Modelo de fundação: o que é e por que afeta sua marca

Um modelo de fundação é um sistema de IA treinado em grandes quantidades de texto antes de qualquer especialização para uma tarefa específica. Ele aprende padrões de linguagem, conceitos, nomes e relações entre eles a partir desse material, e depois serve de base para uma variedade de produtos: chatbots, assistentes de busca, ferramentas de geração de conteúdo. Um LLM (large language model, ou modelo de linguagem de grande porte) é o tipo de modelo de fundação mais comum hoje, e é ele que está por baixo do ChatGPT, do Gemini e da maioria dos assistentes que os seus clientes usam no cotidiano.

O que importa para a visibilidade da sua marca é o seguinte: o que esses modelos aprendem durante o treino define com que probabilidade o seu nome aparece nas respostas dos assistentes. E como o mesmo modelo de fundação alimenta muitos produtos ao mesmo tempo, construir presença consistente no conteúdo da web beneficia vários desses produtos de uma vez, não apenas um. Esse é o ponto de partida de qualquer trabalho de GEO (Generative Engine Optimization) que faz diferença real.

O que é um modelo de fundação, exatamente?

A expressão "modelo de fundação" descreve o modelo na sua forma base, antes de qualquer ajuste para uma tarefa específica. O processo começa com um treino inicial em grandes volumes de texto coletado da internet, de livros e de outras fontes. Nessa fase, o modelo não aprende a responder perguntas de forma direta: ele aprende padrões de linguagem, aprende que certos nomes e conceitos aparecem juntos com frequência, aprende como informações de um domínio se conectam com as de outro. O resultado é um modelo com conhecimento amplo, mas sem um comportamento ainda definido para seguir instruções ou manter um tom específico.

Esse resultado, o modelo treinado mas ainda "bruto", é a fundação. Quem quiser usar esse modelo num produto precisa ajustá-lo, num processo chamado fine-tuning, para que ele responda a perguntas de forma direta, mantenha o contexto de uma conversa e siga diretrizes de tom e segurança. O ChatGPT, o Gemini e os demais assistentes que você conhece são fundações ajustadas para esse comportamento conversacional, não modelos treinados do zero para serem chatbots. O trabalho de construir presença para a sua marca na web atua diretamente no que entra na fase de treino da fundação: o ajuste posterior trabalha sobre o que a fundação já aprendeu, não o substitui.

O app que você usa e o modelo por baixo são coisas diferentes

Quando um cliente diz "o ChatGPT falou X sobre a sua empresa", ele está descrevendo a saída de uma cadeia com várias camadas. O app tem interface, histórico de conversa e ferramentas adicionais como busca na web, geração de imagem e execução de código. O modelo, em si, é uma função que recebe texto como entrada, medido em tokens (pedaços de texto de alguns caracteres cada), e devolve a continuação mais provável.

A saída que o usuário vê é a combinação de: o conhecimento de base do modelo, o contexto que o app injetou na conversa, e as ferramentas ativas naquele momento. Quando a busca na web está ligada, o app traz informações em tempo real e as injeta no contexto antes de gerar a resposta. Quando está desligada, o modelo responde só com o que aprendeu no treino. Essa separação tem consequências diretas para a sua estratégia.

O erro mais comum é achar que editar o site muda a resposta do modelo de forma imediata. Não muda o conhecimento de base, que é fixo até o próximo ciclo de treino. Pode mudar o que a busca em tempo real encontra, mas apenas quando essa ferramenta está ativa na conversa. Uma marca que depende só de atualizações em tempo real fica invisível em todas as situações em que o modelo responde sem busca, e essas situações continuam sendo muitas. O artigo sobre dados de treino x busca na web examina essa separação com mais detalhe.

Por que poucos fornecedores de base concentram tanta influência?

Treinar um modelo de fundação do zero exige capital e infraestrutura que apenas algumas organizações têm condições de prover. O resultado é uma estrutura em que um número pequeno de modelos base alimenta uma quantidade muito maior de produtos. O ChatGPT usa modelos da família GPT, desenvolvida pela OpenAI. O Gemini é o modelo do Google. O Microsoft Copilot usa modelos da OpenAI por acordo de parceria. Vários assistentes de terceiros constroem seus produtos sobre os modelos da família LLaMA, da Meta, que podem ser ajustados e redistribuídos por outros.

Essa concentração tem uma consequência direta: as associações entre marcas e categorias que mais importam para a visibilidade do seu negócio foram definidas quando esses poucos modelos foram treinados. Uma marca que construiu presença de texto consistente antes do corte de treino de um desses modelos carrega essa vantagem para todos os produtos que usam aquele modelo como base, sem precisar otimizar para cada produto individualmente.

O que muda para a sua marca quando uma nova versão do modelo é lançada?

Fornecedores como a OpenAI e o Google lançam novas versões dos seus modelos com regularidade. Cada versão nova é treinada num corpo de texto mais recente e com melhorias na metodologia de treino. Isso tem consequências práticas para a visibilidade da sua marca.

A nova versão pode ter uma data de corte de treino mais recente, o que significa que conteúdo publicado depois do corte anterior agora pode ter entrado na base. Uma marca que trabalhou a própria presença no intervalo entre cortes pode aparecer com mais consistência no modelo novo do que no anterior. O contrário também vale: uma marca que dependia de associações antigas, sem renovação de conteúdo, pode aparecer menos.

O que não acontece, em geral, é um apagamento brusco. Novas versões tendem a preservar associações fortes e a refinar, não a substituir do zero. O que costuma acontecer em transições é uma flutuação nas métricas durante as semanas em que diferentes usuários ainda estão na versão antiga ou já migraram para a nova, o que não é o mesmo que perda de presença real. Medir regularmente permite identificar esse padrão e separar flutuação passageira de mudança estrutural.

Modelo próprio ou licenciado: o que muda para a estratégia?

Nem toda empresa que oferece um produto de IA treinou o próprio modelo de fundação. A maioria acessa um modelo existente, seja pagando por uso via API, seja ajustando uma versão de base aberta. Isso tem duas implicações práticas para quem pensa em visibilidade de marca.

A primeira: o produto que o seu cliente usa pode estar rodando sobre qualquer um dos modelos da tabela acima. Um assistente de vendas de um concorrente pode ser um GPT ajustado para o setor. Uma busca integrada num e-commerce pode usar Gemini por baixo. Quando você constrói presença nos modelos de fundação principais, constrói a base que alimenta esses produtos todos ao mesmo tempo. Não é preciso tratar cada um como um canal separado.

A segunda implicação é sobre ciclos de atualização. Uma empresa que usa um modelo licenciado de terceiros não controla quando a base é atualizada: depende do calendário do fornecedor. Quem treina o próprio modelo tem controle maior sobre esse ciclo, mas esse grupo é pequeno e seus produtos são justamente os mais usados pelos consumidores. Para a maioria das marcas, a consequência prática é simples: trabalhar a presença nos modelos dominantes é trabalhar para a maior parte dos produtos de uma vez. É a lógica que os fundamentos de GEO exploram como estratégia de base.

Como poucos modelos de fundação concentram os produtos mais usados no Brasil, medir onde a sua marca aparece nessas bases cobre a maior parte do alcance real. A primeira análise na Promptis é gratuita, sem cartão, e mostra com que frequência o ChatGPT cita a sua marca nas perguntas do seu setor. Para entender o mecanismo por baixo da fundação, o artigo o que é um LLM para marcas explica como o modelo aprende e por que isso importa para o nome da sua empresa.