Medir o sentimento da sua marca em IA é descobrir se o tom com que o ChatGPT descreve a sua empresa é positivo, neutro ou negativo, e transformar esse tom em um número que você acompanha ao longo do tempo. O caminho cabe em uma frase: colete as respostas que a IA dá sobre a sua marca, classifique a polaridade de cada afirmação, dê um peso de confiança a cada uma e combine tudo em um único score.
O detalhe que muda a abordagem: o sentimento não é uma nota que o modelo entrega pronta. Você não pergunta "de 0 a 10, o que você acha da minha marca" e anota o número. O sentimento está em como o modelo fala de você, espalhado pelas respostas, e o trabalho é extrair isso de forma consistente o bastante para comparar um mês com o outro.
Este tutorial é o passo operacional: como chegar ao número. Se o que você procura é o argumento de por que esse número importa para o futuro da marca, o sentimento como indicador antecedente trata da tese. Se o que falta é a rotina de coletar as respostas semana a semana, como monitorar o que o ChatGPT fala da sua marca cobre a coleta. Aqui o foco é o que fazer com o que você coletou.
Por que o sentimento em IA não é uma nota que o modelo te dá?
Pedir uma nota direta ao modelo parece o caminho mais curto, mas é o menos confiável. Modelos de linguagem tendem a ancorar em números redondos quando você força uma escala: um "7 de 10" que sai tanto para uma marca elogiada quanto para uma com reclamações sérias. Pior, a nota muda de uma rodada para a outra sem que nada na sua reputação tenha mudado, porque a resposta do ChatGPT não é determinística. Essa variação é o não determinismo: a mesma pergunta traz respostas um pouco diferentes a cada vez.
O sinal confiável está em outro lugar. Quando o modelo descreve a sua marca em texto corrido ("costuma ter entrega rápida, mas há queixas sobre o pós-venda"), ele revela a direção de cada ponto sem precisar de uma escala. Medir sentimento é colher essas afirmações e contá-las de forma estruturada, em vez de confiar num número que o modelo cospe sob pressão.
Vale separar duas coisas que se confundem. Sentimento responde "como a IA fala de você". Não responde "com que frequência ela te cita", que é a taxa de citação, uma métrica de visibilidade, não de tom. Uma marca pode ser muito citada e mal falada, ou pouco citada e bem falada. São eixos diferentes, e medir sentimento isola o segundo.
O que são polaridade e confiança na análise de sentimento?
Polaridade é a direção do que o modelo diz sobre um ponto da sua marca: positiva (um elogio, uma recomendação), neutra (uma constatação sem juízo) ou negativa (uma crítica, uma ressalva). É a unidade básica da medição: cada afirmação que a IA faz sobre você carrega uma polaridade.
Confiança é o quanto aquela afirmação é firme e opinativa, em vez de uma menção de passagem. "A marca tem reclamações recorrentes de cobrança indevida, documentadas em vários sites" é uma afirmação de alta confiança. "Talvez valha comparar com outras opções" é vaga, de baixa confiança. As duas são tecnicamente negativas ou mornas, mas não deveriam pesar igual.
A razão de combinar as duas é direta: contar polaridade sozinha trata um comentário solto como se fosse uma queixa documentada. Ponderar pela confiança devolve proporção ao número. Uma crítica detalhada e repetida puxa o score mais do que uma ressalva genérica, que é exatamente como um cliente real lê as duas. Esse é o ajuste que evita a distorção dos números redondos: no lugar de uma nota arredondada, você tem uma média que respeita o peso de cada evidência. Para o conceito mais amplo, o verbete sentimento do glossário resume onde ele entra no GEO (Generative Engine Optimization).
Passo 1: Colete as respostas da IA sobre a sua marca
Comece reunindo material para medir. Use uma bateria fixa de perguntas que provoquem a opinião do modelo sobre a sua marca: o que as pessoas dizem sobre ela, se é confiável, quais as reclamações mais comuns, como ela se compara a um concorrente. Rode cada pergunta algumas vezes, porque uma resposta isolada engana, e guarde o texto completo de cada uma.
Se você ainda não tem essa bateria montada, a rotina de coleta detalha quais perguntas usar e com que cadência. O que importa neste passo é sair com um conjunto de respostas reais sobre a mesa, não com uma impressão geral na cabeça. Sem material bruto, não há o que medir.
Passo 2: Quebre cada resposta em afirmações e marque a polaridade
Pegue cada resposta e separe em afirmações individuais. Uma resposta típica do ChatGPT mistura vários pontos numa frase só: "É uma marca conhecida no Sul, com bom preço, mas o atendimento recebe críticas". Isso são três afirmações, não uma: conhecida (neutra a positiva), bom preço (positiva) e atendimento criticado (negativa). Marque a polaridade de cada uma.
Um cuidado que muda o resultado: ignore as afirmações de ausência de dado. Quando o modelo diz "não encontrei avaliações da marca no Reclame Aqui", isso não é uma crítica, é a falta de informação. Contar como negativa é o erro mais comum de quem mede à mão, e ele afunda o score de marcas pequenas que apenas têm pouco conteúdo publicado. Silêncio não é voto negativo. Só entram na conta as afirmações que carregam opinião.
Passo 3: Dê um peso de confiança a cada afirmação
Com as afirmações marcadas, atribua a cada uma um peso de confiança. Um esquema simples basta: alta, média ou baixa, que você converte em pesos como 1, 0,6 e 0,3. Alta para o que é firme, específico e aparece repetido ("atrasos de entrega relatados por vários clientes"). Baixa para o que é vago ou aparece de passagem ("pode ter prós e contras"). Média para o resto.
O peso não julga se a afirmação é boa ou ruim, isso é trabalho da polaridade. Ele julga o quanto aquela evidência é sólida. Uma crítica detalhada e recorrente é um sinal forte sobre a sua reputação; uma ressalva genérica é quase ruído. Separar as duas coisas é o que impede o número de subir ou descer por causa de uma frase solta.
Passo 4: Combine polaridade e confiança em um score único
Agora o cálculo. Some a polaridade de cada afirmação multiplicada pelo seu peso, depois divida pela soma dos pesos. O resultado é uma média ponderada que vai de -1 (tudo negativo) a +1 (tudo positivo), com 0 no neutro. Suponha que você coletou oito afirmações opinativas sobre uma loja fictícia:
| Afirmação (resumida) | Polaridade | Confiança | Peso |
|---|---|---|---|
| Entrega costuma ser rápida | Positiva (+1) | Alta | 1,0 |
| Atendimento resolve bem | Positiva (+1) | Alta | 1,0 |
| Preços competitivos | Positiva (+1) | Média | 0,6 |
| Site fácil de usar | Positiva (+1) | Baixa | 0,3 |
| Troca de produto demora | Negativa (-1) | Alta | 1,0 |
| Frete caro para o Norte | Negativa (-1) | Média | 0,6 |
| Embalagem dentro do esperado | Neutra (0) | Média | 0,6 |
| Marca conhecida na região | Positiva (+1) | Baixa | 0,3 |
A soma da polaridade vezes o peso dá +1,6. A soma dos pesos dá 5,4. O saldo é 1,6 dividido por 5,4, ou cerca de +0,30. Numa escala de 0 a 100, mais fácil de ler, isso fica perto de 65: para converter, some 1 ao saldo, divida por 2 e multiplique por 100. Um 65 não é um número ruim, mas também não é tranquilo. A marca tem saldo positivo, puxado para baixo por duas críticas firmes que valem o esforço de endereçar.
Passo 5: Some afirmações até o número parar de oscilar
Um score calculado sobre três ou quatro afirmações não vale muito. Com poucas evidências, uma única crítica forte domina o resultado e o número balança a cada nova resposta. A medição só fica confiável quando você junta afirmações suficientes para o score parar de se mexer, o ponto que se costuma chamar de saturação de opiniões.
A intuição é a de qualquer média: as primeiras afirmações movem muito o número, as seguintes movem cada vez menos. Lá na frente, uma resposta nova muda o saldo em casas decimais, não no primeiro dígito. Esse é o sinal de que você pode parar: quando uma leva a mais de respostas não mexe no resultado, o número estabilizou. Algumas dezenas de afirmações opinativas costumam bastar; um punhado, não. Como o modelo não é determinístico, parte dessa saturação vem de repetir as mesmas perguntas em rodadas diferentes, não só de inventar perguntas novas.
Passo 6: Leia o resultado e transforme em medida acompanhável
Um número sozinho diz pouco. O que ele significa depende de três leituras.
A primeira é a faixa. Um saldo claramente positivo (digamos, acima de 70 numa escala de 0 a 100) indica que a IA fala bem de você na maioria das afirmações. Em torno do meio, o tom é misto: elogios e críticas se equilibram. Abaixo, predominam as ressalvas, e vale olhar quais. A faixa exata importa menos que a direção.
A segunda é a origem do que puxa o número. Antes de reagir a um score baixo, separe três coisas: a crítica verdadeira (um problema real que aparece repetido), a alucinação (o modelo afirma algo falso sobre você) e a ausência (ele não tem o que dizer). Cada uma pede uma reação distinta, e tratar alucinação como crítica leva você a consertar um problema que não existe.
A terceira é o movimento no tempo, onde está quase todo o valor. Um 65 isolado é só um retrato. Um 65 que era 50 três meses atrás conta uma história de melhora; um 65 que era 80 conta o contrário. Para que os retratos sejam comparáveis, congele o método: a mesma bateria de perguntas, os mesmos pesos, os mesmos modos da IA. Trocar a régua entre uma medição e outra contamina a comparação. E como o número da sua marca isolado engana, acompanhe os concorrentes com o mesmo método: estar em 65 enquanto o setor está em 50 é uma notícia bem diferente de estar em 65 num setor que vive em 85.
Vale medir à mão ou usar uma ferramenta?
Medir à mão é o jeito certo de começar, porque ensina o que olhar. Você sente na prática a diferença entre uma crítica firme e uma ressalva vaga, e entende por que a ausência de dado não conta. O problema do método manual não está na primeira medição, está na segunda, na terceira e na décima. O que pesa é a repetição.
| Etapa | À mão | Automatizado |
|---|---|---|
| Coletar respostas | copiar e colar do chat | a bateria roda sozinha |
| Marcar polaridade | seu julgamento, afirmação por afirmação | o modelo classifica cada uma |
| Ponderar confiança | pesos numa planilha | cálculo programático |
| Saber quando parar | difícil estimar a saturação | a saturação é controlada para você |
| Guardar histórico | uma aba por mês | linha do tempo automática |
| Comparar concorrentes | refazer tudo por marca | as marcas lado a lado |
A Promptis automatiza essa parte repetida: roda a bateria de perguntas em várias passagens, classifica a polaridade fonte por fonte, pondera por confiança com o mesmo tipo de cálculo deste tutorial e guarda a evolução do score ao longo do tempo, por modelo. A primeira análise é grátis e não pede cartão, então dá para ver o retrato da sua marca antes de decidir se vale trazer a ferramenta para o ciclo. A metodologia é a mesma que você acabou de ver; o que muda é quem faz o trabalho braçal.
Comece pela medição manual de uma marca, com a bateria fixa e a planilha do lado. Quando o método já estiver claro na sua cabeça e você quiser histórico, comparação com concorrentes e os dois modos da IA separados sem dobrar o esforço, aí a automação compensa. O guia de reputação de marca em IA reúne os outros diagnósticos que entram nessa conta, do reconhecimento da marca à correção de erros.
