Visibilidade em IA na due diligence: o ativo sem laudo

Um comitê que fecha uma aquisição em 2026 sem medir a posição da empresa alvo nas respostas de assistentes de IA está comprando um ativo que ninguém abriu. Esta peça entrega o conserto: a matriz do que o caderno tradicional cobre e do que fica de fora, e um protocolo de oito verificações que cabe em uma semana, cada uma com efeito declarado sobre o preço.

Em 2 de setembro de 2026 recebi de um conselheiro o índice de um caderno de due diligence de uma aquisição de software no Brasil. Havia bloco jurídico, trabalhista, tributário, ambiental, de proteção de dados e de propriedade intelectual. Sobre a presença da empresa em ChatGPT, Gemini, Claude e Perplexity, nada. O índice não é ruim: é o padrão, e é esse o problema.

A tensão está no descompasso de calendário: o comprador projeta receita para cinco anos e mede o canal de aquisição com instrumentos de dez anos atrás. O TIC Domicílios 2025, do CGI.br, de 9 de dezembro de 2025, apurou que 32% dos usuários de internet no Brasil já usaram alguma ferramenta de IA generativa, cerca de 50 milhões de pessoas com dez anos ou mais, em amostra de 27.177 domicílios e 24.535 pessoas ouvidas entre março e agosto de 2025. Parte delas compra da empresa que está sendo adquirida, e pergunta à máquina antes de pedir proposta.

O peso setorial fecha a conta. Na Pesquisa de Fusões e Aquisições de 2025, terceiro trimestre, da KPMG Brasil, de 14 de janeiro de 2026, Tecnologia da Informação liderou com 415 operações entre janeiro e setembro de 2025, 278 delas com private equity ou venture capital; internet somou 91, 56 com PE ou VC. O denominador é o universo acompanhado pela prática de M&A da KPMG, não o mercado inteiro. O levantamento da Merc Group sobre o primeiro trimestre de 2026, de 28 de maio de 2026, aponta cerca de 256 operações no período, com tecnologia e SaaS em aproximadamente 36% do valor agregado.

Minha tese, e ela é contestável: visibilidade em assistentes de IA deve virar linha de due diligence agora, sem norma, sem laudo e sem consenso. Contesto de saída a objeção mais comum, a de que não se mede o que não tem metodologia auditada. Ninguém tinha metodologia auditada para churn de SaaS em 2010 e os fundos mediram assim mesmo, porque dado errado documentado vale mais que dado ausente. O que proponho não é laudo, é procedimento reprodutível que um terceiro refaz e contesta.

O caso condutor é um cenário hipotético, e cada número dele é simulação, sem valor de evidência. A Vetor Clínico (cenário hipotético) é uma plataforma de gestão para clínicas de médio porte, com R$ 34 milhões de receita recorrente anual (número hipotético), sob proposta de compra por um fundo de private equity a 8,5 vezes EBITDA (múltiplo hipotético). O caderno dela tem 212 páginas e nenhuma linha sobre assistentes. Volto a ela no fim, com o resultado das oito verificações.

Cada linha do caderno tem um par não escrito na camada de máquina, e cada omissão tem consequência distinta no valuation. Os blocos padrão da diligência brasileira estão no guia Corporate M&A 2026 da Chambers, capítulo Brasil, de 21 de abril de 2026: governança, contratos comerciais, acordos financeiros, questões trabalhistas, imobiliárias e ambientais, compliance regulatório e proteção de dados sob LGPD e GDPR, mais riscos ESG e concorrenciais. A coluna da direita é minha e pode ser contestada linha a linha.

Linha do caderno	O que ela cobre hoje	O par que fica de fora	Consequência no valuation
Marca e propriedade intelectual	Registro no INPI, classes, oposições, titularidade de domínios	Mention rate: com que frequência a marca aparece na resposta à pergunta genérica da categoria	Marca registrada e invisível. Paga-se ágio por reconhecimento que só existe em pesquisa declarada
Ativos web e infraestrutura	Domínios, hospedagem, código, redirecionamentos, certificados	Consistência de entidade entre site, dados estruturados, Wikidata, LinkedIn e imprensa	Entidade fragmentada faz o motor atribuir histórico e porte errados. A sinergia de marca não se realiza porque a máquina não sabe que as duas empresas são uma só
Tráfego orgânico e canais	Search Console, Analytics, curva de sessões, dependência de canal	Share of voice em IA contra as três a cinco marcas citadas nas mesmas perguntas	Tráfego estável com share zero é receita em declínio que ainda não apareceu na série histórica
Base de clientes e churn	LTV, CAC, coorte por safra, NPS, concentração de receita	O que o assistente responde a quem pergunta se vale a pena contratar a empresa alvo	Recomendação negativa reduz a entrada do funil sem aparecer no churn, porque o cliente que nunca chegou não consta de coorte nenhuma
Contratos e receita recorrente	ARR, backlog, cláusula de mudança de controle, prazo médio	Colisão de homônimo com empresa de nome igual ou próximo em outro setor ou país	Pipeline desviado. A projeção de novos contratos assume um funil que outra empresa está recebendo
Contingências e passivos	Trabalhista, fiscal, ambiental, cível, provisões e depósitos	Alucinação recorrente: produto que não existe, processo que não houve, certificação inventada	Passivo reputacional sem provisão. Em setor regulado, afirmação falsa repetida é risco de conduta antes de ser risco de marketing
Pessoas-chave e retenção	Contratos de fundadores, não competição, vesting, sucessão	Autoridade do fundador como entidade citável, medida em separado da entidade da empresa	Se o motor reconhece a pessoa e não a empresa, a saída do fundador leva o único ativo de citação, e o earn-out precifica errado o que retém

Legenda: a coluna 2 resume os blocos do guia Corporate M&A 2026 da Chambers, capítulo Brasil, de 21 de abril de 2026, com base declarada na prática de escritórios locais e em dados da TTR Data sobre 1.877 transações. As colunas 3 e 4 são classificação minha, tirada das auditorias que a Brasil GEO roda desde 2025, sem status de norma. Método: cruzar cada bloco jurídico com as métricas do protocolo adiante. Não há denominador estatístico, porque é mapa de correspondência e não levantamento amostral.

A quinta linha é a que mais me preocupa. Homônimo parece detalhe de cartório até o dia em que o assistente devolve a empresa errada para quem digitou o nome puro, mecanismo que descrevi em como a colisão de entidade faz a IA trocar uma empresa por outra. Colisão não se resolve com campanha, se resolve com identificador, e identificador é obra de meses que entra no plano de cem dias com custo estimado.

Reconhecimento é o motor saber que a empresa existe quando a pergunta cita o nome dela. Recomendação é ele citar a empresa quando a pergunta descreve só a categoria. São medidas diferentes, com prompts diferentes e consequências opostas para o preço, e o comitê que mistura as duas produz um número que parece bom e não é.

O teste cabe em duas famílias de pergunta. A declarativa: o que é a Vetor Clínico, quem a fundou, que porte de clínica ela atende. A comparativa, que não menciona a marca: qual o melhor sistema de gestão para clínica de médio porte no Brasil, que fornecedores um diretor clínico deveria avaliar. Se a marca aparece na primeira e some na segunda, o ativo é reconhecimento puro, e reconhecimento puro tem teto, porque só é acionado por quem já conhece a empresa, ou seja, por demanda que ela já capturou.

O ponto tem sustentação acadêmica parcial. O trabalho What Gets Cited: Competitive GEO in AI Answer Engines, publicado no arXiv em 25 de maio de 2026, indica que, em modelos mistos, relevância temática e posição na lista foram os principais determinantes de qual fonte é citada primeiro, com preço explícito e timestamp recente ajudando de forma consistente. O resumo disponível não informa amostra nem denominador, então trato o achado como direção, não como coeficiente. Ele sustenta a separação: aparecer na resposta comparativa depende de sinais do documento, não de notoriedade da marca.

Há um segundo achado que o comitê precisa conhecer antes de comprar promessa de fornecedor. O estudo de Pranjal Aggarwal, Vishvak Murahari, Ashwin Kalyan, Karthik Narasimhan e Ameet Deshpande, apresentado na KDD 2024 e catalogado como GEO: Generative Engine Optimization, usou benchmark de aproximadamente 10.000 consultas em nove conjuntos de dados e reportou ganhos de visibilidade de até 40% ao incluir citações, estatísticas e trechos citados textualmente, sem efeito relevante de repetição de palavra-chave. Uma replicação posterior, o C-SEO Bench, confirmou pouco do original, com três de 54 casos mostrando efeito positivo significativo e nenhum envolvendo as táticas do estudo inicial. Cheguei a essa replicação por fonte secundária, então ela entra como alerta e não como refutação estabelecida.

A leitura prática: número de efeito prometido por fornecedor não sobrevive à replicação com a folga que o material comercial sugere. O que sobrevive é a medida do estado atual. Medir onde a empresa está hoje é reprodutível; prometer quanto ela sobe é conversa de tese, não de diligência. A distinção completa está em o texto em que mostro que o ChatGPT remonta a empresa a cada pergunta.

Oito verificações, cinco dias úteis, duas pessoas. Esse é o custo de colocar visibilidade em IA no caderno, menor que o de qualquer bloco jurídico dele. A regra que amarra tudo: a lista de perguntas se congela antes da primeira coleta e a resposta bruta fica arquivada no data room, com data, hora, motor e versão de modelo declarada na interface. Sem isso, não é diligência, é opinião com tabela.

Nº	Verificação	O que se mede	Como se mede	O que significa para o preço
1	Inventário de perguntas de compra	De 30 a 50 perguntas que um comprador real digita antes de pedir proposta	Entrevistar três vendedores do alvo, extrair as dez objeções mais frequentes do CRM, converter cada uma em pergunta neutra e congelar a lista	Define o denominador de tudo. Lista genérica infla o mention rate e invalida as sete verificações seguintes
2	Mention rate por motor	Proporção de respostas em que a marca do alvo aparece, sobre o total coletado	Rodar as perguntas em ChatGPT, Gemini, Claude e Perplexity, três repetições por motor, sessão anônima sem histórico, no mesmo dia	Abaixo de 10% em todos os motores, o ativo de marca não existe na camada de máquina. Sai do preço o ágio que a tese assumia
3	Share of voice contra concorrentes	Fatia das menções que cabe ao alvo no conjunto de marcas citadas nas mesmas respostas	Extrair as marcas nomeadas nas respostas da verificação 2, contar ocorrências, dividir pela soma e nomear as cinco maiores	Concorrente com o dobro do share e metade da receita indica compra do passado. Vira gatilho de renegociação ou de earn-out
4	Reconhecimento contra recomendação	Distância entre a aparição nas perguntas com o nome da marca e nas perguntas sem o nome	Dividir a lista da verificação 1 em família declarativa e comparativa, calculando o mention rate de cada uma em separado	Reconhecimento alto com recomendação perto de zero é teto de crescimento. Reduz o múltiplo de saída projetado, não o EBITDA de entrada
5	Consistência de entidade	Quantos atributos batem entre as fontes públicas que descrevem a empresa	Matriz de oito atributos (razão social, nome fantasia, fundação, sede, fundadores, setor, site, identificadores) contra cinco fontes	Divergência acima de 25% dos pares vira item de plano de cem dias com custo e prazo. Despesa conhecida entra no preço
6	Colisão de homônimo	Frequência com que o motor devolve outra empresa ao receber o nome puro	Perguntar só pelo nome, sem qualificador de setor ou país, dez vezes por motor, classificando cada resposta como alvo, homônimo ou ambígua	Colisão acima de 30% é risco de marca com solução cara: renomeação, identificador ou desambiguação. O custo estimado desce do preço
7	Alucinação verificável	Afirmações factuais falsas sobre o alvo que se repetem em mais de um motor	Registrar toda afirmação factual das respostas, conferir contra o data room e marcar as repetidas em dois ou mais motores	Afirmação falsa em item regulado é contingência, não ruído. Entra como declaração e garantia específica, ou como provisão em escrow
8	Rastro de fonte	De onde vem o material que o motor usa para falar da empresa	Coletar as URLs citadas nas respostas e classificar em própria, conquistada e de terceiro sem relação com o alvo	Se quase toda citação vem de fonte que o alvo não controla, a visibilidade não é ativo transferível. Muda a natureza do que se compra

Legenda: protocolo de autoria própria, versão de 7 de setembro de 2026, tirado das auditorias que executo na Brasil GEO desde 2025 e adaptado ao calendário de um comitê. Coleta: prompts fixos, três repetições, sessão anônima, quatro motores, mesmo dia, resposta bruta arquivada. Denominador de cada taxa: total de respostas daquela família de perguntas. O protocolo não passou por revisão por pares nem foi validado contra desfecho de transação, e não há padrão de mercado contra o qual comparar estes limiares.

Os limiares de 10%, 25% e 30% são meus, calibrados por experiência de auditoria e não por estudo com amostra publicada. [FALTA EVIDÊNCIA: estudo com amostra e denominador relacionando faixas de mention rate a variação de receita em empresas brasileiras.] Outro limiar serve, desde que escrito antes da coleta. Limiar definido depois do dado é o jeito elegante de fabricar a conclusão que se quer.

Um achado de visibilidade só muda o preço quando encontra instrumento contratual que já existe. Nenhuma das oito verificações pede figura jurídica nova: todas cabem em ajuste de preço, earn-out, declarações e garantias, escrow ou plano de cem dias. Por isso defendo adoção imediata. O que falta padronizar é a medida, não o contrato.

1. Ajuste direto de preço para o que tem custo estimável de correção, com orçamento anexado. Divergência de entidade e colisão de homônimo entram aqui, porque são obra com escopo e prazo.
2. Earn-out atrelado a métrica de visibilidade para o que depende de execução futura de quem fica. Share of voice serve de gatilho desde que o método vire anexo do contrato, com lista de perguntas versionada e motor nomeado. Sem anexo, o earn-out vira disputa.
3. Declarações e garantias específicas para afirmações falsas que toquem item regulado, certificação ou pleito judicial. O vendedor declara o que é verdadeiro; o comprador guarda a coleta bruta como prova do que a máquina dizia na data.
4. Escrow com liberação por marco quando o achado é reversível mas lento, como reconstruir rastro de fonte próprio numa empresa citada só por terceiros.
5. Plano de cem dias com dono e orçamento para o resto. É o destino de mention rate baixo e de recomendação zero, que não são defeito jurídico e sim lacuna operacional.

Uma advertência sobre o segundo item. Métrica de earn-out precisa ser reprodutível por um terceiro, e visibilidade em IA é instável, porque o modelo muda sem aviso e a mesma pergunta devolve resposta diferente em dias diferentes. Se o comitê usar share of voice como gatilho, fixe três coisas no anexo: a lista de perguntas, o número de repetições e a janela de coleta, por exemplo cinco dias úteis por trimestre, com mediana em vez de média. O método está em como medir GEO de forma reproduzível, e a ligação com o retorno financeiro em como medir o ROI de GEO.

Cabe aqui um dado que raramente aparece em discussão de valuation. Pesquisa da AWS reportada pelo Valor Econômico em 3 de setembro de 2026 aponta a dificuldade de medir retorno de investimentos em IA como desafio corrente das empresas no Brasil. A dificuldade é real e não é argumento contra medir: é argumento contra prometer retorno. Diligência mede estado, não promete retorno, e por isso a linha que proponho é viável hoje enquanto a promessa de ROI de visibilidade ainda não é.

Não existe, até setembro de 2026, prática documentada de due diligence específica sobre visibilidade ou citação de marca em assistentes de IA generativa no Brasil. Digo isso depois de procurar, e a busca importa mais que a conclusão, porque é ela que qualquer um refaz para me contradizer.

Onde procurei: guias de prática de M&A para o Brasil em 2026, com atenção ao capítulo brasileiro do Corporate M&A 2026 da Chambers, de 21 de abril de 2026; relatórios trimestrais da KPMG Brasil, incluindo o do quarto trimestre de 2025, publicado em 4 de março de 2026; materiais de bancos, boutiques e consultorias sobre o ciclo 2025 e 2026; e checklists públicos de diligência digital.

O que encontrei: diligência digital cobrindo infraestrutura, proteção de dados sob LGPD, canais digitais, risco reputacional genérico e intangíveis como propriedade intelectual de software, algoritmos e bases de dados. Encontrei também IA tratada de forma consistente como ativo adquirido: o guia da Chambers descreve momento adicional em ativos de dados e IA, e a KPMG trata transformação digital e IA como motor transversal das transações. Nos dois, IA é o que se compra, nunca o instrumento com que se olha para o que se compra.

O que não encontrei, listado para que a ausência seja auditável:

• Métrica padronizada de presença de marca em modelos de IA, do tipo menções por mil consultas, com denominador declarado, adotada por casa de auditoria ou banco de investimento.
• Relatório de transação, público ou resumido, que traga visibilidade da marca em IA como rubrica explícita do caderno.
• Checklist de grande consultoria contemplando cobertura em modelos de IA como item de verificação.
• Diretriz de associação setorial brasileira que institucionalize esse tipo de análise em processos de investimento.
• Entrega padronizada de data room chamada de relatório de presença de marca em LLMs.

Essa ausência é o ganho de informação desta peça, e admite duas leituras. A primeira, generosa comigo: o mercado ainda não chegou lá e há vantagem para quem chegar antes. A segunda, generosa com o mercado: talvez a linha não valha o esforço e o silêncio dos guias seja julgamento implícito. Fico com a primeira, pelo custo assimétrico. Rodar as oito verificações custa uma semana de duas pessoas. Descobrir depois do closing que o motor recomenda o concorrente custa o ciclo inteiro de investimento.

Faço uma ressalva sobre o alcance da minha busca. Cadernos de due diligence são confidenciais e a maior parte nunca é publicada. [FALTA EVIDÊNCIA: levantamento com escritórios e fundos brasileiros, com número de casos e período, sobre uso informal de consultas a assistentes de IA durante diligência.] É plenamente possível que analistas já perguntem ao ChatGPT sobre a empresa alvo por conta própria. O que afirmo é mais estreito e continua de pé: isso não está documentado como procedimento, com método, denominador e arquivamento de prova.

Este protocolo mede estado de presença em uma data, com método declarado, e só isso. Não é avaliação de ativo intangível, não segue norma contábil e não deve chegar ao conselho como laudo. Quem o vender como laudo repete o vício do fornecedor que promete percentual de ganho.

1. Não prova causalidade com receita. Mention rate alto e receita alta podem ter a mesma causa a montante, que é a empresa ser grande e antiga. Nenhuma das oito verificações isola o efeito da visibilidade sobre a venda.
2. Não mede volume de usuário. A coleta simula o comportamento de um usuário, não lê logs das plataformas. Vale também para as ferramentas comerciais, que operam por robôs enviando prompts, conforme a análise de método e preços da Profound publicada pela Sona em agosto de 2026.
3. Não é amostra probabilística. A lista de 30 a 50 perguntas é recorte deliberado. A visibilidade fora dessas formulações não foi medida, e afirmar o contrário seria inflar o achado.
4. Não é estável no tempo. O motor muda de versão sem aviso. Uma coleta única é fotografia; três coletas em janelas separadas são o mínimo para falar de tendência.
5. Não substitui bloco jurídico nem contábil. Uma afirmação falsa vira contingência só depois de o advogado avaliar exposição. O protocolo levanta o fato; a qualificação é de quem tem responsabilidade técnica sobre ela.

Um limite adicional vem da literatura. O artigo Auditing Citation Behavior in AI-Generated Search Summaries, publicado na PMLR em 29 de junho de 2026, relata que documentos gerados por IA foram citados com mais frequência que documentos escritos por humanos, mesmo controlando o rank de recuperação, com a diferença puxada por citações não recuperadas. O resumo não traz amostra nem denominador, então trato como sinal, e é um sinal incômodo para o comitê: parte do que o motor cita pode ser conteúdo sintético, o que enfraquece a leitura de que ser citado equivale a ter reputação conquistada.

Uma nota de custo, porque ela decide se a verificação acontece. A semana de coleta pode ser feita à mão, em planilha, por duas pessoas do time de diligência. As plataformas comerciais servem ao acompanhamento contínuo depois do closing, não a uma janela de cinco dias sobre empresa de terceiro: a Profound cobra US$ 99 por mês no Starter, anual, com 50 prompts e só o ChatGPT, e US$ 399 no Growth, com três motores, segundo a Sona, em agosto de 2026; o Brand Radar da Ahrefs exige o plano base a partir de US$ 129 mensais e cobra US$ 199 por motor monitorado, conforme tabela da Cituna, também de agosto de 2026. No Starter da Profound não há exportação de dados, o que inviabiliza arquivar prova bruta no data room. Para Peec AI, Otterly.AI, AthenaHQ e Scrunch não encontrei documentação primária de 2026 com preço e metodologia. [FALTA EVIDÊNCIA: página oficial de preços e documentação de método, com data de 2026, para Peec AI, Otterly.AI, AthenaHQ e Scrunch.]

Uma pergunta que ouço de conselheiro e que merece resposta franca: se o método tem tantos limites, por que colocá-lo no caderno. Porque o comitê já decide com instrumentos imperfeitos, e a alternativa aqui não é um instrumento melhor, é nenhum. Ninguém deixa de visitar um apartamento antes de comprar só porque a vistoria não tem norma para o cheiro do imóvel. Visita-se, anota-se o que se viu, e desconta-se o que der para orçar.

Na Vetor Clínico (cenário hipotético), a semana de coleta mudou a cláusula de preço antes de mudar a tese. O comitê não desistiu da aquisição; passou a comprar outra coisa, com outro contrato.

Os resultados, todos hipotéticos e sem valor de evidência: mention rate de 6% nas perguntas comparativas e de 71% nas declarativas (números hipotéticos), o retrato de reconhecimento sem recomendação. Share of voice de 4% contra 31% do maior concorrente citado, uma empresa de receita menor (números hipotéticos). Consistência de entidade com 11 divergências em 40 pares, três no ano de fundação (números hipotéticos). Colisão de homônimo em 4 de 40 respostas ao nome puro, com uma clínica veterinária de nome semelhante (números hipotéticos). Duas afirmações falsas repetidas em dois motores, uma sobre certificação que a empresa nunca teve (número hipotético). Rastro de fonte com 86% das citações vindas de diretórios de terceiros (número hipotético).

O que isso produziu no contrato, ainda no cenário hipotético: o ágio de marca saiu do preço, porque não havia marca na camada de máquina para justificá-lo; a correção de entidade e a desambiguação do homônimo entraram como plano de cem dias com orçamento; a certificação inexistente virou declaração e garantia específica, com a coleta bruta anexada como prova do que os motores afirmavam em setembro de 2026; e parte do preço migrou para earn-out atrelado a share of voice medido trimestralmente pelo mesmo método, com a lista de perguntas versionada como anexo. O múltiplo caiu de 8,5 para 7,9 vezes EBITDA (números hipotéticos), e a parte que desceu não foi arbitrada em reunião: foi orçada.

A diferença entre a Vetor Clínico da abertura e a do fechamento não é o preço. É que o comitê passou a saber o que comprava na camada em que o cliente dela pergunta antes de contratar. O caderno de 212 páginas virou um de 214, e as duas páginas novas foram as únicas que mudaram uma cláusula.

Se você tem processo em andamento, comece hoje pela verificação mais barata e mais reveladora: pegue as cinco perguntas comparativas mais óbvias da categoria do alvo, rode nos quatro motores e conte em quantas a empresa aparece. Leva 40 minutos e não depende de aprovação nenhuma. Se quiser o protocolo completo aplicado ao seu alvo antes do closing, o diagnóstico de presença em IA entrega as oito verificações com a prova bruta arquivada; a métrica da verificação 5 está detalhada no Entity Consistency Score, e a régua de acompanhamento depois da compra em como medir share of voice em IA contra concorrentes.

Existe norma ou padrão de mercado para due diligence de visibilidade em IA no Brasil?

Não. Procurei em guias de prática de M&A para o Brasil em 2026, em relatórios trimestrais da KPMG Brasil e em materiais de bancos e consultorias, e não encontrei métrica padronizada, checklist nem diretriz setorial que institucionalize essa análise. Existe diligência digital cobrindo infraestrutura, LGPD, canais e intangíveis de software, com IA tratada como ativo adquirido e não como camada de medição.

Quanto tempo e quantas pessoas o protocolo de oito verificações exige?

Cinco dias úteis e duas pessoas. De dois a três dias para montar e congelar o inventário de 30 a 50 perguntas, dois dias para a coleta nos quatro motores com três repetições, e meio dia das duas para classificar marcas citadas, atributos de entidade e afirmações falsas. O gargalo costuma ser o acesso a três vendedores do alvo, e a saída é puxar essa etapa para a fase de management presentation.

Qual a diferença prática entre reconhecimento e recomendação em assistentes de IA?

Reconhecimento é o motor saber que a empresa existe quando a pergunta cita o nome dela. Recomendação é o motor citar a empresa quando a pergunta descreve apenas a categoria, sem nomear ninguém. Mede-se com duas famílias de prompt e dois denominadores separados. Reconhecimento alto com recomendação próxima de zero é teto de crescimento e afeta o múltiplo de saída projetado, não o EBITDA de entrada.

Como um achado de visibilidade em IA vira cláusula de contrato de compra e venda?

Por cinco instrumentos que já existem. Ajuste direto de preço para o que tem custo de correção orçável, como divergência de entidade e colisão de homônimo. Earn-out atrelado a share of voice, com lista de perguntas, repetições e janela de coleta anexadas ao contrato. Declaração e garantia para afirmação falsa em item regulado. Escrow por marco quando a correção é lenta. Plano de cem dias para o resto.

O que esse protocolo não prova?

Não prova causalidade entre visibilidade e receita, não mede volume real de usuários das plataformas, não é amostra probabilística do universo de consultas, não é estável no tempo porque os modelos mudam de versão sem aviso, e não substitui bloco jurídico nem contábil. Mede estado de presença em uma data, com método declarado e prova arquivada.

Vale a pena rodar isso em aquisição de empresa que não é digital?

Depende do peso do canal de descoberta na receita. Faz sentido em qualquer negócio cujo cliente pesquisa antes de comprar: saúde, educação, serviços profissionais, varejo e boa parte do B2B de ticket médio. Faz menos sentido em infraestrutura, energia e recursos naturais com contrato de longo prazo e cliente cativo, setor que respondeu por 52% do volume transacionado no Brasil em 2025 segundo o levantamento da Seneca Evercore com dados Dealogic, de 5 de janeiro de 2026. O critério é o canal, não o rótulo de setor.