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

Rodrigo Beckmann · Publicado em 2026-11-13 · Categoria: [GEO](https://rodrigobeckmann.com/blog/categoria/geo/) · Versão HTML: https://rodrigobeckmann.com/blog/como-medir-visibilidade-em-ia/

Medir visibilidade em IA é contar, em centenas de respostas, com que frequência a marca aparece. Quais perguntas fazer, em que ambiente, quantas vezes e como ler a margem de erro.

## Em resumo

- Medir a visibilidade de uma marca numa IA é contar em quantas respostas, de um conjunto grande, ela aparece. Uma resposta isolada não mede nada: segundo a SparkToro, a chance de o ChatGPT ou a IA do Google repetirem a mesma lista de marcas em duas respostas é menor que 1 em 100.
- Com 1.000 chamadas, a presença de cada marca é medida com margem de até ±3,1 pontos percentuais, segundo o estudo metodológico FA-MET-01, de abril de 2026, com 7.000 chamadas na interface do ChatGPT.
- O ambiente também precisa ser declarado: no estudo FA-MET-02, a mesma pergunta feita 1.000 vezes pela API e 1.000 vezes pela interface do ChatGPT mudou de forma significativa 12 das 15 marcas mais relevantes.

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"](https://rodrigobeckmann.com/pesquisa/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](https://sparktoro.com/blog/new-research-ais-are-highly-inconsistent-when-recommending-brands-or-products-marketers-should-take-care-when-tracking-ai-visibility/) 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](https://rodrigobeckmann.com/blog/por-que-ia-muda-resposta). 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"](https://rodrigobeckmann.com/pesquisa/api-ou-interface), 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.

![Gráfico de barras com a margem de erro da presença de uma marca medida em 50%, com 95% de confiança: 100 chamadas, ±9,8 pontos; 200, ±6,9; 500, ±4,4; 1.000, ±3,1; 2.000, ±2,2; 5.000, ±1,4; cerca de 9.600, ±1,0. Para dividir a margem por dois, é preciso quadruplicar as chamadas.](https://rodrigobeckmann.com/blog/how-to-measure-ai-visibility-margin.pt.svg)

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](https://developers.google.com/search/blog/2026/06/gen-ai-performance-reports) 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](https://rodrigobeckmann.com/blog/search-console-relatorio-ia).

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](https://rodrigobeckmann.com/blog/especialista-geo-brasil), e boa parte delas virou cláusula no [padrão de GEO publicado na China](https://rodrigobeckmann.com/blog/china-padrao-geo). 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.

## Perguntas frequentes

### Como saber se minha marca aparece no ChatGPT?

Fazendo a mesma pergunta muitas vezes, cada uma numa conversa nova, e contando em quantas respostas a marca aparece. Uma pergunta só não basta: segundo a SparkToro, a chance de o ChatGPT repetir a mesma lista de marcas em duas respostas é menor que 1 em 100.

### Quantas vezes preciso rodar um prompt para medir a presença de uma marca?

Depende do objetivo. Segundo o estudo metodológico FA-MET-01, de abril de 2026, com 7.000 chamadas na interface do ChatGPT, 100 a 200 chamadas mostram se o mercado é concentrado e quem está no topo, com margem de ±7 a 10 pontos; 1.000 chamadas medem cada marca com até ±3,1 pontos; ±1 ponto pede cerca de 9.600.

### Medir pela API do ChatGPT dá o mesmo resultado que medir pela interface?

Não. No estudo FA-MET-02, com a mesma pergunta e a mesma ferramenta de busca, 12 das 15 marcas mais relevantes tiveram diferença significativa entre a API e a interface, e 64% das 56 marcas observadas apareceram em só um dos dois ambientes.

### O que é share of voice em IA?

É a fatia das menções de uma categoria que fica com cada marca, num conjunto de respostas de IA. Ele deriva da mesma contagem da presença, que é a porcentagem de respostas em que a marca aparece, e herda as mesmas exigências: amostra grande, ambiente declarado e margem de erro.

### O Google Search Console mede a visibilidade nas respostas de IA?

Em parte. O relatório de IA generativa, lançado em 3 de junho de 2026, mostra impressões do site nos AI Overviews, no AI Mode e no Discover. Não mostra cliques, posição nem concorrentes, e não cobre ChatGPT, Perplexity ou o app do Gemini.

## Fontes

1. [FA-MET-01: Como medir o que uma IA recomenda](https://rodrigobeckmann.com/pesquisa/como-medir-o-que-uma-ia-recomenda) — First Answer, 30 abr 2026 · fonte principal
2. [FA-MET-02: API ou interface, eis a questão](https://rodrigobeckmann.com/pesquisa/api-ou-interface) — First Answer, 30 abr 2026
3. [NEW Research: AIs are highly inconsistent when recommending brands or products; marketers should take care when tracking AI visibility](https://sparktoro.com/blog/new-research-ais-are-highly-inconsistent-when-recommending-brands-or-products-marketers-should-take-care-when-tracking-ai-visibility/) — SparkToro, 28 jan 2026
4. [Introducing Search Generative AI performance reports in Search Console](https://developers.google.com/search/blog/2026/06/gen-ai-performance-reports) — Google Search Central Blog, 03 jun 2026

**Rodrigo Beckmann** — Especialista em GEO, co-fundador e CTO da First Answer. [Mais sobre o autor](https://rodrigobeckmann.com/sobre/)