Quando você faz uma pergunta ao ChatGPT, a resposta passa por três movimentos: o modelo interpreta o que você pediu, às vezes busca fatos na web para complementar o que já sabe e depois gera o texto pedaço a pedaço, escolhendo o próximo com base em probabilidade. A sua marca pode entrar ou cair em qualquer um desses momentos. Descobrir em qual deles ela some é o que transforma um "a IA me ignora" num diagnóstico que dá para consertar.
A resposta de uma IA generativa é construída na hora, não consultada de uma gaveta. Não existe um arquivo com a resposta pronta que o modelo abre e lê. Cada resposta é montada palavra a palavra, a partir de padrões que o modelo aprendeu no treino e, quando a busca está ativa, de trechos que ele recupera da web naquele instante. É por isso que a mesma pergunta gera respostas diferentes e que a sua marca aparece numa rodada e some na seguinte.
Como o ChatGPT monta uma resposta, passo a passo?
O caminho da pergunta até o texto final tem etapas bem definidas. Elas não são visíveis para quem usa o chat, mas conhecer a sequência ajuda a enxergar onde a sua marca ganha ou perde espaço.
- Interpretação. A sua pergunta vira tokens e o modelo identifica que tipo de resposta ela pede.
- Recuperação (quando há busca). Se o assunto pede informação recente, o modelo consulta a web e traz trechos de páginas para dentro do contexto.
- Geração. O modelo escreve a resposta um token de cada vez, escolhendo o próximo por probabilidade.
Cada etapa é uma porta por onde a sua marca pode passar ou onde pode ficar de fora. Vamos por partes.
O que acontece quando a sua pergunta vira tokens?
Antes de processar qualquer coisa, o modelo quebra o seu texto em tokens. O modelo não lê letras soltas nem frases inteiras de uma vez, ele lê essa sequência de pedaços. "Contabilidade" pode ser fatiada em dois ou três tokens; "RH" costuma ser um só.
A forma como a pergunta é escrita orienta o resto do processo. "Quais as melhores agências de marketing em São Paulo?" empurra a geração para uma lista de recomendações. "A [sua marca] é confiável?" empurra para a avaliação de uma empresa específica. O modelo não tem um botão que classifica a intenção, mas os tokens da pergunta condicionam quais tokens têm mais probabilidade de vir depois. Uma pergunta de categoria abre espaço para várias marcas competirem pelo lugar. Uma pergunta que já cita o seu nome praticamente garante que você apareça, só que aí a resposta fala de você porque você perguntou por você, não porque o modelo escolheu você entre concorrentes.
É também aqui que um assistente com acesso à web decide se vale a pena buscar. Perguntas sobre fatos recentes ou muito específicos costumam disparar uma busca. Perguntas gerais o modelo tende a responder direto da memória do treino.
Quando a IA busca na web, o que ela faz com o resultado?
Nem toda resposta passa por esta etapa. Quando passa, o modelo dispara uma busca, lê algumas páginas e injeta trechos delas no contexto antes de escrever. Esse mecanismo de recuperar documentos para embasar a resposta é o que se chama de RAG (Retrieval-Augmented Generation), e a ancoragem do texto nesses trechos concretos é o grounding. A diferença entre responder pela memória do treino e responder pela busca ao vivo muda tudo para a sua marca, e está detalhada em dados de treino x busca na web.
Para a sua marca, a recuperação é uma segunda chance. Mesmo que o modelo não tenha memorizado você no treino, uma página sua clara e rastreável pode ser puxada na hora e virar a fonte da resposta. O contrário também acontece: se a busca traz um comparativo de concorrentes que não menciona você, a geração vai se apoiar nesse material e a sua ausência se propaga para o texto final.
Por que a IA gera o texto palavra por palavra?
Com a pergunta interpretada e os fatos recuperados (quando há), o modelo começa a escrever. E escreve de um jeito que surpreende quem imagina a IA formulando a resposta inteira antes de falar: ela gera um token, usa tudo que veio antes para calcular o próximo e repete até terminar. A cada passo existem milhares de tokens candidatos, cada um com uma probabilidade própria. O modelo escolhe um deles.
Essa escolha nem sempre recai sobre a opção mais provável. O modelo amostra de uma distribuição de possibilidades, o que introduz variação de propósito e faz o texto soar natural em vez de mecânico. O efeito colateral é que a mesma pergunta pode render respostas diferentes a cada rodada, um comportamento explicado em por que o ChatGPT muda de resposta.
Chegamos à parte que mais pesa para visibilidade: aparecer na resposta não é ligar ou desligar um interruptor, é uma probabilidade. A sua marca pode ser a candidata provável para preencher "a melhor empresa de X" em sete rodadas de dez e perder o lugar para um concorrente nas outras três. Uma consulta única nunca conta a história inteira.
Onde a sua marca entra e onde ela some?
Junte as três etapas e fica claro que existem três portas por onde a sua marca passa, e três lugares onde ela pode ficar de fora.
| Etapa | Como a marca entra | Como a marca some |
|---|---|---|
| Interpretação | A pergunta cita o seu nome ou a sua categoria de forma clara | A pergunta é de categoria e o modelo tem muitos candidatos, sem motivo para lembrar de você |
| Recuperação | Uma página sua rastreável e clara é puxada pela busca | A busca traz fontes de terceiros que não mencionam a sua marca |
| Geração | Você é a candidata provável para aquele trecho, por presença no treino ou na busca | Um concorrente mais citado tem probabilidade maior e ocupa o seu lugar |
A leitura prática é que a invisibilidade quase nunca tem uma causa única. Uma marca pode ser recuperada pela busca e mesmo assim ser preterida na geração, porque um concorrente aparece com mais peso no material. Outra pode ter ótimo conteúdo próprio e sumir porque nada fora do site dela a menciona, então a recuperação nunca a encontra. Diagnosticar em qual porta a sua marca trava é o primeiro passo para agir, e é por isso que "a IA não me cita" é sintoma, não diagnóstico. As causas mais comuns estão destrinchadas em por que a sua marca some do ChatGPT.
Como usar esse mapa para melhorar a visibilidade da sua marca?
O pipeline vira estratégia quando você para de olhar uma resposta isolada e começa a olhar o padrão. Se a sua marca some na interpretação, o trabalho é de categoria: construir presença para o modelo associar o seu nome ao seu mercado. Se some na recuperação, o trabalho é de rastreabilidade e de cobertura em fontes externas. Se some na geração, é questão de peso: aparecer em mais fontes, com mais consistência, até a sua probabilidade subir. Esse conjunto de práticas para ser citado e recomendado pelos motores de resposta tem nome, GEO (Generative Engine Optimization).
Medir isso à mão é inviável, porque cada resposta é um sorteio e você precisa de frequência, não de fotos avulsas. A Promptis roda as perguntas do seu mercado contra a IA em ciclos regulares, calcula com que frequência a sua marca aparece, mostra onde ela perde para os concorrentes e transforma o comportamento probabilístico do modelo num número que dá para acompanhar e mover ao longo do tempo. Para entender como as IAs funcionam por dentro antes de agir, o hub de fundamentos de GEO reúne o resto da base.
