Visibilidade da marca em IA: como eu meço e com quais ferramentas

A visibilidade da marca em IA é a porcentagem das respostas dos assistentes de IA às perguntas dos seus clientes em que a marca é mencionada pelo nome ou o site dela aparece como fonte. Calculo essa porcentagem em um conjunto próprio de perguntas, separadamente para cada assistente e separadamente para menção e citação. Ninguém além dos fornecedores dos assistentes conhece todas as perguntas que as pessoas fazem a eles, então não dá para calcular uma “participação de mercado em IA”. Qualquer número de visibilidade em IA só faz sentido junto com a informação de como foi calculado: em quantas perguntas, em qual assistente e em que dia.

Três vezes, entre agosto e outubro, a minha própria verificação mostrou que um número que parecia bom significava outra coisa do que eu pensava:

1. A “presença da marca” no relatório de um dos meus projetos se revelou citação do site, e não menção da marca. No Perplexity o relatório mostrava 2%, e a marca era mencionada em 37% das perguntas; só nas perguntas sem o nome dela, em 21%.
2. O teste que devia mostrar que a posição nas subconsultas (as consultas que o assistente envia sozinho ao buscador durante a resposta) prevê as citações melhor que a posição na palavra-chave principal deu um resultado a favor da tese até o revisor notar que eu havia comparado medições de precisão diferente.
3. O número de citações em uma ferramenta subiu metade em uma semana em duas marcas, e a participação delas quase não mudou, então o mais provável é que tenha crescido a base de respostas coletadas pela ferramenta (o índice dela), e não a visibilidade das marcas.

Meço a visibilidade em IA de modo a achar esses erros antes do relatório para o cliente, e não depois. O segundo desses casos descrevi no texto sobre GEO e AI SEO, e os outros dois estão logo abaixo.

O que é a visibilidade da marca em IA?

A visibilidade da marca em IA é a presença da marca nas respostas geradas pela AI Overview e pelo Modo IA do Google, pelo ChatGPT, pelo Gemini, pelo Perplexity e pelo Copilot, calculada como a porcentagem dessas respostas. A marca pode estar em uma resposta de duas maneiras, e eu as conto separadamente:

1. Menção: o nome da marca está no texto da resposta que o usuário lê.
2. Citação: o site da marca é indicado como fonte, em geral em uma nota de rodapé ou em uma lista de links ao lado da resposta.

Uma não decorre da outra. O assistente pode recomendar a marca pelo nome sem indicar o site dela, porque sabe dela pela memória ou por textos de terceiros. Também pode indicar o site da marca como fonte de uma informação geral e nem uma vez escrever o nome dela. No texto sobre GEO e AI SEO descrevo de onde o assistente tira o conhecimento sobre a marca: da busca ou da memória do modelo.

Em uma resposta de IA não existe posição, então meço a participação, e não o lugar. A resposta do assistente é gerada do zero a cada vez e não é uma lista de dez resultados. Eli Schwartz resumiu isso em uma frase:

Por isso, em vez de posições, conto em quantas respostas ao meu conjunto de perguntas a marca aparece. O número “a marca está em 3º lugar no ChatGPT” descreve uma resposta de um dia, e a resposta seguinte à mesma pergunta pode mencionar outras marcas, em outra ordem.

Como verificar a visibilidade da marca no ChatGPT e em outros assistentes de IA?

Verifico em seis passos e só calculo no quinto. Os passos anteriores servem para que o número no final seja sobre a marca certa e sobre as perguntas certas.

Passo 1. Verifique se o assistente sabe de qual marca se trata

Antes de calcular qualquer coisa, faço uma pergunta só com o nome da marca e leio a resposta. Se o assistente confunde a marca com outra empresa, todos os números seguintes podem ser sobre a empresa errada. Em uma loja virtual polonesa, a ferramenta de visibilidade em IA mostrou 55 pontos de 100 e 100% de participação, e todas as respostas em que se baseou eram sobre outra empresa conhecida com o mesmo nome. Em outra ferramenta, uma marca cujo nome é uma palavra comum do dicionário recebeu mais de 400 mil páginas com menção, porque a ferramenta contava cada uso da palavra. A marca de comparação tinha menos de 7 mil.

Quando o mesmo nome é usado por uma empresa do mesmo setor, a medição perde o sentido, e quando é usado por alguém de outra área, a medição só fica mais difícil. No primeiro caso, antes de calcular qualquer coisa, organizo a descrição da marca no site e nos perfis, para que o assistente consiga distingui-la. O meu nome e sobrenome são usados, entre outros, por um ator e por um piloto, então a medição da minha marca faz sentido, mas a cada menção verifico se é sobre mim.

Passo 2. Leia os resultados do Google para o nome da marca

A AI Overview e o Modo IA usam o índice do Google, então primeiro verifico o que o Google mostra só para o nome da marca. Em cada resultado do top 10, anoto se controlo a página por inteiro, em parte (por exemplo, um perfil em um site de terceiros) ou de modo nenhum. Para o meu nome e sobrenome, em 3 de outubro de 2026, no Google polonês, eu não controlava por inteiro nenhum dos 10 resultados, e um eu controlava em parte.

Depois procuro nessas páginas as frases que os assistentes repetem sobre a marca. Se a frase está nos resultados, sei de onde o assistente a tira e posso pedir a correção daquela página. Se não está, provavelmente está na memória do modelo, e corrigir páginas não vai mudá-la rápido.

Passo 3. Monte o conjunto de perguntas e não o altere

Pego as perguntas dos dados de demanda e do Search Console, e não de uma tempestade de ideias. Do Search Console escolho as consultas para as quais o site já aparece, e o restante completo com palavras-chave de ferramentas de pesquisa de palavras-chave. A divisão das perguntas por posição da página descrevi no texto sobre estratégia de SEO. Quando, no período de onde tiro as consultas, o site tem no Search Console menos de cerca de 1.000 impressões e 100 consultas diferentes, não derivo perguntas dele, porque de uma amostra tão pequena não escolho perguntas que digam algo sobre o mercado. É um limite orientativo do meu processo, e não o resultado de um teste.

A maioria das perguntas eu monto sem o nome da marca, pelo motivo descrito no texto sobre GEO e AI SEO. A pergunta “X é bom?” mede o que o assistente sabe sobre X, e não se ele recomendaria X a alguém que nunca ouviu falar dele. As perguntas sem o nome da marca monto em três formas (os exemplos são ilustrativos):

• categoria com especificação, por exemplo “escritório de contabilidade para empresa de uma pessoa só em São Paulo”;
• comparação em que só aparece o nome do concorrente, por exemplo “alternativa a [concorrente]”;
• pergunta sobre uma funcionalidade específica, por exemplo “qual aplicativo de notas funciona sem internet”.

As perguntas sobre reputação conto separadamente e não as incluo na visibilidade. “X é uma empresa confiável?” e os pares de perguntas “quem escolher” e “quem evitar” mostram o que o assistente pensa da marca, e não se ele a recomenda. Na loja de que falei no passo 1, os assistentes respondiam à pergunta se era uma loja confiável citando reclamações de clientes.

As perguntas sobre uma marca polonesa faço em polonês e em inglês. No meu teste, parte das subconsultas para perguntas em polonês estava em inglês, como descrevo no texto sobre GEO e AI SEO.

Não altero o conjunto entre as medições. Acrescento as perguntas novas como um grupo separado, porque qualquer mudança na lista estraga a comparação com a medição anterior.

Passo 4. Defina o número de repetições com um teste-piloto e anote quando e onde

O número de repetições não defino de antemão: em um conjunto novo de perguntas, primeiro faço um teste-piloto, em que cada pergunta é feita 10 vezes, todas ao mesmo tempo. É o que recomenda Dmitrij Żatuchin no protocolo Dice Roll Method para consultas repetidas a modelos sobre marcas (arXiv, versão 2 de 14/10/2026). Do piloto calculo o quanto as respostas à mesma pergunta diferem entre si e o quanto as perguntas diferem umas das outras, e disso, quantas repetições são necessárias para o resultado que me interessa. Nessa versão do trabalho, o autor retirou os limites fixos da primeira versão (de 5 a 20 repetições, conforme o tipo de estudo), porque ficou claro que foram calculados com dados de um gerador sintético, e não com dados de estudos.

O piloto costuma dar dois números diferentes: poucas repetições para o resultado de todo o assistente e muito mais para comparar uma pergunta antes e depois de uma mudança. Os números do meu teste e do trabalho de Żatuchin mostro mais abaixo, na parte sobre repetições. A AI Overview foi a mais estável nos meus dados: em 77 de 94 perguntas deu três respostas idênticas, então para ela costuma bastar uma coleta.

Em cada resposta anoto quatro coisas: o assistente, a superfície, a versão do modelo e a data com a hora. A superfície é o lugar em que o modelo responde: o aplicativo de chat, a API, o Modo IA no Google ou a AI Overview. As respostas da API não precisam ser iguais ao que o usuário do aplicativo vê, então não somo os resultados de duas superfícies em um só número.

A hora da resposta permite distinguir o acaso de uma mudança ao longo do tempo. No teste de repetições, o Perplexity citou o site do projeto em 0, 2 e 9 perguntas nas repetições sucessivas, com um número quase constante de menções (33, 36 e 35). O mais provável é que, durante a medição, tenha mudado o acesso ao site, mas a planilha não tinha as horas das respostas, então não dá para verificar. Por isso, nas medições seguintes envio as repetições ao mesmo tempo e anoto a hora de cada resposta.

Passo 5. Conte menções e citações separadamente

O resultado de um assistente é a porcentagem de todas as respostas em que a marca apareceu, separadamente para menção e para citação. Somo as fontes de todas as repetições. As perguntas em que a marca apareceu só em parte das respostas marco como instáveis e não tiro delas conclusões sobre a pergunta individual.

Passo 6. Verifique o que pode invalidar o diagnóstico

Antes de escrever ao cliente o que falta a ele, verifico as situações em que o diagnóstico estaria errado:

• O assistente não recomenda ninguém nessa categoria, por exemplo em perguntas sobre saúde, finanças ou direito. Nesse caso não há uma lacuna que a marca possa preencher.
• O assistente responde de memória, sem pesquisar. Nesse caso, o trabalho no site não vai mudar nada por muito tempo.
• O concorrente que eu mesmo coloquei na comparação não funciona. Em uma medição, quatro domínios em que baseei a tese de que a categoria estava vazia não tinham nem registro DNS, ou seja, o endereço do domínio não levava a nenhum servidor. Zero citações de um concorrente cujo site não funciona não significa espaço livre na categoria.
• A visibilidade em IA sobe e o tráfego do Google no mesmo período cai. A SearchPilot descreve um teste no site da Omio em que uma mudança nas páginas ajudou no tráfego vindo de modelos de linguagem, mas, segundo a estimativa deles, reduziria o tráfego do Google em cerca de 6,5%, então não foi implantada (SearchPilot). Por isso, ao lado das respostas de IA, sempre olho o tráfego do Google.

Depois de cada mudança no site ou na descrição da marca, repito os passos 4 a 6 no mesmo conjunto de perguntas. Só assim o resultado antes e depois da mudança pode ser comparado.

Quais métricas de visibilidade em IA medir?

Para cada assistente meço dois números: a porcentagem de respostas com menção da marca e a porcentagem de respostas com citação do site dela. Somam-se a participação em relação aos concorrentes no mesmo conjunto de perguntas e o número de perguntas instáveis. O tráfego dos assistentes na ferramenta de análise trato como uma medida à parte, porque ele é sempre subestimado: parte das visitas chega sem informação de origem.

Quando contei as menções separadamente, descobri que o relatório sobre a “presença da marca” media citações. Em um dos projetos que conduzo, a medição de 29 de agosto de 2026 abrangeu 94 perguntas, cinco superfícies de IA e três repetições, ao todo 1.410 respostas. O script que a calculava considerava a marca presente só quando entre as fontes estava o site dela, e a descrição do método no relatório falava de presença da marca na resposta. Em outubro contei, nas mesmas respostas, só o nome da marca:

No Perplexity e no Gemini, a marca foi mencionada em mais de um terço das perguntas, e o relatório mostrava 2% e 0%. Os números de menções abrangem 19 perguntas com o nome da marca, então, só nas 75 perguntas sem o nome, são menores: de 21% a 28%, conforme o assistente. Ainda é cerca de um quinto das perguntas em assistentes nos quais o relatório mostrava quase zero. Desde essa análise conto as duas medidas separadamente e exijo o mesmo de todo relatório que recebo.

Menção sem citação e citação sem menção são para mim duas hipóteses diferentes e dois trabalhos diferentes, que descrevo na seção sobre a lacuna de visibilidade. As duas hipóteses verifico com uma mudança e a medição seguinte.

Participação calculada por resposta, e não por citação

A participação da marca entre os concorrentes calculo por resposta, e não por citação, porque as respostas têm um número muito diferente de fontes. Na medição para uma agência de SEO polonesa, 23 respostas a perguntas sobre recomendação de agências tinham de 1 a 13 fontes. A participação calculada por citação daria às respostas com 13 fontes um peso treze vezes maior que às respostas com uma. Calculando por resposta, cada resposta pesa o mesmo, porque o usuário lê uma resposta de cada vez.

A lista de fontes do ChatGPT precisa ser limpa dos resultados de busca que o modelo apenas examinou. A ferramenta com que coleto as respostas do ChatGPT devolve, ao lado das fontes citadas na resposta, também a lista inteira de resultados de busca que o modelo viu. Em uma resposta havia 52 desses resultados e 7 fontes citadas. Nas mesmas 23 respostas, depois de descartar essa lista, o número de citações caiu de 279 para 181, e a lista de lugares em que vale a pena aparecer, de 10 para 6 posições.

Quantas repetições bastam?

No meu teste, três repetições de cada pergunta bastaram para o resultado de todo o assistente, mas não para avaliar uma pergunta individual. No teste de repetições, cerca de metade das perguntas em que a marca apareceu ao menos uma vez teve resultado instável: no ChatGPT, 18 de 36 na citação do site (todas as 94 perguntas), e no Modo IA, 16 de 29 na menção em perguntas sem o nome da marca. A pergunta que em uma rodada “tem a marca” pode não tê-la na seguinte.

• 13%Esta é a parcela das perguntas sem o nome da marca que seria avaliada de forma errada no ChatGPT (a marca é mencionada ou não) com três repetições. Com uma pergunta feita uma vez, 21%; com cinco, 9%; com sete, 8%.Estimativa de um modelo com dados de 1.410 respostas, 14/10/2026
• 1,5 p.p.Este é o erro típico (desvio padrão) da porcentagem de respostas com menção da marca no ChatGPT com três repetições, em perguntas sem o nome da marca. Com cinco, 1,2 p.p.Estimativa de um modelo com dados de 1.410 respostas, 14/10/2026
• 0,33Mediana da semelhança das listas de domínios citados entre duas repetições da mesma pergunta no ChatGPT e no Modo IA: a parte comum dividida por todos os domínios das duas listas (1 significa listas idênticas). No Perplexity, 0,92.Teste de repetições, 14/10/2026
• 77 de 94Nesse número de perguntas, a AI Overview deu três respostas idênticas.Teste de repetições, 14/10/2026

De três para cinco repetições, o resultado do assistente melhorou, no meu teste, menos de um ponto percentual, então para esse resultado costumo ficar em três. É uma estimativa de um modelo estatístico ajustado a um projeto, uma janela de medição e dois assistentes (ChatGPT e Modo IA), e não uma medição, e por isso, em um conjunto novo, eu a verifico com um piloto. Żatuchin tem um resultado parecido: em 250 perguntas diferentes, uma ou duas repetições já davam um coeficiente de confiabilidade de 0,80, e cinco repetições, 0,96 (1 significa que as médias das repetições, sem erro, distinguem as perguntas umas das outras).

Para comparar uma pergunta antes e depois de uma mudança no site, são necessárias de 15 a 25 repetições, e não três. Segundo as simulações de Żatuchin, com cinco repetições a chance de detectar uma mudança grande em uma única pergunta é de apenas 15-19%, e só chega a 80% com 15-25 repetições. Os dados dele são sobre a recomendação de marcas por modelos consultados pela API, então esse número também verifico com um piloto no caso de respostas com busca.

Não uso a lista de fontes de uma só repetição, porque no ChatGPT e no Modo IA a parte comum de duas repetições da mesma pergunta costuma ser apenas um terço de todos os domínios citados nas duas. A lista de lugares em que a marca deve aparecer monto a partir de todas as repetições, com o número de ocorrências de cada domínio.

As fontes também podem mudar de uma semana para outra. A SISTRIX acompanhou 82.619 perguntas por 17 semanas em seis países (sem a Polônia), e no ChatGPT mudava de uma semana para outra até 74% das fontes citadas; é o valor máximo, e não a média (SISTRIX, 1/05/2026). Por isso só aceito uma mudança nas fontes quando ela se repete na medição seguinte.

Como funcionam as ferramentas de medição da visibilidade em IA e como escolhê-las?

As ferramentas de visibilidade em IA fazem o mesmo que a medição manual: fazem aos assistentes um conjunto de perguntas, salvam as respostas e contam onde a marca aparece. Elas se diferenciam por quem define as perguntas, quantas vezes as fazem e o que contam. Tiro os dados de três tipos de fontes:

Os números absolutos crescem junto com o índice da ferramenta

O número de citações em uma ferramenta pode subir metade em uma semana, embora a participação da marca não mude. Em um relatório do Ahrefs sobre o número de respostas de IA que citam um domínio, baseado na base de perguntas do Ahrefs, comparei duas leituras de duas grandes lojas virtuais na Alemanha, de 26 de julho e de 2 de agosto de 2026. O número de citações delas no ChatGPT subiu nesse período 50% nas duas, e a participação de uma delas no total de citações das duas lojas quase não mudou: 34,2% e 34,1%. No Perplexity, os números subiram 68% e 185%. O mais provável é que tenha crescido a base da ferramenta, e não a visibilidade dessas marcas. São duas marcas, uma ferramenta e uma semana.

Por isso, das ferramentas tiro a participação, e não os números absolutos, e só para os assistentes em que a participação, na minha comparação, não mudou mais de meio ponto percentual. Foi assim no ChatGPT, na AI Overview, no Modo IA e no Grok (assistente da empresa xAI), e no Perplexity, no Gemini e no Copilot a participação mudou cerca de 3 a 11 pontos percentuais. É uma comparação de uma semana, então presumo estabilidade até que a leitura seguinte a contradiga.

O que verifico antes de escolher uma ferramenta

Antes de escolher uma ferramenta, verifico sete coisas:

1. Se mostra menção e citação separadamente.
2. Se posso acrescentar perguntas próprias e mantê-las sem alteração por muitos meses.
3. Quantas vezes faz cada pergunta e se mostra quais perguntas são instáveis.
4. Se registra a versão do modelo, a superfície e a data de cada resposta.
5. Se atende o meu mercado e o meu idioma.
6. Se mostra as respostas completas, para que eu possa verificar se é sobre a marca certa.
7. Se informa a participação no mesmo conjunto de perguntas, e não só números absolutos.

Não reporto as avaliações de sentimento de um classificador que testei. Em um caso, ele marcou como negativa uma resposta que terminava com o veredito “X é uma escolha melhor para a maioria das equipes”. O sentimento avalio lendo o próprio trecho da resposta, ou não escrevo nada sobre ele.

Para mim, uma única “pontuação de visibilidade em IA” de uma ferramenta não é um objetivo. Ela junta menções, citações e assistentes diferentes, então não dá para ler nela o que mudou. O número de uma ferramenta sempre apresento junto com uma medida de negócio: consultas de clientes, vendas ou tráfego do Google.

Fontes gratuitas: Bing e Google

O Bing Webmaster Tools mostra de graça quantas vezes o Copilot e as respostas de IA no Bing citaram as suas páginas. O relatório AI Performance foi anunciado em 10 de fevereiro de 2026 como versão de teste. Mostra o número de citações, o número de páginas citadas por dia, as citações de cada endereço e uma amostra das frases com que a IA buscou conteúdo antes de citá-lo (Bing Webmaster Blog). São dados só do Bing e do Copilot, então não substituem a medição no ChatGPT.

O Search Console mostra as impressões das páginas na AI Overview e no Modo IA, mas não diz se a marca foi mencionada pelo nome. O Google disponibilizou esse relatório a parte dos sites em junho de 2026 e, a partir de 31 de agosto de 2026, a todos (Google Search Central, Ajuda do Search Console). A descrição do relatório fala de impressões por páginas, países, datas e dispositivos, e não descreve menções no texto da resposta nem as perguntas que as provocaram. É uma boa verificação do lado do Google, mas não é uma medição de menções.

Medição própria pela API

A medição própria pela API custa pouco, mas exige tempo de preparação e de verificação. Uma rodada de 14 perguntas em quatro superfícies (ChatGPT com busca, Modo IA do Google, e Gemini e Perplexity pela API), ao todo 56 respostas, me custou 0,82 USD em taxas de API, dos quais 0,63 USD couberam ao Gemini (o primeiro desses números informei no texto sobre GEO e AI SEO). Foi a primeira das três rodadas de medição para a agência de SEO, e a medição inteira, com 180 respostas, custou cerca de 2,8 USD. Com essas tarifas, um conjunto de 100 perguntas em quatro superfícies com três repetições, ou seja, 1.200 respostas, custaria cerca de 18-19 USD por medição, em sua maior parte pelo Gemini. Um piloto com dez repetições no mesmo conjunto são 4.000 respostas e cerca de 60 USD, uma única vez. O tempo vai para montar as perguntas, verificar se o assistente não confunde a marca com outra e ler as respostas. No texto sobre ferramentas de IA em SEO descrevi os testes depois dos quais calculo os números dessas medições com um script, e não com um modelo.

O que faço quando a medição mostra uma lacuna de visibilidade?

A medição mostra em que situação a marca está, e disso depende o que faço:

• A marca não está nem nas menções nem nas fontes, e o assistente pesquisa na web: trabalho na visibilidade do site no Google para essas perguntas e as variantes delas. Começo verificando se os robôs dos assistentes recebem a página, como na auditoria de SEO.
• A marca é mencionada, mas o site dela não é citado: corrijo os trechos da página para que respondam à pergunta sem o restante do texto.
• O site é citado, mas a marca não é mencionada pelo nome: trabalho no que os outros escrevem sobre a marca, porque provavelmente é dos textos de terceiros que o assistente sabe quem recomendar. No texto sobre link building na era da IA descrevi como planejo as menções em sites que a IA já cita.
• O assistente responde de memória e dá fatos desatualizados ou falsos: primeiro uma descrição única e coerente da marca nos próprios canais, depois publicações em lugares editados por outras pessoas. Não prometo efeito em um trimestre.

O efeito de cada um desses trabalhos verifico com a medição seguinte no mesmo conjunto de perguntas, porque nenhum deles dá garantia. No texto sobre GEO e AI SEO descrevi quais dessas ações têm prova e quais são um conselho popular sem medição. Lá estão também os meus testes que não confirmaram vários desses conselhos.

O que a medição da visibilidade em IA não diz?

A medição não diz quantas pessoas viram a marca nas respostas de IA. A porcentagem diz respeito ao meu conjunto de perguntas, e não a todas as conversas com os assistentes, cujo número eu não conheço.

Também não diz por que o assistente escolheu uma marca e não outra. O diagnóstico da medição é uma hipótese que verifico com uma mudança e com a medição seguinte no mesmo conjunto.

O resultado de um único dia não é uma tendência. Os fornecedores mudam os modelos e o modo de busca, e as mudanças nem sempre são anunciadas, então comparo só medições com a mesma superfície e a versão do modelo registrada, e só aceito uma mudança quando ela se repete na medição seguinte.

Para a Polônia faltam dados sobre quais assistentes as pessoas usam. Não encontrei uma pesquisa polonesa sobre a frequência de uso de cada assistente, então não sei que peso tem o resultado em cada um deles. Por isso mostro o resultado de cada assistente separadamente e não os junto em uma média.

O que meço na minha própria marca?

Na rogala.pro meço o mesmo que nos clientes, mas a primeira medição (o ponto zero), de 26 de julho de 2026, fiz com um método mais fraco. Ela teve uma resposta por pergunta e não abrangeu os resultados do ChatGPT. O ponto zero e o que mudei desde então descrevi no texto sobre GEO e AI SEO. Em 25 de agosto configurei no Ahrefs Brand Radar a verificação diária de quatro perguntas do ponto zero no ChatGPT para a Polônia. Os resultados dessa verificação diária não descrevo enquanto não os comparar com a medição de 1º de novembro. A primeira medição pelo método deste texto planejei para 1º de novembro de 2026 como piloto: as mesmas quatro perguntas em quatro superfícies, cada uma 10 vezes. O resultado descreverei nos dois textos, inclusive se for zero.

Perguntas frequentes sobre a visibilidade da marca em IA

Por onde começar?

A primeira medição você pode fazer sozinho em uma hora, sem uma ferramenta paga. Faça ao assistente uma pergunta só com o nome da marca e verifique se ele sabe de quem se trata. Escolha no Search Console dez consultas para as quais o seu site aparece, faça-as sem o nome da marca três vezes no ChatGPT e no Modo IA do Google e anote separadamente onde a marca é mencionada pelo nome e onde o site dela é a fonte. Isso dá uma imagem de todo o conjunto; sobre as perguntas individuais, só um piloto com dez repetições dirá mais. Se o resultado surpreender você, é um bom tema para uma consultoria.