Sua marca some quando a pergunta é em inglês

Em 2 de setembro de 2026 rodei a mesma pergunta duas vezes no mesmo assistente, com dez minutos de intervalo, mudando só o idioma. Em português vieram quatro fornecedores brasileiros e dois portais nacionais como fonte. Em inglês vieram cinco fornecedores, nenhum brasileiro, citando um relatório de consultoria americana e uma página de documentação. No fim deste texto você tem o protocolo que reproduz esse par de leituras na sua marca.

A tese, aberta a contestação com dado próprio: medir visibilidade em IA só em português entrega meio termômetro a qualquer empresa brasileira que venda ou queira vender fora. O idioma da pergunta muda os documentos que o motor recupera e as fontes que ele cita. A marca pode liderar em português e desaparecer da mesma pergunta em inglês, na mesma semana, no mesmo modelo, sem que nada tenha mudado no site dela.

A tensão está em outro lugar. A literatura de 2025 e 2026 que consultei não mede citação de marca por idioma: mede acerto em tarefa cognitiva, F1 de sentimento, efetividade em contexto longo e acurácia linguística, proxies com direções contraditórias entre si. Quem afirmar que existe estudo provando que a marca brasileira some em inglês está inventando. O que existe é mecanismo plausível, evidência lateral e um teste barato que produz a sua própria evidência.

O caso condutor é cenário hipotético composto, com o rótulo colado a cada número. A Vetro Analytics (cenário hipotético) é um SaaS brasileiro de controle de qualidade para linhas de produção, com 240 clientes no Brasil (número hipotético) e meta de 30% da receita nova vinda de fora até dezembro de 2027 (número hipotético). O painel dela marcava 41% de presença da marca (número hipotético), com todas as perguntas em português.

Cinco trabalhos de 2025 e 2026 medem desempenho de modelos por idioma, e discordam sobre a direção do viés. A revisão de Do LLMs exhibit the same commonsense capabilities across languages?, de 10 de setembro de 2025, conclui que todas as métricas apontam desempenho superior em inglês em geração de senso comum. O benchmark One Ruler, de novembro de 2025, conclui o oposto em contexto longo. As duas convivem porque medem tarefas diferentes, e isso derruba qualquer regra do tipo "escreva em inglês que a IA prefere".

Trabalho	Data	Método	Resultado numérico	Direção do viés
Do LLMs exhibit the same commonsense capabilities across languages?	10 de setembro de 2025	Mesmas perguntas em quatro idiomas, tradução controlada, juízes humanos e modelos avaliadores	Todas as métricas apontam desempenho superior em inglês; o resumo não publica percentual	A favor do inglês
Community size rather than grammatical complexity better predicts LLM performance, PLOS ONE	11 de março de 2026	Tarefas cognitivas em vários idiomas, humanos contra ChatGPT-4, DeepSeek, Grok 3 e Mistral	Em espanhol alguns modelos chegaram a 100% contra 95,6% da média humana; em inglês, Mistral chegou a 100% contra 84,8%	Depende do tamanho da comunidade
Do language families matter?, Frontiers in Artificial Intelligence	24 de julho de 2026	Sentimento zero-shot e few-shot com prompts padronizados em cinco modelos	GPT-4o marcou 70,1% de F1 em inglês e 73,7% em espanhol no zero-shot, contra 68,5% do estado da arte	A favor do espanhol
One Ruler, benchmark de contexto longo	23 de novembro de 2025	Contexto longo em muitos idiomas, modelos abertos e fechados, efetividade média	Inglês com 83,9% de efetividade média, em sexto lugar; polonês lidera com cerca de 88%	Contra o inglês
Large Language Models for Mental Health: A Multilingual Evaluation, arXiv	16 de setembro de 2025	Datasets em inglês transferidos por back-translation, com BLEU e LaBSE	Dataset espanhol com BLEU de 6,25 e LaBSE de 0,3562; em cadeia de raciocínio, GPT-4 marcou 0,77 e Claude 3.5 marcou 0,73	Contra o pipeline de tradução

Legenda: fonte, os cinco trabalhos linkados na tabela, consultados em 7 de setembro de 2026. Método, extração de autoria, data, desenho e resultado numérico do resumo público de cada um, sem releitura integral em três deles. Nenhum dos cinco mede presença de marca em resposta de assistente e nenhum publica resultado específico para português: a disparidade por idioma está medida, e não no recorte que interessa a quem faz marketing.

Duas leituras merecem cuidado. O estudo do PLOS ONE de 11 de março de 2026 aponta o tamanho da comunidade como fator mais forte que a gramática, boa notícia parcial para o português: o idioma tem comunidade grande, e ainda assim a fatia do corpus técnico e comercial escrita em português é pequena diante da fatia em inglês em quase todo setor B2B. Já o trabalho de saúde mental de 16 de setembro de 2025 mede o custo da tradução, e não o do idioma: um BLEU de 6,25 entre o original e a versão retraduzida diz que a cadeia inglês, tradução, modelo degrada o conteúdo antes que o modelo erre sozinho.

Há ainda a camada jornalística, que uso com pinça: The Economist publicou em 18 de março de 2026 uma síntese dizendo que os melhores modelos têm desempenho inferior fora do inglês, sem nomear benchmark nem publicar protocolo. Serve de contexto, não de base para decisão.

Quem trata o problema como "o modelo não gosta de português" mira no estágio errado e compra a solução errada. No primeiro estágio, o modelo carrega associações aprendidas no treino: uma marca citada cem vezes em português e três em inglês tem vínculo fraco com a categoria em inglês. Nenhum trabalho da tabela mede isso para marcas, então trato como mecanismo declarado, não como resultado.

No segundo estágio, a pergunta em inglês dispara expansão de consulta e recuperação de documentos em inglês, e o conjunto candidato que chega ao modelo já não contém as suas páginas. No terceiro, o motor escolhe entre os candidatos que recebeu, e a marca ausente do conjunto não perde a disputa: nunca entra nela. É por isso que reescrever a página em português não move o número em inglês.

Um agravante de 2026 é que os motores operam superfícies distintas por idioma. A análise de agosto de 2026 sobre a expansão de AI Overviews para AI Mode registra recursos liberados globalmente em inglês antes de chegarem a outros idiomas. Quem mede só em português mede, em parte, uma versão anterior do produto.

Aqui declaro o vazio, porque ele é parte da tese. [FALTA EVIDÊNCIA: estudo público comparando presença de marca em respostas de assistente para o mesmo prompt em português e em inglês, com repetições, janela e denominador declarados]. Do lado das ferramentas a lacuna se repete: as revisões de plataformas de monitoramento indicam suporte primário para inglês, com outros idiomas em cobertura parcial ou manual e sem especificação numérica de cobertura linguística, segundo a revisão de agosto de 2026 sobre a Profound e suas alternativas. Quem compra painel e presume paridade entre idiomas presume o que o fornecedor não afirmou.

A consequência é desagradável e libertadora: a evidência que decide o seu orçamento precisa ser produzida por você, e custa uma tarde. Trato o mesmo princípio na peça sobre cinco erros de medição que fabricam um gap de citação que não existe: o erro caro raramente é o número errado, é o desenho errado que produz um número bonito.

Este protocolo produz, em uma tarde, uma taxa de presença da marca por idioma, por motor e por prompt, com registro suficiente para outra pessoa repetir e chegar perto do mesmo resultado. Não exige ferramenta paga, API nem programação. Exige disciplina no registro, a parte abandonada no terceiro prompt.

1. Escolha três perguntas de decisão, não de marca. "O que é a Vetro Analytics" mede reconhecimento e quase sempre acerta. Interessa o que o comprador digita antes de saber quem existe, do tipo "melhor software de controle de qualidade para linha de autopeças".
2. Monte o par espelhado com tradução humana. Traduza preservando a intenção de compra, não a estrutura da frase: se o comprador americano diria "quality management software for automotive parts manufacturing", é isso que entra. Tradução literal testa a sua capacidade de traduzir, não o motor.
3. Congele a janela de coleta. Rode os dois lados no mesmo dia, com no máximo duas horas entre a primeira e a última execução. Índice e conteúdo fresco mudam de um dia para o outro, e uma diferença medida com três dias de intervalo pode ser de calendário.
4. Neutralize personalização e memória. Janela anônima, conta sem histórico ou modo temporário, com memória e instruções personalizadas desligadas, e cada execução em conversa nova.
5. Fixe modelo e configuração e escreva as duas no registro. Produto, modelo, busca web ligada ou desligada, país e idioma da interface. Busca ligada em inglês contra busca desligada em português mede configuração, não idioma.
6. Repita dez vezes cada lado, no mínimo, e prefira 20. A justificativa numérica está na seção seguinte, e é o coração da reprodutibilidade.
7. Registre seis dimensões por resposta. Fontes citadas, tipo de fonte, presença da marca, presença de cada concorrente, idioma da fonte citada e frescor da fonte. A tabela adiante define cada uma.
8. Calcule a diferença como diferença de proporções, com intervalo. Presença em português menos presença em inglês, por motor e por prompt. Quarenta pontos em 20 execuções por lado é sinal; a mesma diferença em três execuções é ruído com aparência de sinal.
9. Repita o ciclo em 30 dias, sem mexer no site. A repetição sem intervenção estabelece a variação natural da medida. Sem ela, você não sabe se a melhora do trimestre seguinte veio do seu trabalho ou do humor do índice.

Três motores cobrem a maior parte do problema para uma empresa B2B, porque recuperam de formas distintas: ChatGPT, Gemini e Perplexity. O desenho multimotor está detalhado na peça sobre como audito visibilidade em IA com um master prompt em seis LLMs, e a versão bilíngue é uma extensão dele: o mesmo master prompt duplicado por idioma, com duas colunas novas no registro.

O erro mais comum de quem tenta sozinho é rodar os dois idiomas na mesma conversa: a segunda resposta herda o contexto da primeira, repete as marcas já citadas e apaga a diferença que você tenta medir. Conversa nova a cada execução é a condição que torna o resultado interpretável.

A resposta de um assistente varia entre execuções idênticas, então a presença da marca é um evento de sim ou não e a taxa é uma proporção estimada em amostra pequena. O número de repetições define o que o teste distingue de acaso, e essa conta se faz antes de rodar qualquer coisa.

Com dez repetições por idioma, um resultado de cinco presenças tem intervalo de confiança de 95% entre 23,7% e 76,3% pelo método de Wilson, cálculo meu de 7 de setembro de 2026: 52 pontos de largura, ou seja, quase nada sabido sobre a taxa verdadeira. Com 20 repetições, dez presenças dão intervalo entre 29,9% e 70,1%. Dobrar a amostra não resolve o problema, encolhe o intervalo em 12 pontos.

O que decide é o contraste, não a precisão de cada lado isolado. Zero presenças em 20 execuções em inglês contra dez em 20 em português tem probabilidade abaixo de 0,001 de ocorrer por acaso, pelo teste exato de Fisher, conta minha da mesma data, e sustenta decisão de orçamento. Seis contra dez fica por volta de 0,3 na mesma conta, e não sustenta nada. A regra prática que uso: chamo de gap de idioma uma diferença de 40 pontos percentuais ou mais com 20 execuções por lado, ou a ausência total de um dos lados com dez.

O teto do manual é aritmético e vale escrever antes de prometer o projeto. Três pares de perguntas, dois idiomas, três motores e 20 repetições dão 360 execuções; a 90 segundos cada, contando abrir conversa nova, colar, esperar e registrar, são nove horas de trabalho humano. Com dez repetições, são 180 execuções e quatro horas e meia, o que cabe em uma tarde.

Uma escolha de desenho economiza mais que qualquer outra: prefira três perguntas com 20 repetições a dez perguntas com seis. O segundo desenho parece completo e não distingue nada de acaso em nenhuma das dez. Largura sem repetição produz planilha grande e conclusão vazia, e o método que descrevo em como medir GEO de forma reproduzível segue o mesmo princípio.

Registrar apenas se a marca apareceu joga fora a informação mais acionável do teste. As seis dimensões abaixo formam a grade que uso em auditoria bilíngue. Duas marcas com o mesmo gap podem precisar de trabalhos opostos, e é a terceira coluna que separa os dois casos.

Dimensão	Como registrar	O que a diferença entre idiomas significa	Ação quando a diferença aparece
Fontes citadas	URLs citadas na resposta, na ordem em que aparecem	Conjuntos disjuntos indicam recuperação a partir de índices diferentes, e não que o modelo mudou de opinião	Trabalhar presença nas fontes do idioma fraco, não o texto do próprio site
Tipo de fonte	Imprensa, documentação de produto, fórum, relatório de consultoria, agregador ou site institucional	Imprensa dominando em um idioma e documentação no outro revela que o motor lê a pergunta como intenção diferente	Ajustar o formato do ativo ao tipo que domina naquele idioma antes de escrever mais texto
Presença da marca	Sim ou não por execução, mais a posição quando houver lista	É a métrica principal, e sozinha não diz se o problema é corpus, recuperação ou concorrência	Nenhuma isolada, sempre lida junto com fontes citadas
Presença do concorrente	Sim ou não por execução para cada nome de uma lista fechada de quatro a seis concorrentes	Concorrente global nos dois idiomas e local em um só é gap de estatura; ninguém do seu mercado em inglês é gap de categoria	Gap de categoria pede conteúdo de definição em inglês; gap de estatura pede presença em fonte de terceiro
Idioma da fonte citada	Idioma do documento citado, que nem sempre é o idioma da pergunta	Pergunta em português citando fonte em inglês mostra que o motor cruza idiomas, e que o inverso pode ocorrer	Publicar a versão em inglês do ativo já citado em português, com a mesma entidade declarada
Frescor da fonte	Data de publicação ou de atualização declarada na página citada	Fontes bem mais antigas em um idioma indicam índice menos atualizado naquele recorte, e não menor autoridade da sua marca	Priorizar atualização datada no idioma com fontes velhas, porque ali o custo de entrar é menor

Legenda: fonte, grade de registro que uso nas auditorias bilíngues da Brasil GEO, versão de 7 de setembro de 2026. Método, definição operacional de cada dimensão e da ação correspondente, a partir das auditorias multimotor que rodo desde 2025. A tabela não carrega número: é o formulário que o protocolo anterior preenche, e o denominador de qualquer taxa vinda dela é o número de execuções por idioma, motor e prompt.

A dimensão que mais surpreende na primeira rodada é o idioma da fonte citada. Resposta em português que cita documento em inglês é comum, e derruba a hipótese preguiçosa de dois mundos estanques: o motor cruza idiomas quando o documento em inglês é o melhor candidato. Um ativo em inglês pode ser citado em resposta em português, o que muda o cálculo de retorno. Comparo os motores na peça sobre quem cita o quê em 2026.

Três decisões saem do teste, e a terceira é a mais frequente e a menos vendida por fornecedor. A escolha depende de duas leituras do registro: presença do concorrente e tipo de fonte dominante em cada idioma. Gap de idioma não implica internacionalização, implica saber qual caminho custa menos.

Não fazer nada é a decisão certa quando a empresa não vende fora e não pretende vender. Traduzir um blog inteiro para descobrir isso depois custa caro e para sempre, porque conteúdo traduzido precisa ser mantido nas duas pontas. O teste cumpriu a função ao autorizar você a ignorar o assunto por mais um ano.

Escrever original em inglês é a decisão certa quando nenhuma marca do seu mercado aparece em inglês e a fonte dominante é documentação de produto ou relatório de categoria: a categoria existe no índice em inglês e ninguém do seu lado ocupou o espaço. Original significa peça concebida em inglês, com o exemplo, a unidade de medida, a moeda e o marco regulatório do mercado alvo. Um texto sobre norma brasileira traduzido continua sendo um texto sobre norma brasileira.

Traduzir serve num caso estreito: ativo já citado em português, atemporal e sem contexto local, como definição de categoria, método ou glossário. Fora dele, a tradução automática costuma não resolver, e a razão tem evidência. O trabalho de avaliação multilíngue de 16 de setembro de 2025 mediu, num dataset em espanhol, BLEU de 6,25 e LaBSE de 0,3562 entre o original e a versão retraduzida, sinal de divergência alta introduzida pela própria cadeia; no mesmo trabalho, cadeia de raciocínio em espanhol rendeu 0,77 para GPT-4 e 0,73 para Claude 3.5, abaixo do inglês.

O segundo motivo é editorial e independe da qualidade da tradução. O texto traduzido carrega a estrutura de argumento do mercado de origem: a objeção antecipada é a brasileira, o exemplo é o brasileiro, a prova social é o cliente brasileiro. Entre um documento que responde exatamente à pergunta feita e outro que responde a uma pergunta parecida feita em outro país, o motor fica com o primeiro. A tradução resolve o idioma da superfície e mantém o descasamento de intenção, que é o que a recuperação enxerga.

A matriz que uso cabe numa reunião de trinta minutos. Se o concorrente global aparece nos dois idiomas e você em nenhum, o problema é estatura de marca e conteúdo próprio não resolve sozinho, porque a fonte que cita você precisa ser de terceiro. Se ele aparece em inglês e você em português, o problema é cobertura de idioma. Se ninguém aparece em inglês, é categoria, e quem publicar primeiro leva. Se todos aparecem nos dois e você em nenhum, o problema não é idioma, e o teste acabou de economizar o orçamento de tradução inteiro.

A infraestrutura de um site multilíngue é quase toda herança de SEO clássico, e continua valendo porque os motores que citam com link recuperam de índices construídos com as mesmas regras. O que é novo é curto, e separar as duas listas evita pagar consultoria por descoberta antiga.

Herança sem novidade: anotações hreflang recíprocas, canonical de cada versão apontando para si mesma e nunca para a de outro idioma, URLs distintas e estáveis por idioma, e sitemap declarando as alternativas. O erro clássico segue o mesmo: apontar o canonical da versão em inglês para a versão em português consolida sinais na página errada e some com a versão em inglês do índice em que você quer aparecer. Nada disso mudou por causa de IA generativa, e nada disso garante citação.

O que é novo: a resposta generativa cita uma URL específica, e a URL citada é a recuperada, não a URL de referência declarada. A versão em inglês precisa ser recuperável por si mesma, com conteúdo completo no HTML, sem depender de detecção de idioma do navegador nem de redirecionamento automático por IP. Esse redirecionamento é o defeito mais caro que encontro em site multilíngue: o crawler que acessa de um país recebe sempre a mesma versão e a outra nunca entra no índice.

Duas honestidades. Não conheço documentação pública de OpenAI, Google ou Anthropic sobre como cada um trata hreflang na seleção de fonte para resposta generativa. [FALTA EVIDÊNCIA: declaração oficial de provedor de assistente sobre uso de hreflang e canonical na escolha da URL citada]. O que escrevi acima é inferência a partir do comportamento observado em teste, e pode estar errado. A segunda: nome legal, nome comercial, endereço e identificadores ficam idênticos nas duas versões, com só a descrição traduzida. Marca que muda o nome comercial em inglês cria duas entidades e divide a própria autoridade.

Um teste manual de 360 execuções é amostra minúscula do universo de perguntas da sua categoria e não estima a sua visibilidade real em nenhum idioma. Ele compara dois tratamentos sob condição controlada, coisa mais modesta e mais útil. Cinco limitações vão no mesmo slide que o resultado.

1. A amostra de prompts não é probabilística. Você escolheu três perguntas por julgamento, e a taxa nelas não se estende ao conjunto de perguntas que compradores realmente fazem. A limitação vale igualmente para os painéis pagos, que operam sobre conjunto finito de prompts.
2. O resultado é de um dia. Índices mudam e modelos são atualizados sem aviso. Um gap medido em setembro pode não existir em novembro sem que ninguém tenha feito nada, e é por isso que o nono passo pede a repetição em 30 dias.
3. Correlação não é causa, e aqui nem correlação existe. O teste mostra que a presença difere entre idiomas, e não que publicar em inglês aumenta a presença em inglês. Essa segunda afirmação exige medir antes e depois de uma intervenção isolada, com controle.
4. Presença em resposta não é receita. Aparecer numa resposta em inglês não implica pipeline, e o caminho entre citação e negócio fechado atravessa camadas que este teste não toca. Trato essa ligação na peça sobre share of voice em IA e como se comparar com concorrentes, e ela segue sendo a parte frágil do campo.
5. Dois idiomas não cobrem um mercado. Português contra inglês diz pouco sobre espanhol, idioma do comprador em boa parte da América Latina. O estudo de dialetos publicado em 18 de setembro de 2025 define sete variedades do espanhol e mostra que a granularidade relevante pode ser menor que a de idioma inteiro. O resumo não traz números comparando as variedades: o problema está estabelecido e o tamanho dele, desconhecido.

Declaro de onde falo. Rodo auditorias de visibilidade em IA desde 2025, na Brasil GEO e antes como CMO da Semantix, e os testes bilíngues que descrevo saíram de trabalho com empresas que exportam software. Não publico os dados desses clientes, então você tem o método sem a evidência do resultado deles. A resposta honesta a isso é o protocolo estar detalhado o suficiente para você produzir a própria evidência.

A Vetro Analytics (cenário hipotético) rodou o protocolo em três perguntas de categoria, três motores e dez repetições por lado, 180 execuções (números hipotéticos), numa tarde de quinta-feira. Em português a marca apareceu em 24 das 90 execuções, 27% (número hipotético); em inglês, em uma das 90, pouco mais de 1% (número hipotético). Pelo critério de contraste da seção sobre repetições, a ausência quase total de um dos lados é sinal suficiente para decidir.

O que mudou a decisão não foi a presença da marca, foi a coluna de presença do concorrente. Nas 90 execuções em inglês, dois concorrentes globais apareceram em mais da metade delas e nenhum fornecedor latino-americano apareceu (números hipotéticos). Pela matriz da seção anterior, isso é gap de estatura combinado com gap de categoria, e não gap de tradução. A Vetro tinha orçamento aprovado para traduzir 180 artigos (número hipotético), e traduzir 180 textos sobre normas brasileiras não colocaria a marca em nenhuma daquelas respostas.

O painel de 41% (número hipotético) que abriu este texto continuava correto e continuava sendo meio termômetro. Depois do teste ele ganhou duas linhas por prompt, uma por idioma, e o número apresentado ao conselho virou um par: 27% em português e pouco mais de 1% em inglês (números hipotéticos). O primeiro descreve o mercado que a Vetro já atende; o segundo mede a distância até a meta de 30% de receita nova vinda de fora (número hipotético).

O dinheiro da tradução virou seis peças originais em inglês sobre a categoria, com norma e unidade de medida do mercado alvo, mais presença em duas publicações setoriais (plano hipotético). O teste será repetido em 30 dias sem intervenção e depois a cada trimestre. O valor do protocolo, no caso dela, não foi revelar um gap: foi impedir um gasto que atacaria o gap errado.

Se você quer rodar o mesmo teste esta semana, comece pelo banco de prompts que mantenho aberto e escolha três perguntas de decisão da sua categoria. Traduza cada uma com cuidado de intenção, congele a janela e registre as seis dimensões. Em uma tarde você troca uma opinião sobre idioma por um par de números que sobrevive a uma reunião com o financeiro.

Preciso testar em inglês se a minha empresa só vende no Brasil?

Não, e essa é a resposta mais frequente. Gap de idioma em marca que atende só o mercado interno é curiosidade, não problema de orçamento. Rode o teste uma vez, registre a decisão e volte ao assunto quando existir plano concreto de vender fora. Traduzir por precaução custa caro para sempre, porque o conteúdo precisa ser mantido nas duas pontas.

Quantas repetições por idioma são suficientes para um teste manual?

Dez por idioma, por motor e por prompt é o piso; 20 é o alvo quando o número vai a um comitê. Com dez repetições, cinco presenças dão intervalo de 95% entre 23,7% e 76,3% pelo método de Wilson, cálculo meu de 7 de setembro de 2026. Zero em 20 contra dez em 20 tem probabilidade abaixo de 0,001 pelo teste exato de Fisher; seis contra dez fica por volta de 0,3 e não conclui nada.

Traduzir o blog inteiro para o inglês resolve?

Raramente. O trabalho de avaliação multilíngue de 16 de setembro de 2025 mediu BLEU de 6,25 e LaBSE de 0,3562 entre um dataset em espanhol e a versão retraduzida, sinal de divergência alta introduzida pela cadeia de tradução. Some o descasamento de intenção: texto escrito para o comprador brasileiro responde a uma pergunta que o de fora não fez.

As ferramentas de monitoramento de visibilidade em IA já medem por idioma?

Não de forma que você possa presumir. As revisões de mercado de agosto de 2026 indicam suporte primário para inglês nas plataformas de monitoramento, com outros idiomas em cobertura parcial ou manual e sem especificação numérica publicada. Peça ao fornecedor, por escrito, a lista de idiomas por motor e como o relatório separa o resultado.

hreflang influencia o que o assistente responde?

Não conheço declaração pública de OpenAI, Google ou Anthropic sobre uso de hreflang na seleção da fonte citada, e digo isso como lacuna, não como negativa. O que sustento é verificável: a resposta cita a URL recuperada, então a versão em inglês precisa existir em URL própria, estável e com conteúdo completo no HTML.

Qual é o menor teste que ainda vale a pena rodar?

Uma pergunta de decisão, um motor, dez repetições por idioma, no mesmo dia, em conversa nova a cada execução, com as seis dimensões registradas. São 20 execuções e cerca de trinta minutos. Esse tamanho só distingue a ausência total de um dos lados, o resultado mais comum em empresa que nunca publicou em inglês. Se vier ambíguo, invista as quatro horas e meia do desenho completo.