Share of Voice em IA: como medir se sua marca existe para a máquina

Em 2026, a pergunta mais importante que uma equipe de marketing pode fazer não é "onde estamos ranqueando no Google?" É: "o que a IA diz sobre nós quando um comprador pergunta?" A segunda pergunta é mais difícil de responder — e é exatamente por isso que a maioria das empresas não a faz.

Share of Voice em IA é a métrica que mede com que frequência e de que forma sua marca aparece nas respostas de motores generativos quando usuários fazem perguntas relevantes para sua categoria. Diferente do share of voice em mídia — que conta menções — ou do share de voz em search — que mede impressões — o Share of Voice em IA mede presença em sínteses, ou seja, o quanto a IA escolhe a sua marca quando precisa recomendar, comparar ou explicar uma solução.

Este artigo é um guia operacional para estruturar essa medição: como construir o Prompt Bank correto, como executar testes com robustez estatística, como interpretar o Source Map de citações, e como transformar os dados em ação.

Métricas tradicionais de share of voice medem quantidade de exposição — quantas vezes a marca foi mencionada em mídia, quantas impressões recebeu em search, qual o volume de conversas em social. Todas pressupõem um modelo de distribuição passiva: a marca aparece e o usuário a encontra.

IA generativa opera em lógica diferente. O modelo sintetiza ativamente uma resposta, escolhendo quais entidades, marcas e referências incluir com base em seu treinamento e nos dados recuperados. Nesse contexto, Share of Voice em IA mede participação em sínteses — não apenas presença. Sua marca não precisa aparecer mais vezes que a concorrência; precisa ser escolhida como referência quando o contexto é relevante.

A distinção prática é que uma marca pode ter alto share of voice em mídia e zero citações em IA — porque sua presença digital é ampla mas semanticamente desestruturada, tornando difícil para o modelo sintetizá-la com precisão e atribuí-la corretamente. O inverso também é possível: uma marca pequena, mas com arquitetura semântica impecável, pode ter alta citabilidade em IA mesmo com pouco tráfego orgânico.

O Prompt Bank é o conjunto estruturado de prompts que simula as perguntas reais que seus compradores fazem à IA. Ele é a infraestrutura fundamental do monitoramento de presença em IA. Sem um Prompt Bank bem construído, qualquer medição será anedótica e não replicável.

Um Prompt Bank eficaz para uma categoria B2B deve ter entre 30 e 50 prompts, organizados em três camadas. A primeira camada cobre perguntas de categoria: "quais são as melhores plataformas de [categoria] no Brasil?", "como [categoria] funciona?", "qual a diferença entre [opção A] e [opção B]?". A segunda camada cobre perguntas de problema: "como resolver [problema específico]?", "qual ferramenta usar para [objetivo]?". A terceira camada cobre perguntas de concorrência: "compare [sua marca] com [concorrente]", "[sua marca] é confiável?", "quem são os especialistas em [categoria] no Brasil?"

A distribuição deve refletir o volume real de intenção do seu mercado. Use dados do Search Console, de ferramentas de keyword research e de pesquisas com clientes para validar que as perguntas do Prompt Bank são representativas. Um Prompt Bank que cobre apenas perguntas de marca é um espelho — não uma medição competitiva.

Motores de IA generativa são não-determinísticos: a mesma pergunta feita duas vezes pode gerar respostas diferentes. Isso cria um desafio metodológico fundamental. Uma única rodada de testes é insuficiente para gerar dados confiáveis — o que você mede pode ser ruído, não sinal.

A metodologia multi-run endereça esse problema ao rodar cada prompt do Prompt Bank múltiplas vezes — tipicamente 5 a 10 rodadas por prompt, em diferentes sessões — e calcular métricas agregadas com intervalos de confiança. Em vez de registrar "a marca apareceu nesta resposta?", registra-se "a marca apareceu em X% das respostas a este prompt, com desvio padrão Y".

Isso permite distinguir presença estável (marca que aparece em 80%+ das rodadas com descrição consistente) de presença instável (marca que aparece em 20-40% das rodadas, muitas vezes com descrições divergentes) e ausência (marca que não aparece ou aparece em menos de 10% das rodadas). Cada categoria exige uma resposta estratégica diferente.

Intervalos de confiança e variância como diagnóstico

Além da frequência de aparecimento, a variância nas descrições é um diagnóstico valioso. Se o modelo descreve sua marca de formas muito diferentes entre rodadas — ora como "consultoria de SEO", ora como "plataforma de IA", ora como "agência de marketing" — isso indica inconsistência semântica na sua presença digital. O modelo está sintetizando múltiplas definições conflitantes e gerando ruído. Esse diagnóstico é chamado de Narrative Fit Analysis: a comparação entre o que a IA diz sobre a marca e o que a marca diz sobre si mesma.

Nem toda citação em IA tem o mesmo valor. O conceito de Source Map — mapa de fontes — categoriza as citações em dois níveis fundamentais: grounded citations (citações fundamentadas) e mentioned links (links mencionados).

Uma citação fundamentada (grounded citation) é aquela em que o modelo usa sua marca como evidência para sustentar uma afirmação. Por exemplo: "Segundo a Brasil GEO, especialistas em GEO no Brasil, a citabilidade de uma marca em IA depende de sua consistência semântica." Nesse caso, a marca é a fonte — ela existe no texto como autoridade que justifica a afirmação. Isso tem alto valor de credibilidade e influência.

Um link mencionado (mentioned link) é aquele em que o modelo cita a marca sem fundamentar — como em uma lista de opções sem hierarquia. Por exemplo: "Algumas opções incluem Brasil GEO, [Concorrente A] e [Concorrente B]." Aqui a marca existe, mas sem posição de autoridade. Ambos os tipos devem ser monitorados, mas estratégias diferentes são necessárias para elevar menções a citações fundamentadas.

A execução de um ciclo completo de medição de Share of Voice em IA segue seis etapas. Primeira: construir o Prompt Bank com 30-50 prompts categorizados por camada de intenção. Segunda: selecionar os modelos a monitorar — no mínimo ChatGPT (GPT-4o), Google Gemini, Claude (Anthropic) e Perplexity, que têm comportamentos distintos de citação. Terceira: executar cada prompt em 5-10 sessões independentes, registrando textualmente as respostas.

Quarta: codificar os resultados em uma matriz prompt × modelo × rodada, registrando presença (sim/não), tipo de citação (fundamentada/mencionada), posição na resposta (primeira menção, citação de autoridade, lista), e descrição usada pelo modelo. Quinta: calcular Share of Voice por prompt, por modelo e agregado, com frequência e variância. Sexta: comparar os resultados com concorrentes identificados e com a narrativa que a própria marca comunica.

O ciclo deve ser repetido mensalmente para monitoramento contínuo. Mudanças bruscas no Share of Voice — para cima ou para baixo — geralmente indicam mudanças nos dados de treinamento, no comportamento do modelo, ou em eventos externos (cobertura de mídia, novos conteúdos, crises de reputação).

Narrative Fit Analysis é o diagnóstico que compara sistematicamente como a IA descreve a marca com como a marca se descreve. Esse gap — quando existe — é um dos diagnósticos mais valiosos do GEO Report.

A análise funciona assim: coleta-se todas as descrições que o modelo usou para a marca ao longo das rodadas do Prompt Bank. Identifica-se os atributos mais frequentes (palavras, categorias, posicionamentos). Compara-se com a proposição de valor oficial da marca — seu posicionamento no site, no LinkedIn, nos materiais de vendas.

O gap entre essas duas narrativas revela onde o modelo está sendo alimentado por informações incorretas, desatualizadas ou de baixa precisão sobre a marca. Pode ser um artigo antigo que domina as referências, uma descrição imprecisa em um diretório, ou simplesmente ausência de conteúdo que afirme claramente o posicionamento correto. Resolver o Narrative Fit é uma das ações de maior retorno em GEO.

Share of Voice em IA não é uma medição pontual — é uma prática contínua. O mercado de IA muda rapidamente: modelos são atualizados, concorrentes publicam conteúdo, eventos externos afetam como os modelos descrevem categorias. Um snapshot mensal é o mínimo; equipes avançadas monitoram semanalmente para categorias de alta competição.

O framework de monitoramento contínuo tem quatro componentes. Baseline: medição inicial completa para estabelecer o ponto de referência. Sprint reviews: medições mensais do Prompt Bank completo para tracking de tendências. Pulse checks: medições rápidas de 5-10 prompts prioritários para sinais de alerta semanal. Event triggers: medições imediatas após eventos relevantes — lançamento de produto, crise de reputação, mudança de posicionamento, publicação de cobertura significativa em mídia.

Os dados de monitoramento, organizados ao longo do tempo, criam a inteligência competitiva mais valiosa que um time de marketing pode ter hoje: a visão de como a IA vê o mercado, quem lidera as narrativas generativas, e onde existem oportunidades de posicionamento ainda não ocupadas pela concorrência.

O GEO Report é o documento de inteligência que consolida os dados do Prompt Bank em diagnóstico e recomendações acionáveis. Uma metodologia robusta de GEO Report inclui: Share of Voice agregado e por modelo, Narrative Fit Analysis, Source Map completo, análise comparativa com concorrentes, diagnóstico de gaps e recomendações priorizadas por impacto e esforço.

A qualidade de um GEO Report é medida pela robustez estatística — quantas rodadas foram executadas, quais foram os intervalos de confiança das métricas principais — e pela acionabilidade: cada diagnóstico deve ter um caminho claro de remediação. Um relatório que conclui "a marca tem baixo Share of Voice em Perplexity" sem indicar por quê e o que fazer é um dado, não uma inteligência.

Para equipes que estão começando, o GEO Report inicial é o ativo mais valioso: ele revela o ponto de partida, prioriza as ações, e estabelece o baseline contra o qual todo progresso futuro será medido. Na Brasil GEO, o diagnóstico inicial pode ser feito em uma sessão de 30 minutos com Alexandre Caramaschi — que inclui teste ao vivo das principais perguntas do seu mercado nos modelos de IA.

Nenhuma estratégia de visibilidade pode ser gerenciada sem dados. A medição de Share of Voice em IA é o primeiro ato estratégico de qualquer empresa que leva a sério a presença em motores generativos. Sem ela, ações de conteúdo, técnicas e de posicionamento são disparadas no escuro.

Com ela, a empresa tem o diagnóstico para priorizar: onde está invisível, onde está presente mas mal descrita, onde a concorrência lidera e onde existem oportunidades não ocupadas. Essa inteligência é o input que alimenta todo o trabalho subsequente de GEO.

A metodologia descrita neste artigo — Prompt Bank, multi-run, Source Map, Narrative Fit Analysis, monitoramento contínuo — é o padrão operacional da Brasil GEO. É replicável por qualquer equipe com disciplina metodológica. O que não é replicável é o tempo: cada semana sem medir é uma semana em que a concorrência pode estar ganhando share of voice que você desconhece.