O que a NAIA mede, e o vínculo que eu tenho com a resposta
Sou cofundador da NAIA, e o leitor deve ler tudo o que vem a seguir com esse desconto. A plataforma mede como marcas aparecem nas respostas de ChatGPT, Gemini, Claude e Perplexity, entrega um score de GEO, monitora autoridade em Wikipedia, Wikidata e Google Business Profile e publica o Naia Index, ranking semanal por setor das marcas mais citadas por IA.
A pergunta que abre a conversa de orçamento costuma ser a mesma. Um diretor financeiro olha a proposta de uma plataforma de monitoramento de IA e pergunta o que exatamente está comprando, já que o relatório mostra porcentagens que ninguém do time sabe reproduzir. A pergunta é justa e vale para qualquer fornecedor da categoria, inclusive para a plataforma que ajudei a fundar.
A NAIA foi criada por brasileiros em Portugal e chegou ao Brasil em maio de 2026, com Ariel Alexandre, Vanessa Caldas e eu como cofundadores, segundo a Inforchannel de 21 de maio de 2026. Entre clientes e parceiros listados publicamente em naia.today estão Stone, E-Commerce Brasil, Natura, Odontoprev, Pampili, Ouvidor Digital e Gramado Summit, e a empresa participa do programa NVIDIA Inception.
O que segue vale como régua de compra, e usei a mesma régua contra o número da própria casa mais adiante, incluindo o resultado ruim.
Como auditar a presença da marca em LLMs
Auditar presença em LLMs tem quatro passos e nenhum deles começa comprando ferramenta. Fecha-se a lista de prompts que representa a decisão de compra do seu cliente. Escolhem-se os motores. Define-se a frequência e o número de rodadas. Só então se registra, para cada resposta, se houve menção, se houve citação com link e qual fonte sustentou a afirmação.
A ordem protege contra o defeito mais comum da categoria. Quem compra a ferramenta antes de fechar a lista aceita a lista da ferramenta, e passa a medir o que o fornecedor escolheu medir. Trabalho com 25 prompts canônicos nos quatro motores exatamente para ter uma régua fixa entre rodadas, e a lista fica publicada em metodologia.
Rodada única serve para pouco. A resposta varia entre execuções do mesmo prompt, o que transforma qualquer print isolado em anedota. O que produz decisão é a série: mesma lista, mesmos motores, cadência semanal ou quinzenal e comparação com dois ou três concorrentes diretos. A partir daí a conversa deixa de ser sobre a existência do problema e passa a ser sobre a direção da curva.
Existe um piso de mercado para calibrar expectativa. Chen e colegas, em arXiv:2509.08919, de 2025, estimam que o conteúdo próprio da marca responde por 5% a 10% do que os motores extraem para montar a resposta. Uma marca que fica muito abaixo dessa faixa está sendo explicada por terceiros, o que muda a prioridade do plano antes de qualquer investimento em conteúdo novo. Tratei do problema em reconhecimento e recomendação.
Quais métricas medem autoridade algorítmica em IA
Seis métricas cobrem a decisão de orçamento, e cada uma responde a uma pergunta de negócio diferente. A tabela traz também o erro de leitura que mais vi comitê cometer com cada uma delas, porque a métrica certa lida errado atrasa a correção por um trimestre inteiro.
| Métrica | Pergunta de negócio que ela responde | Erro comum de leitura |
|---|---|---|
| Taxa de citação por prompt e por motor | Em que perguntas a marca entra na resposta, e onde ela some | Somar os motores numa média única e esconder o motor em que a marca desapareceu |
| Posição ordinal na resposta | A marca abre a lista ou fecha a lista que o modelo escreveu | Tratar menção no fim do parágrafo como equivalente à primeira indicação |
| Fonte citada | Quem está ensinando o modelo sobre a empresa | Comemorar presença alta sustentada por diretório antigo e release de terceiro |
| Fatia de conteúdo próprio entre as fontes | Quanto da explicação sobre a marca vem do domínio dela | Ignorar a faixa de referência de 5% a 10% medida por Chen e colegas em 2025 |
| Share of voice contra concorrentes | Quem ocupa o espaço quando a marca não é citada | Ler a fatia sem o denominador, o que torna a série incomparável entre rodadas |
| Variação semanal | O trabalho de conteúdo está mudando a curva ou o ruído explica tudo | Confundir oscilação normal entre execuções com efeito de campanha |
Share of voice em IA, a fatia das respostas em que a marca aparece, é a métrica que mais sofre com denominador escondido. O Naia Index mostra como se faz o contrário. Em 21 de julho de 2026, o Times Brasil | CNBC publicou a primeira rodada com dez consultas por setor declaradas: Bradesco Saúde apareceu em oito das dez menções em planos de saúde, o Nubank em nove das dez em bancos digitais e a Porto Seguro em nove das dez em seguros de automóvel. Com o denominador na mesa, dá para discutir a leitura. Sem ele, resta acreditar.
A posição ordinal é a mais subestimada da lista. Modelo que responde em prosa cita marcas em sequência, e a primeira citada carrega peso de recomendação enquanto a última entra como alternativa de consolo. Quem lê apenas a taxa de presença perde essa diferença inteira e conclui que empatou com o concorrente que abriu o parágrafo.
O que a plataforma não mede, e por que isso importa na compra
Nenhuma plataforma de AI visibility mede receita, e vender a promessa contrária é o defeito mais caro da categoria. O que o painel mostra é presença nas respostas e a fonte que as sustenta. A conversão dessa presença em pipeline passa por preço, proposta, time comercial e produto, e nada disso aparece no dashboard.
Há uma segunda fronteira, mais técnica. Medição observa a resposta de fora, sem acesso ao mecanismo interno de recuperação de cada motor, o que significa que ela mostra o efeito e infere a causa. Atribuir a subida de uma curva a uma ação específica exige desenho de teste, com período de controle e registro do que entrou no ar em cada data, trabalho que pertence a quem opera a marca e fica fora do alcance da ferramenta.
A terceira fronteira é de escopo. Cobertura de quatro motores deixa fora assistentes embarcados, buscas dentro de aplicativos e agentes corporativos privados. Escrevi antes que a leitura honesta de um painel começa por saber o que ele não vê, e essa lista deveria estar na primeira página de qualquer proposta comercial da categoria, inclusive nas nossas.
Uma quarta fronteira é de recorte. A série é coletada num idioma e num mercado por vez, e marca com operação em mais de um país precisa saber em qual língua os prompts foram rodados antes de comparar duas curvas. Foi a pergunta que menos vi comprador fazer numa demonstração de produto, e é a que mais muda a interpretação do gráfico.
Como se lê um número ruim sem maquiar o relatório
O melhor teste de uma régua é aplicá-la contra si. No monitor da Brasil GEO, em 27 de junho de 2026, com os 25 prompts canônicos rodando nos quatro motores, a taxa de citação da minha marca pessoal e da consultoria ficou em 12% no Claude, no Gemini e no ChatGPT, e entre 40% e 44% no Perplexity. Um dos números é ruim, o outro é bom, e os dois dizem a mesma coisa.
O Perplexity cita fonte viva com generosidade e depende menos de reputação consolidada dentro do modelo. Os outros três montam a resposta com material mais estabelecido, o que penaliza domínio novo mesmo quando ele publica com densidade. A diferença entre 12% e a faixa de 40% a 44% medida em 27 de junho de 2026 mede idade de domínio e volume de prova externa, com qualidade de página fora da conta.
A decisão que saiu dessa leitura foi de alocação. Publicar mais conteúdo próprio elevaria pouco a taxa nos três motores travados, porque o gargalo estava fora do domínio. O plano passou a priorizar prova de terceiro, presença em bases públicas e pesquisa citável, com a série do monitor acompanhando semana a semana se a curva dos três reagia.
Publico o número desfavorável por motivo comercial, sem nenhuma virtude no gesto. Quem só mostra o gráfico que sobe treina o comprador a desconfiar do gráfico inteiro, e a categoria de AI visibility já nasceu com esse problema de credibilidade.
Como a leitura muda a decisão de orçamento
A mesma verba muda de destino conforme a leitura do painel. Tome um cenário hipotético, sem cliente real por trás e com números redondos, de uma marca de bens de consumo que fecha o trimestre com verba para uma frente só.
No cenário hipotético, a marca aparece em um de cada cinco prompts no ChatGPT (número hipotético) e em quase metade dos prompts no Perplexity (número hipotético). O comitê lê a média dos quatro motores, conclui que a situação é razoável e aprova mais conteúdo de blog. Foi a média que produziu a decisão, e a média escondeu o motor em que a marca não existia.
Na leitura por motor e por fonte do mesmo cenário hipotético, o quadro vira. As citações do Perplexity vêm quase todas de dois portais de terceiro, e o domínio da marca quase não aparece entre as fontes (números hipotéticos). A conclusão inverte a decisão: a verba vai para prova externa e para material com dado próprio, porque publicar mais texto institucional reforçaria a mesma ausência.
O critério que uso para decidir entre as duas rotas é direto. Quando a marca aparece e o domínio próprio está fora da lista de fontes, o problema é de prova, e conteúdo novo rende pouco. Quando a marca não aparece em nenhum motor para um prompt que descreve exatamente o que ela vende, o problema é de cobertura, e aí conteúdo resolve. A distinção entre share of voice e posição orgânica, que é a raiz dessa confusão, está em share of voice em IA e posição orgânica.
O que levar para a reunião de aprovação da verba
O diretor financeiro da abertura tinha razão em desconfiar de porcentagem que ninguém sabe reproduzir. A resposta que funciona com ele tem três linhas: a lista de prompts que foi medida, o denominador de cada indicador e o nome das fontes que sustentaram cada citação. Com esses três, a conversa sai do campo da fé e entra no campo da alocação.
Nada disso exige a plataforma que ajudei a fundar. Exige que o fornecedor escolhido aceite ser lido pela régua descrita aqui, e a mesma régua serve para o painel da casa, como o número de 12% em 27 de junho de 2026 deixou claro. Para reduzir o ruído que aparece antes da medição, o protocolo em camadas está em como reduzir alucinações de IA sobre a sua empresa.
Se quiser levar dado próprio para a reunião de aprovação, rode o monitor de 25 prompts canônicos com a marca da sua empresa nos quatro motores e leve a série, com o denominador e as fontes, para a mesa. O protocolo completo está em metodologia.
Esta série em outros canais
Para quem prefere o relato em primeira pessoa, com a linha de base da casa na abertura, há a versão em primeira pessoa no Medium. As perguntas que mais chegam sobre a plataforma estão nas 14 perguntas frequentes sobre a aliança, e o resumo em fio está no fio de oito posts no X.
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.