A empresa aparecia em sete de oito respostas e quase nunca era a fonte
Reconhecimento e recomendação são medidas distintas. Numa auditoria recente, uma empresa brasileira de tecnologia com duas décadas de operação apareceu em sete dos oito contextos avaliados, e o próprio domínio dela respondeu por menos de 1% das citações que a IA usou para sustentar o que dizia a respeito dela.
A primeira leitura do relatório era comemorativa. Presença em 87,5% dos contextos avaliados, nome mencionado, categoria correta. O marketing pediu o print para o comitê. Foi quando abrimos as fontes que 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. A companhia estava sendo explicada por terceiros, com material que ela mesma teria corrigido se soubesse que aquilo era a base da resposta.
Existe um piso de mercado para comparar. O estudo de Chen e colegas sobre viés de fonte em busca generativa (arXiv:2509.08919, setembro de 2025) estima que conteúdo próprio da marca representa entre 5% e 10% do que os motores extraem, com mídia conquistada pesando de 2,3 a 3,1 vezes o conteúdo proprietário. Ficar abaixo de 1% coloca a empresa em um décimo do piso esperado. Não era pouca visibilidade. Era ausência de lastro próprio dentro de uma visibilidade alta.
Falo aqui na condição de Founder da Brasil GEO, com o viés declarado de quem audita marcas dentro de respostas de IA há dois anos e publica os resultados, inclusive os desfavoráveis. A tese deste texto é que a pergunta corporativa dominante está mal formulada. Perguntar se a IA conhece a empresa produz uma resposta binária inútil. A pergunta que muda decisão é outra: quem está ensinando a máquina sobre você, e o que essa fonte diz.
O que a máquina faz quando alguém pergunta por um fornecedor
Nenhum modelo mantém uma ficha cadastral da sua empresa. Quando a busca é acionada, o sistema decompõe a pergunta em várias consultas, recupera trechos de páginas distintas, ordena esses trechos por adequação e escreve uma resposta nova a partir do que sobreviveu a esse funil. A sua empresa é remontada, do zero, a cada pergunta.
A mecânica deixou de ser especulação de agência. O centro de ajuda da OpenAI descreve que a busca do ChatGPT pode transformar a pergunta original em uma ou mais consultas direcionadas, analisar os resultados e disparar novas buscas antes de sintetizar. O guia oficial do Google Search Central, publicado em 15 de maio de 2026 e atualizado em 15 de junho, explicita o mesmo desenho: geração aumentada por recuperação somada a fan-out de consultas, com a unidade de competição sendo o trecho que melhor responde a cada subconsulta gerada.
Duas consequências práticas nascem daí. A primeira: quem compete é a passagem, não o site. Uma página institucional excelente que não contenha, em algum parágrafo autossuficiente, a resposta para a subconsulta que o motor gerou, perde para um parágrafo mediano de um portal qualquer que contenha. A segunda: a resposta varia entre execuções. Rodar o mesmo prompt duas vezes e obter listas diferentes é comportamento esperado do sistema, e qualquer medição séria precisa de múltiplas rodadas e média, não de um print.
Vale corrigir também o vocabulário que circula nas reuniões de diretoria. Dizer que o ChatGPT sabe ou não sabe algo sobre a companhia trata o modelo como banco de dados. Ele opera como um pesquisador apressado com acesso a um acervo desorganizado, que precisa entregar um parecer curto e citar de onde tirou. Todo o trabalho de GEO consiste em melhorar o acervo que esse pesquisador encontra e a facilidade com que ele extrai a passagem certa. Quem quiser a definição formal do campo, escrevi ela em o que é GEO.
Reconhecimento não vira preferência quando a pergunta aperta
Perguntas amplas medem notoriedade. Perguntas com restrição medem preferência. Marcas grandes aparecem com facilidade em uma lista de participantes do mercado e somem quando o comprador acrescenta setor, integração, porte, risco e prazo, porque nesse ponto o sistema deixa de listar e passa a escolher com base no que consegue justificar.
Um estudo interno da Semrush com 230 mil prompts, divulgado em 29 de maio de 2026, mostrou que a fonte citada é volátil e, mais importante para quem vende, que citação e recomendação se descolam: a marca aparece na resposta e ainda assim perde a indicação comercial para outra. O mesmo trabalho registrou as citações do Reddit no ChatGPT caindo de cerca de 60% para perto de 10% das respostas em poucas semanas, o que joga água fria em qualquer estratégia construída sobre uma única fonte de terceiros.
A concentração é a parte que mais surpreende executivos. No working paper The Anchor-Entity Effect, auditei 48 dias de coleta contínua (23 de abril a 9 de junho de 2026) em cinco LLMs de camada econômica, quatro verticais brasileiras, 48 prompts estruturalmente pareados por vertical em português e inglês, com reconhecimento de entidades sobre uma coorte de 127 marcas mais iscas fictícias. Na leitura ingênua, fintech lidera a citação espontânea com 28,15%, à frente de varejo (24,94%), tecnologia (14,50%) e saúde (13,35%).
O número desmonta quando se olha quem ocupa o espaço. Uma única entidade âncora, o Nubank, responde por 49,7% das menções de fintech, e 59,3% das citações do setor nomeiam exclusivamente essa marca. Recodificando a amostra sem o âncora, fintech desaba para 11,46% e assume o último lugar, com a razão de chances ajustada invertendo de 4,13 para 0,77. A participação do âncora dentro da janela cresceu de 41% para 57% ao longo da coleta, comportamento compatível com vantagem cumulativa em curso.
| Vertical brasileira | Citação espontânea (bruta) | Sem a entidade âncora | Leitura para o board |
|---|---|---|---|
| Fintech | 28,15% | 11,46% | Setor visível, mercado citado por uma marca só |
| Varejo | 24,94% | Queda menor, âncora menos dominante | Disputa real existe abaixo do líder |
| Tecnologia | 14,50% | Também dependente de âncora | Espaço aberto para quem publicar evidência |
| Saúde | 13,35% | Também dependente de âncora | Categoria pouco resolvida pelos modelos |
Todas as taxas absolutas do paper valem como limite superior, por causa de duas ameaças de medição que documentei em vez de esconder: truncamento de resposta em 200 caracteres e taxa de falso positivo de 97% a 99% nas entidades-isca. Registro isso porque a lição prática independe da calibração fina. Se a sua categoria tem um âncora forte, aparecer numa pergunta genérica prova pouco. A disputa que paga a conta acontece nas perguntas com restrição, onde o âncora nem sempre serve e o motor precisa de alguém que possa ser justificado.
O varejo já mostrou o tamanho econômico da mudança
O tráfego originado em assistentes de IA passou de curiosidade a canal com melhor economia unitária. No primeiro trimestre de 2026, o tráfego de IA para sites de varejo nos Estados Unidos cresceu 393% na comparação anual, converteu 42% melhor que o tráfego não originado por IA e gerou receita por visita 37% maior.
Os números vêm da Adobe Digital Insights, com base em mais de um trilhão de visitas medidas pelo Adobe Analytics, e foram reportados pelo TechCrunch em 16 de abril de 2026. O detalhe que mais me interessa está na virada de sinal: em março de 2025 esse mesmo tráfego convertia 38% pior que o normal, e em março de 2026 passou a converter 42% melhor, uma oscilação de 80 pontos em doze meses. Quem visita depois de conversar com um assistente permanece 48% mais tempo na página e vê 13% mais páginas por visita.
A Adobe seguiu adiante e, ao lançar o Adobe Brand Visibility em 17 de junho de 2026, divulgou uma base de quase 300 milhões de prompts reais e a afirmação de que marcas presentes nas respostas de IA convertem a 4,4 vezes a taxa da busca orgânica. Trato esse último número com a reserva que ele merece, porque é dado de fornecedor com produto no mercado de medição, sem metodologia pública auditável. Cito assim mesmo, nomeando origem e limite, porque a direção do efeito se repete em fontes independentes e porque prefiro discutir um número com ressalva a repetir a expressão vazia de que a IA está mudando tudo.
A transposição para B2B exige honestidade. Varejo tem carrinho, e a conversão acontece na mesma sessão. Um contrato de software corporativo passa por procurement, segurança, jurídico e finanças, e nenhum desses passos cabe numa conversa com o assistente. O que muda no B2B é anterior: a formação da lista de candidatos. Quando o comprador chega ao SDR, a triagem já ocorreu, e a empresa que ficou de fora perdeu o direito de disputar, sem nunca ter aparecido em relatório algum como oportunidade perdida.
No ano passado eu disse aos nossos times: assumam que não existe busca. Você precisa planejar o negócio como se a busca fosse zero.
Roger Lynch, CEO da Condé Nast, em entrevista de maio de 2026, reportada pelo Search Engine Journal
A frase de Lynch é radical para um editor e ainda assim conservadora para um fornecedor B2B. Um veículo perde clique. Um fornecedor perde a chance de ser considerado, e essa perda não aparece em nenhuma linha do funil, porque funil só mede quem entrou.
Há empresas sumindo por decisão do próprio jurídico
Treinamento e busca são controles separados, e confundi-los custa visibilidade. Bloquear o GPTBot impede uso do conteúdo em treinamento de modelos. Bloquear o OAI-SearchBot retira o site das respostas de busca do ChatGPT. Muita empresa fez a segunda coisa querendo fazer a primeira.
A documentação de crawlers da OpenAI lista quatro agentes com finalidades distintas e diz de forma direta que sites que optam por bloquear o OAI-SearchBot não aparecem nas respostas de busca, embora ainda possam surgir como links de navegação. A separação existe justamente para permitir política granular. Poucas áreas jurídicas foram informadas disso antes de aprovar a diretriz de segurança que fechou o robots.txt inteiro.
| Agente | Para que serve | Efeito de bloquear | Decisão típica |
|---|---|---|---|
| GPTBot | Coleta para treinamento de modelos | Conteúdo não entra em treino | Escolha legítima de propriedade intelectual |
| OAI-SearchBot | Fazer o site aparecer na busca do ChatGPT | Sai das respostas de busca | Bloqueio raramente é o que a empresa queria |
| ChatGPT-User | Acesso disparado por ação do usuário | Quebra consulta pedida pela pessoa | Manter liberado em conteúdo público |
| OAI-AdsBot | Validação de segurança de anúncios | Impacta veiculação publicitária | Alinhar com a área de mídia |
A política correta não nasce do medo genérico de robôs. Ela responde a cinco perguntas que ninguém consegue delegar: que conteúdo pode ser descoberto, que conteúdo pode ser usado para compor respostas, que conteúdo não pode alimentar treinamento, que áreas exigem autenticação e que informação permanece exclusivamente humana, viva apenas na conversa com um vendedor. Respondidas essas cinco, o arquivo de configuração vira consequência trivial. Montei a matriz completa de bots, com o que liberar e o que barrar, em matriz de bots de IA.
Minha posição sobre abertura é menos liberal do que soa. Existe conteúdo que não deve estar exposto, e existe empresa que ganha dinheiro justamente com o que não publica. O erro está em tratar a decisão como binária e resolvê-la com uma regra única aplicada ao domínio inteiro, escrita por quem nunca precisou responder pelo pipeline comercial.
Sites bonitos que não afirmam nada
Uma máquina precisa estabelecer relações entre entidades, capacidades, clientes, problemas e evidências. Adjetivo não é relação. Uma página que diz transformar o futuro e entregar soluções completas passa pelo comitê de marca e não fornece um único fato utilizável para compor uma resposta.
O teste que aplico em auditoria é rude e leva 20 minutos. Pego a home, as páginas de produto e as duas principais landing pages, e tento responder com o texto delas: qual problema a empresa resolve, para quem, em quais setores, com quais produtos, em que território, com quais integrações, sob quais normas, com que resultado já demonstrado, comparada a quem, e em qual situação ela não é a melhor escolha. Nas últimas auditorias, nenhuma empresa respondeu mais que seis das dez. A décima pergunta, a de quando não escolher, quase nunca é respondida, e é a que mais aumenta confiança de quem lê.
A evidência experimental sustenta o que a intuição editorial sugere. No trabalho de Aggarwal e colegas apresentado no KDD 2024 (arXiv:2311.09735), citação de especialista atribuída elevou a visibilidade em 42,6%, estatística com número específico em 32,8% e uso preciso do vocabulário técnico do domínio em 18,5%. O mesmo estudo registrou a única técnica com efeito negativo comprovado: repetição de palavra-chave, com queda de 8,7%. Escrever com precisão vence escrever com volume, e isso vale tanto para o leitor humano quanto para o mecanismo de recuperação.
Passei anos em varejo e em joias antes de trabalhar com dados, e trago desse período uma convicção que se aplica bem aqui: produto sem significado explícito vira commodity na prateleira. A prateleira agora é um parágrafo gerado. Quem descreve a própria empresa apenas com atributos emocionais entrega ao motor a tarefa de inventar o significado, e o motor vai buscar esse significado onde encontrar, inclusive num release de 2021.
A sua empresa não é prova suficiente sobre a sua empresa
Mídia conquistada responde por 84% das citações de IA, e mídia paga por 0,3%. O número vem da edição de maio de 2026 do estudo What is AI Reading, da Muck Rack, que analisou mais de 25 milhões de links citados por ChatGPT, Claude e Gemini em 17 setores.
A série tem estabilidade rara neste mercado. Desde julho de 2025, a fatia de mídia conquistada oscila entre 82% e 89%, e o jornalismo puro se mantém entre 25% e 27%, segundo o levantamento da Muck Rack. O mesmo estudo mostra hábitos de citação bem diferentes entre motores: o ChatGPT cita fonte em 96% das respostas, o Gemini em 82% e o Claude em apenas 55%, o que já basta para invalidar qualquer dashboard que trate os três como uma média única.
A implicação orçamentária é desconfortável para quem vende anúncio. Comprar mídia paga esperando citação é aplicar dinheiro no canal 280 vezes menos representado do que a alternativa. Já vi plano de marketing tentar resolver ausência em IA com verba de display, e o resultado foi previsível: alcance humano subiu, presença nas respostas ficou parada.
Existe uma segunda razão, menos óbvia, para investir em prova externa verificável. O estudo GhostCite (arXiv:2602.06718) mediu de 14% a 95% de citações fabricadas em respostas de modelos, dependendo do contexto e do motor. Num ambiente em que a máquina inventa referência com essa frequência, ter fonte real, datada e localizável deixa de ser higiene editorial e vira vantagem competitiva. A checagem que os sistemas vêm apertando premia quem é fácil de confirmar.
Nada disso significa fabricar consenso. Comprar menção, plantar review e montar rede de sites amigos produz material que os próprios motores já classificam como manipulação. O caminho lento continua sendo o mesmo de sempre: cliente disposto a descrever o resultado com número, documentação técnica pública, presença em pauta de imprensa que se sustenta, participação em comunidade onde a empresa tem o que dizer, e certificação que alguém de fora emitiu.
O que fizemos em vez de abrir uma fábrica de artigos
A primeira recomendação naquele caso não foi produzir mais conteúdo. A empresa já tinha material em excesso e evidência mal distribuída. Começamos por mapear a entidade e por medir onde a narrativa interna divergia da narrativa que a IA montava sozinha.
O mapa de entidade lista o que a companhia é, em termos que uma máquina consegue relacionar: razão social e nomes de marca, produtos ativos e descontinuados, categorias, setores atendidos, casos de uso, geografias, parceiros, integrações, certificações, executivos com identificador público, aquisições e o vínculo entre esses itens. Feito o mapa, rodamos a comparação com o que os motores diziam. As divergências apareceram em blocos: posicionamento abandonado em 2023 ainda vivo nas respostas, produto encerrado sendo oferecido, uma aquisição atribuída ao concorrente, e a ausência completa do caso de uso responsável pela maior margem da casa.
Só então a pauta editorial foi refeita, e ela ficou menor do que era. Entraram páginas de capacidade concreta, casos com contexto, linha de base, intervenção e resultado, comparativos honestos incluindo o cenário em que a empresa não é a melhor escolha, documentação técnica e páginas de objeção. Saíram conteúdos de topo de funil escritos para volume de busca que ninguém do comercial reconhecia como pergunta real de cliente.
Para organizar a conversa com as áreas, separamos cinco dimensões que quase toda empresa mistura numa palavra só.
| Dimensão | Pergunta que ela responde | Como se mede | Dono natural |
|---|---|---|---|
| Ser lido | O robô acessa a página e o conteúdo existe no HTML servido? | Log de servidor por agente, resposta HTTP, conteúdo sem depender de JavaScript | Tecnologia |
| Ser entendido | A máquina identifica o que a empresa faz, para quem e em que contexto? | Extração de entidade e conferência com o mapa canônico | Marketing e produto |
| Ser acreditado | Existe evidência externa que sustente as afirmações? | Origem das fontes citadas nas respostas, participação de terceiros | Comunicação e relações públicas |
| Ser escolhido | A empresa aparece quando a pergunta fica específica e comercial? | Taxa de menção em prompts de alta intenção, com várias execuções | Marketing e vendas |
| Gerar resultado | Isso vira pipeline, receita ou redução de risco? | Canal de assistente no analytics, busca por marca, origem declarada no CRM | Receita |
Na governança, proibimos a prática mais comum do mercado: transformar um print favorável em prova de estratégia. Duas razões objetivas. A Profound mediu tempo mediano de 6,81 dias até a primeira citação de um conteúdo novo, com percentil 90 em 37,10 dias, o que torna qualquer medição feita numa única data uma fotografia de um sistema em movimento. E o mesmo fornecedor observou rotatividade mensal de 40% a 60% nos domínios citados, com 59,3% em AI Overviews, 54,1% no ChatGPT e 40,5% no Perplexity. Presença conquistada em julho pode simplesmente não existir em setembro. O acompanhamento de menção, citação, fonte usada e narrativa incorreta virou rotina mensal com responsável e prazo, no formato que descrevi em share of voice em IA.
A mudança parece operacional e altera a função da área. Marketing deixa de ser apenas produtor de mensagem e passa a responder pela arquitetura de evidências da companhia, o que inclui coisas que historicamente não eram dele: consistência cadastral, documentação técnica publicada, política de crawler e disciplina de atualização.
Não existe truque, e a evidência causal já derrubou os mais vendidos
Os dois atalhos mais vendidos do mercado foram testados e reprovados. Schema não moveu citação em estudo causal com 1.885 páginas, e 97% dos arquivos llms.txt publicados jamais receberam uma requisição sequer.
A Ahrefs comparou, em 11 de maio de 2026, 1.885 páginas que adicionaram JSON-LD contra quatro mil controles, em desenho de diferenças em diferenças, e encontrou variação de menos 4,6% em AI Overviews, mais 2,4% em AI Mode e mais 2,2% no ChatGPT, ou seja, ruído em torno de zero (estudo completo). Em 15 de junho, a mesma casa analisou 137 mil domínios e concluiu que, dos cerca de 38 mil com llms.txt válido, 97% não tiveram nenhuma requisição ao arquivo no mês de maio (metodologia aqui). O Google, no guia já citado, listou llms.txt, marcação especial para IA, fragmentação obrigatória de texto e reescrita para IA entre as táticas que não precisam ser feitas.
Isso não invalida o campo, e sim o marketing feito em cima dele. O trabalho de Princeton mostrou ganhos de até 40% na média e 115,1% para páginas em posições mais baixas, resultados reais dentro do ambiente experimental descrito. O AutoGEO, aceito no ICLR 2026 (arXiv:2510.11438), obteve lift médio de 50,99% ao extrair as regras de preferência do próprio motor alvo, com sobreposição de 84,2% entre as regras do Gemini e do Claude. São medidas de laboratório, com fonte já presente no contexto avaliado.
A revisão crítica mais recente pede exatamente essa leitura. Olivier Martinez percorreu 45 estudos publicados entre novembro de 2023 e julho de 2026 (arXiv:2607.14035, 15 de julho de 2026) e concluiu que a área ainda opera com terminologia, métricas e padrões de evidência heterogêneos, que heurísticas genéricas transferem mal entre contextos, e que nenhuma técnica revisada demonstrou efeito causal estável e longitudinal sobre descoberta orgânica. A recomendação metodológica dele é a que uso em cliente: medições repetidas, paráfrase dos prompts, grupo de controle, validação humana e análise da variabilidade entre execuções.
Pratico o que cobro. Publiquei na SSRN um relatório de resultado nulo com 7.052 respostas coletadas em 12 dias, no qual três das alegações causais mais repetidas pelo mercado brasileiro de GEO não sobreviveram à correção de Benjamini-Hochberg, ao bootstrap BCa e a erros-padrão robustos a agrupamento. Duas hipóteses sobreviveram, heterogeneidade entre verticais e divergência entre português e inglês, e são essas que sustentam decisão. O relato está em null-report com 7.052 respostas. Engavetar resultado negativo é confortável e é o motivo pelo qual esse mercado acumula tanta lenda.
Para quem precisa de uma régua na hora de ouvir uma proposta: uma resposta isolada não é indicador, um teste feito uma vez não é benchmark, uma citação de hoje não garante a de amanhã, e melhora de visibilidade não prova aumento de receita enquanto ninguém amarrar a série ao CRM.
No varejo o catálogo virou interface, e o B2B ainda não tem o seu
A OpenAI passou a aceitar feeds de produto para alimentar descoberta dentro do ChatGPT, com preço, disponibilidade, imagem e avaliações mantidos atualizados pelo próprio lojista. O site continua rastreável, e o feed dá controle sobre como o catálogo é representado.
A orientação oficial para lojistas deixa clara a mudança de papel: o catálogo deixa de ser insumo do e-commerce e da mídia paga e passa a ser interface entre a empresa e agentes que pesquisam, comparam e recomendam. Quem trabalha com varejo entende rápido a consequência, porque já viveu isso com marketplace e com comparador de preço.
O equivalente B2B não existe como arquivo, e é justamente por isso que vale construí-lo. Ele seria composto por capacidades, integrações suportadas, requisitos técnicos, setores atendidos, conformidades e certificações, territórios de operação, casos de uso com resultado, modelos comerciais, critérios de implantação e prazos típicos. Hoje esse conjunto vive espalhado entre apresentação comercial, proposta antiga, página desatualizada, PDF em pasta compartilhada, campo livre do CRM e a memória de três pessoas experientes.
O cliente nunca enxerga uma empresa única quando a informação está assim, e o motor generativo também não. Ele encontra versões parciais e conflitantes, escolhe a mais acessível e escreve com convicção. A primeira transformação necessária, portanto, é de coerência, não de volume. Comecei a chamar esse trabalho de arrumar a casa antes de convidar visita, e ele costuma render mais que seis meses de blog.
Isso deixou de ser pauta exclusiva de marketing
Uma descrição errada em resposta de IA atinge áreas que nunca conversaram sobre o assunto. Marketing perde controle de narrativa, vendas perde a indicação, produto aparece com item descontinuado, jurídico é exposto por informação regulatória incorreta, e a receita sente sem que ninguém consiga apontar a causa.
Levei essa discussão a comitês em contextos bem diferentes, de operadora de telecomunicações a companhia de software listada, e o padrão se repete: enquanto a pauta chega como pedido de mais presença no ChatGPT, ela morre no orçamento de marketing. Quando chega formulada como risco de representação da companhia perante um intermediário novo, ela encontra dono. A pergunta que destrava é esta: como tornamos a empresa legível, verificável e recomendável nas interfaces que começaram a mediar decisão de compra.
Respondê-la exige tecnologia liberando o acesso certo, dados mantendo o cadastro canônico, produto publicando o que o produto faz de verdade, comunicação construindo prova externa, jurídico separando proteção de propriedade intelectual de bloqueio de descoberta, vendas informando quais perguntas o comprador realmente faz, e um executivo de receita cobrando a série histórica. Nenhuma dessas peças funciona sozinha, o que explica por que tanta empresa contrata agência e não sai do lugar.
Chamo isso de infraestrutura reputacional porque o comportamento se parece mais com infraestrutura que com campanha: exige manutenção contínua, degrada em silêncio quando abandonada e só é notada quando falha. Uma auditoria de entidade bem feita, do tipo que descrevi em auditoria de entidade digital, costuma ser o primeiro passo mais barato que existe.
A nova definição de existir para o mercado
Uma empresa pode existir para os clientes atuais, para o balanço e para o mercado, e ainda assim não existir para o sistema que forma a próxima lista de candidatos. Essa é a assimetria que considero mais perigosa neste ciclo, porque ela não aparece em relatório de perda.
Trabalhei com telecomunicações, varejo, joias, software, marketing, dados e inteligência artificial. Em telecom aprendi que não existe mercado sem distribuição. No varejo, que produto sem significado vira commodity. Em software, que contexto e fluxo de trabalho criam a vantagem que a funcionalidade sozinha não cria. O ciclo atual acrescenta uma quarta lição, e ela é mais incômoda que as anteriores: a distribuição voltou a ser disputada, agora dentro de um parágrafo que a máquina escreve, e a moeda dessa disputa é evidência verificável.
O ChatGPT não guarda uma ficha sobre a sua empresa. Ele monta uma, a cada pergunta, com o material que encontra. Se a organização não publica uma versão clara, atual e verificável de si mesma, o espaço não fica vazio, porque nenhum sistema generativo devolve silêncio. Ele preenche com material antigo, com terceiros, com concorrente e com inferência.
Durante muito tempo se disse que marca é o que falam da empresa quando os executivos saem da sala. A definição continua válida e ficou incompleta. Marca também é o que uma máquina consegue provar sobre a sua empresa no instante em que o comprador faz a pergunta. Quem não deu a ela material para provar nada não perdeu apenas tráfego, perdeu o direito de ser considerado, e a conta desse tipo de perda só chega no trimestre seguinte.
Alexandre Caramaschi é Chief Strategy Officer da Nuvini (Nasdaq: NVNI). As opiniões deste texto são emitidas na condição de Founder da Brasil GEO e não representam posição da Nuvini.