Marca citada em 98,4% das respostas de IA tinha evidência fraca em 73,7% delas

Uma empresa que aparecia em 98,4% das respostas de cinco plataformas de inteligência artificial, e figurava como recomendação principal ou finalista em 93,2% delas, tinha evidência fraca ou ausente para sustentar afirmações importantes sobre si em 73,7% dessas mesmas respostas. O resultado vem de um projeto recente que avaliou 190 respostas a 38 perguntas detalhadas, montadas a partir de critérios de compra.

O caso foi descrito numa análise publicada pelo Search Engine Journal em 11 de novembro. Nos últimos dois anos, a conversa sobre busca com IA se concentrou em saber se a marca é citada no ChatGPT, no Gemini, no Claude, no Perplexity e no Google. A empresa estudada já entrava com frequência nas listas de opções geradas por IA. A preocupação estava no que vinha depois, quando o comprador seguia a conversa, e no volume de oportunidades de venda, que vinha caindo.

As perguntas foram feitas de propósito diferentes das amplas, do tipo "melhor fornecedor". Refletiam o que o comprador usa para afunilar a escolha: encaixe no fluxo de trabalho, integrações, exigências regulatórias, interoperabilidade, condições de operação, análise de dados e amplitude da plataforma. Em 15,8% das execuções, alguma associação, critério de decisão ou diferencial competitivo apresentou lacuna classificada como significativa ou crítica.

Visibilidade e prontidão para a decisão medem etapas diferentes

Segundo a análise, os números não se contradizem. As IAs sabiam que a empresa pertencia à conversa, mas eram bem menos consistentes em sustentar por que ela deveria continuar ali quando o comprador aplicava critérios específicos. A presença garante a entrada na lista; a informação disponível decide se a marca permanece nela.

Evidência fraca nem sempre significava falta de capacidade. Em muitos casos, a empresa parecia ter o recurso, mas a informação publicada não o explicava bem. Havia promessa de processo de ponta a ponta sem mostrar as etapas, as conexões e o caminho dos dados entre sistemas, e ganhos de eficiência sem prova de testes internos ou depoimentos de clientes.

Outro ponto foi a fragmentação. O modelo precisava ligar a página do produto à de integrações e a uma terceira, de interoperabilidade, para deduzir se o requisito era atendido. Cada dedução extra abre espaço para uma representação incompleta ou para que um concorrente com evidência mais clara vire a recomendação mais segura.

Documentação própria basta em alguns casos

A análise aponta que evidência vinda só da própria empresa não foi, por si, um defeito. A documentação oficial do produto pode ser a melhor prova de que um recurso ou uma integração existe. Já as afirmações de superioridade, eficácia, adoção, escala, resultado mensurável ou diferenciação ganhavam com confirmação independente de clientes, do setor, do governo ou de analistas.

O texto também critica o conteúdo que apenas iguala o dos concorrentes. Se todos dizem ser integrados, escaláveis e eficientes, isso ajuda a marcar presença na categoria, mas pouco serve quando a IA precisa entender o que cada promessa cobre. E alerta contra fabricar conteúdo com cara de evidência, como páginas mais longas, diagramas superficiais, pesquisas fracas e estudos de caso gerados por IA.

O que isso muda para quem cuida de marca

Medir só a primeira resposta da IA deixa de fora a etapa em que a escolha se aprofunda. O autor reconhece que não conseguiu provar que a lacuna de evidência causou cada venda perdida, mas afirma que um modelo de medição baseado só em visibilidade não teria encontrado o problema. Fechar essas lacunas exige conhecimento de produto, engenharia, vendas e das equipes que atendem clientes, que o time de conteúdo organiza e torna explícito, sem inventar.