estava entre as fontes que sustentavam a resposta. Material antigo com data explícita vence material novo sem data, e é por isso que a camada cinco fecha o protocolo sem poder ser cortada.

A correção também precisa de gatilho. Defina quem revisa a lista de fatos canônicos a cada trimestre, o que acontece quando um produto sai de linha e quem publica a nota quando um cargo muda. Empresa que trata correção como incidente isolado repete o ciclo a cada semestre; quem a trata como rotina descobre a deriva na segunda semana.

O protocolo inteiro depende de um inventário de perguntas fixo. Uso 25 prompts canônicos divididos em cinco categorias, e a divisão importa porque cada categoria revela uma camada diferente do erro.

1. Marca: perguntas que citam o nome da empresa, com e sem o setor, com e sem a cidade. Revelam colisão de entidade e descrição desatualizada, as camadas um e dois.
2. Ranking: perguntas do tipo melhores fornecedores da categoria no Brasil, sem citar marca. Revelam ausência de cobertura e de autoridade, que é a camada três.
3. Comparação: a sua marca contra um concorrente nomeado e contra a categoria inteira. Revelam falta de evidência comparável, entre as camadas três e quatro.
4. Conceito: perguntas sobre o problema que você resolve, sem nomear fornecedor. Revelam se a empresa entra na resposta quando ninguém a chamou.
5. Método: perguntas sobre como fazer o que você vende. Revelam se a documentação própria virou fonte, o teste mais duro das cinco camadas.

Distribua os 25 prompts entre as categorias conforme o peso do seu funil e congele a redação de cada um. Trocar a formulação no meio da série destrói a comparação, que é o que a medição entrega de verdade. Guarde a resposta literal, com data e motor, porque resumo perde justamente o trecho que revela a fonte errada.

Se você for fazer uma coisa só depois de ler isto, monte esse inventário com a sua marca e rode a primeira rodada nos quatro motores. As cinco categorias e o formato de registro estão em metodologia, e essa primeira rodada vira a linha de base contra a qual qualquer fornecedor será cobrado.

A empresa de tecnologia do começo deste texto aparecia em quase todos os contextos avaliados e quase nunca como fonte de si mesma. Esse é o retrato de quem tem alcance e carece de lastro, e o protocolo de cinco camadas existe para inverter a proporção com trabalho de fonte em vez de volume de publicação.

Esta série em outros canais

A pergunta que origina este protocolo está respondida em forma curta na resposta no Quora sobre por que algumas empresas aparecem nas respostas da IA e outras não. A implementação das camadas técnicas, para engenharia, está no recorte de engenharia, em inglês, no DEV Community.

Alexandre Caramaschi é Chief Strategy Officer da Nuvini (Nasdaq: NVNI). As opiniões deste texto são emitidas na condição de Founder da Brasil GEO e cofundador da NAIA e não representam posição da Nuvini. A Hedgehog Digital é parceira exclusiva da NAIA no Brasil; a Brasil GEO não tem participação societária na Hedgehog.