Como medir a visibilidade de uma marca nas IAs: o método, passo a passo

Medir a visibilidade de uma marca nas IAs é contar em quantas respostas, de um conjunto grande, ela aparece. O método tem cinco decisões: quais perguntas fazer, em qual ambiente, quantas vezes, como extrair as marcas e como ler a margem de erro. Com 1.000 respostas por pergunta, a presença de cada marca é medida com margem de até ±3,1 pontos percentuais, segundo o estudo metodológico FA-MET-01, “Como medir o que uma IA recomenda”, publicado pela First Answer em abril de 2026, com 7.000 chamadas na interface do ChatGPT.

Este guia junta o que já foi medido sobre o assunto. Ele não substitui uma ferramenta, mas dá a régua para avaliar qualquer número de “visibilidade em IA” que aparecer na sua frente, inclusive os que eu publico. Uma declaração antes: sou co-fundador e CTO da First Answer, que fez os estudos FA-MET citados aqui.

Por que um print não mede nada

A mesma pergunta, feita duas vezes à mesma IA, traz marcas diferentes. A SparkToro testou isso com 600 voluntários, que rodaram 12 perguntas no ChatGPT, no Claude e na IA do Google 2.961 vezes, entre novembro e dezembro de 2025. Conclusão de Rand Fishkin: a chance de o ChatGPT ou a IA do Google darem a mesma lista de marcas em duas respostas é menor que 1 em 100. Na mesma ordem, perto de 1 em 1.000.

Isso não quer dizer que não haja padrão. Quer dizer que o padrão só aparece em escala. Expliquei os motivos da variação em por que a IA dá uma resposta diferente a cada pergunta. Aqui o assunto é o que fazer com ela.

O que medir: presença, posição e citação

• Presença: a porcentagem de respostas em que a marca aparece. É a métrica principal, porque é a que converge para um valor estável quando a amostra cresce.
• Posição: em que ordem a marca aparece. É bem mais instável. No estudo da SparkToro, o hospital City of Hope apareceu em 69 de 71 respostas do ChatGPT (97%), mas foi o primeiro citado em só 25 delas.
• Citação: quando a resposta traz link para uma página. Mostra quais fontes a IA usou, o que é diferente de mencionar a marca no texto.
• Share of voice: a fatia das menções da categoria que fica com cada marca. Sai da mesma contagem da presença.

Passo 1: escolha as perguntas que o seu cliente faria

Escreva as perguntas como um consumidor digitaria, sem o nome da sua marca. É o que os estudos FA-MET fazem: uma pergunta fixa por experimento, na linguagem de quem está escolhendo um produto.

Uma pergunta só não representa uma categoria, porque as pessoas perguntam de jeitos muito diferentes. A SparkToro pediu a 142 pessoas que escrevessem uma pergunta sobre fones de ouvido, e a similaridade semântica média entre elas foi de 0,081, perto de zero. Monte um conjunto de perguntas por tema, cobrindo as formulações que o seu cliente usa.

Passo 2: declare o ambiente

O mesmo modelo responde coisas diferentes conforme o lugar onde a pergunta é feita. O segundo estudo da série, o FA-MET-02, “API ou interface, eis a questão”, fez a mesma pergunta 1.000 vezes pela API do ChatGPT, o acesso usado por desenvolvedores, e 1.000 vezes pela interface que o consumidor usa, no mesmo dia e com a mesma ferramenta de busca:

• 12 das 15 marcas mais relevantes tiveram diferença significativa entre os dois ambientes.
• Uma marca foi de 11,1% na API para 92,6% na interface. Outra, de 66,5% para 6,4%.
• Das 56 marcas observadas, 64% apareceram em só um dos ambientes.

Medir pela API é mais barato e mais fácil de automatizar, mas mede outro sistema. Se a pergunta é “o que o consumidor vê”, a medição precisa ser feita onde ele está. E cada IA é um ambiente à parte: ChatGPT, Gemini, Perplexity e as respostas de IA do Google precisam ser medidos um a um.

Passo 3: defina o tamanho da amostra pelo objetivo

A precisão depende só do número de chamadas e da presença da própria marca. A tabela abaixo é do FA-MET-01, com margens para 95% de confiança:

Objetivo	Chamadas por pergunta	O que entrega
Diagnóstico inicial	100 a 200	Se o mercado é concentrado e quem está no topo (±7 a 10 pp)
Hierarquia visível	1.000	Presença com até ±3 pp; ordem confiável entre marcas separadas por mais de ~6 pp
Mudança entre rodadas	1.000 por rodada	Mudanças acima de ~4,4 pp (presença perto de 50%) se separam do ruído
Precisão de ±1 pp	~9.600	Presença com ±1 pp em qualquer nível
Cauda até 0,1%	~3.000	95% de chance de ver ao menos uma vez cada marca com 0,1% de presença

O estudo testou se a conta vale na prática. Ao estender um experimento de 1.000 para 5.000 chamadas, nenhuma das dez marcas principais saiu da margem prevista, e a maior variação foi de 2,9 pontos.

A curva explica por que não vale a pena perseguir precisão demais. Para dividir a margem por dois, é preciso quadruplicar as chamadas: sair de ±3,1 para ±1 ponto custa quase dez vezes mais coleta.

Passo 4: colete em conversas novas e normalize as marcas

Cada chamada precisa ser independente. Nos estudos FA-MET, cada pergunta foi feita numa conversa nova, para que a resposta anterior não influencie a seguinte.

Depois vem a extração: identificar todas as marcas citadas em cada resposta e juntar as variações de nome na marca-mãe. Sem essa normalização, “Marca X” e “Marca X Brasil” viram duas marcas, e a presença das duas sai subestimada.

Passo 5: leia a margem antes de ler o número

Toda presença medida vem com um intervalo. Com 1.000 chamadas, uma marca medida em 50% está, com 95% de confiança, entre cerca de 47% e 53%. Os estudos FA-MET usam o intervalo de Wilson, que se comporta bem também perto de 0% e de 100%.

Duas consequências práticas:

• Diferenças pequenas não são mudança. Entre duas rodadas de 1.000 chamadas, variações abaixo de ~4 pontos devem ser tratadas como ruído.
• A cauda engana. No experimento de 5.000 chamadas, 29% das marcas raras que apareceram nas primeiras 1.000 não voltaram nas 4.000 seguintes. Uma marca que apareceu uma ou duas vezes não está “presente”.

Passo 6: complete com o que o Google mostra

Desde 3 de junho de 2026, o Search Console tem um relatório de IA generativa com as impressões do site nos AI Overviews, no AI Mode e no Discover. É o único dado oficial de uma plataforma, mas cobre só o Google, mostra impressões e não cliques, e começou pelo Reino Unido, sem data para o Brasil. Detalhei o relatório neste post.

As duas fontes se completam. O Search Console diz quantas vezes páginas do seu site apareceram. A amostragem diz se a sua marca é recomendada, inclusive quando a IA não linka para você.

O que esta medição não mostra

• O modelo exato. Na interface do ChatGPT, sem login, não dá para fixar nem registrar qual modelo respondeu.
• A composição em outro contexto. A regularidade estatística deve valer para outros modelos e ambientes. Quais marcas sobem ou descem, não necessariamente.
• O usuário logado. Os estudos FA-MET não testaram histórico, memória ou personalização.
• O porquê. A contagem diz quem aparece, não por que aparece. Para isso é preciso olhar as fontes citadas.

Como avaliar qualquer número de visibilidade em IA

Antes de acreditar num relatório, inclusive num meu, peça quatro informações:

1. Quantas respostas foram coletadas por pergunta e por IA.
2. Em qual ambiente: API ou interface, logado ou não.
3. Qual a margem de erro de cada número.
4. Quais perguntas foram usadas e quem as escreveu.

São as mesmas perguntas que listei no guia para avaliar um especialista em GEO, e boa parte delas virou cláusula no padrão de GEO publicado na China. Um número sem essas quatro respostas é uma anedota com formatação de dado.

A régua em uma frase

Visibilidade em IA é uma porcentagem com margem, não uma posição: muitas perguntas, ambiente declarado, amostra do tamanho do objetivo e nenhuma conclusão tirada de uma resposta só.