Observações

397

N_eff = 181 (54% cache)

Taxa de citação

41.6%

165 citações detectadas

Modelos LLM

4

ChatGPT, Claude, Gemini, Sonar

Verticais

4

Fintech, Varejo, Saúde, Tech

Entidades

69

61 reais + 8 ficticias

Automações

7

4 ativas, 2 prontas, 1 pendente

💡Como funciona o ciclo diário:GitHub Actions dispara as 06:00 BRT → envia 18 perguntas a cada LLM para cada vertical → registra se a IA citou cada empresa, em que posição, com que sentimento → salva no SQLite → FinOps calcula custo → dados disponiveis nos dashboards em ate 1h.

⚠️Ação necessária: A coleta diaria (Papers) esta configurada mas depende de GitHub Secrets (API keys) serem adicionados ao repo papers para rodar via Actions. Atualmente as coletas foram manuais (local).

📊397 observações já coletadas em 2 dias (24 e 26/mar). Cada observacao contem: modelo LLM, query enviada, se citou (sim/não), texto completo da resposta, latência, tokens, e 17 campos de metadados. A análise de contexto (172 registros) detalha sentimento, atribuição, precisao factual e hedging para cada citação.

💡Lei de Zipf: As 3 entidades mais citadas (Nubank + Inter + C6) concentram 49.4% de todas as citações. Nubank sozinho detem 25.6%. Distribuição power-law típica: entidades com maior presença no corpus de treinamento dos LLMs dominam as respostas generativas.

🎯Objetivo final: 3 publicações acadêmicas (ArXiv preprint + SIGIR/WWW tier-1 + Information Sciences Q1) com o maior dataset empírico já coletado sobre como LLMs citam empresas brasileiras. O dataset completo tera ~25.920 observações em 4 setores, 4 modelos e 69 entidades ao longo de 90+ dias.