Para medir a visibilidade da sua marca em IAs como o ChatGPT, cinco métricas dão conta do quadro: taxa de citação (a marca aparece nas respostas?), share of voice (em que proporção, comparada aos concorrentes?), mindshare (em quantos modelos e contextos ela surge?), sentimento (com que tom a IA fala dela?) e posição na resposta (com quanto destaque?). Cada uma responde a uma pergunta diferente, e juntas elas formam o painel completo de presença em IA.
A confusão começa quando alguém trata "visibilidade em IA" como se fosse um número só. Não é. É um conjunto de dimensões que medem coisas distintas, e olhar uma sem as outras dá uma leitura torta. Uma marca pode aparecer muito (boa taxa de citação) e mesmo assim aparecer mal (sentimento negativo, sempre no fim da lista). Outra pode ter share of voice alto no ChatGPT e ser invisível no Gemini. O valor está em saber qual métrica responde qual pergunta.
Este artigo é o mapa. Ele explica o que cada métrica mede e por que importa, e aponta para os aprofundamentos que mostram como calcular cada uma. Pense nele como a legenda do painel, não como o manual de cada instrumento.
Como medir a visibilidade de uma marca no ChatGPT?
A medição não é um único valor: é a leitura combinada de cinco dimensões, organizadas em três camadas de pergunta.
A primeira camada é presença. A marca aparece nas respostas? E em que proporção, comparada com quem disputa o mesmo cliente? Aqui entram taxa de citação e share of voice. São as métricas que você mede primeiro, porque sem presença nenhuma das outras tem o que medir.
A segunda camada é alcance. A presença se sustenta em mais de um modelo? Aparecer no ChatGPT é ótimo, mas seu cliente também pergunta ao Gemini, ao Perplexity, ao Claude. Mindshare é a métrica que cobre essa largura.
A terceira camada é qualidade. Quando a marca aparece, como ela aparece? Com que tom a IA descreve ela, e em que ponto da resposta ela surge? Sentimento e posição na resposta respondem a isso. Não basta ser mencionado: ser mencionado com elogio e logo no início vale mais do que uma citação morna enterrada no último parágrafo.
A ordem dessas camadas não é arbitrária. Presença é pré-requisito de tudo. Não dá para medir o tom de uma menção que não existe. Por isso, na prática, a maioria das marcas começa pela primeira camada e vai descendo conforme amadurece o acompanhamento.
Uma coisa vale dizer agora, antes de detalhar cada métrica: nenhuma delas significa muito numa medição única. Modelos de linguagem são probabilísticos, então o mesmo conjunto de perguntas pode dar resultados um pouco diferentes a cada rodada. O número que importa é a tendência ao longo do tempo, comparada com uma linha de base, a primeira medição que serve de referência para todas as seguintes. Sem esse ponto de partida, você tem fotos soltas, não um filme.
Taxa de citação: a marca aparece?
A taxa de citação é a métrica de entrada. Ela responde à pergunta mais básica e mais importante: quando alguém pergunta algo do seu setor à IA, a sua marca entra na resposta?
No sentido mais estrito, taxa de citação mede a porcentagem de respostas em que a IA não só menciona a marca, mas cita o seu site como fonte, com link ou referência. Esse recorte, citação como fonte, tem ganhado peso porque ser apontado como referência constrói autoridade e costuma trazer tráfego qualificado de volta. No uso mais largo do dia a dia, "a marca foi citada" inclui também a menção pelo nome sem link. Vale saber qual dos dois você está medindo, porque os números são bem diferentes: aparecer pelo nome é comum, ser citado como fonte é mais raro.
Por que ela vem primeiro? Porque é binária e direta. Ou a marca está na resposta, ou não está. Você não precisa de comparação com concorrente nem de análise de tom para ler esse sinal. Se a taxa de citação é zero, você já sabe onde o trabalho começa, e é o caso descrito em detalhe no artigo sobre por que uma marca some das respostas do ChatGPT.
A taxa de citação tem um limite que as próximas métricas resolvem: ela não te diz nada sobre o tamanho relativo. Aparecer em 4 de 10 respostas parece bom até você descobrir que o concorrente aparece em 9. É aí que entra o share of voice.
Share of voice em IA: em que proporção, comparada ao mercado?
O share of voice (SOV, a fatia de presença) pega a presença bruta da taxa de citação e a coloca em contexto competitivo. A pergunta muda de "a marca aparece?" para "de toda a atenção que a IA distribui no meu setor, quanto vai para mim e quanto vai para os outros?".
Share of voice em IA é a fatia das respostas de um chatbot, dentro de um conjunto de perguntas do seu setor, em que a sua marca surge em relação aos concorrentes. Se em 20 perguntas a sua marca aparece em 7, o seu SOV é de 35%. O número só ganha significado quando você o lê ao lado dos concorrentes: 35% é dominante se o segundo colocado tem 15%, e fraco se ele tem 60%.
É a métrica que transforma um dado isolado em posição de mercado. Uma agência de marketing em São Paulo pode ter uma taxa de citação que parece saudável, mas se o SOV revela que três concorrentes ocupam 80% das menções juntos, a leitura competitiva é outra. O share of voice é o que conecta visibilidade em IA à conversa que a diretoria realmente quer ter: estamos ganhando ou perdendo espaço?
O passo a passo de cálculo, incluindo quantas perguntas testar e quando vale automatizar, está no artigo dedicado a como calcular o share of voice da sua marca no ChatGPT. Aqui o ponto é entender o lugar dele no mapa: SOV é a métrica de proporção, a que mede tamanho relativo.
Mindshare entre modelos: em quantos contextos a marca surge?
Taxa de citação e share of voice medem presença dentro de um modelo, normalmente o ChatGPT, que é o mais usado no Brasil. O mindshare abre o ângulo para a largura: a marca aparece com consistência em vários modelos e em vários tipos de pergunta, ou só num canto específico?
Mindshare em IA (às vezes chamado de share of model) é a presença da marca na "mente" do modelo: com que frequência ele a menciona espontaneamente quando o assunto é a sua categoria. Como modelos diferentes foram treinados em corpus diferentes, eles citam marcas diferentes para a mesma pergunta. Por isso o mindshare costuma ser medido por modelo e acompanhado ao longo do tempo, não somado num número único.
Essa é a métrica que evita a cegueira de canal. Seu cliente não pergunta só ao ChatGPT. Ele pergunta ao Gemini no celular Android, ao Perplexity quando quer fontes, ao assistente que vier embutido no navegador. Uma marca forte no GPT e ausente no Gemini tem metade da audiência descoberta. E quando uma marca aparece bem num modo (busca na web) e mal no outro (conhecimento que o modelo trazia do treino), isso aponta um problema específico de frescor de conteúdo.
A parte espinhosa do mindshare é a variância: como cada modelo é probabilístico, comparar dois deles exige um método de amostragem cuidadoso para não confundir diferença real com ruído. O artigo como medir mindshare entre modelos sem enlouquecer detalha por que rodar mais de uma passagem por modelo importa e o que a variância te conta. No mapa, mindshare é a métrica de alcance: ela mede em quantos lugares a marca existe, não só com que intensidade.
Sentimento: como a IA fala da marca (e por que ele antecipa o resto)
As três métricas anteriores contam quanto e onde a marca aparece. O sentimento conta como ela aparece: com tom positivo, neutro ou negativo quando a IA a descreve.
Sentimento em IA é o tom com que os modelos falam da sua marca nas respostas. E ele tem uma propriedade que as outras métricas não têm: funciona como indicador antecedente. Como o tom da IA reflete o que está escrito sobre a marca na web aberta (reviews, reclamações, cobertura de imprensa, fóruns), o sentimento de hoje nas fontes vira o sentimento de amanhã nas respostas dos modelos. Uma onda de reclamações que ainda não chegou ao modelo atual tende a aparecer na próxima geração treinada sobre aquele material.
Isso muda como você lê a métrica. Taxa de citação, share of voice e mindshare são, em boa parte, retrovisores: dizem onde a marca está agora. O sentimento das fontes é mais perto de um para-brisa: dá um sinal do que vem. Por isso ele merece atenção mesmo quando a presença está saudável, porque é a métrica que avisa antes de a presença começar a cair.
A lógica completa de por que o sentimento se antecipa às outras métricas, e como agir sobre ele antes que vire problema de visibilidade, está no artigo sentimento é indicador antecedente, não métrica de vaidade. No mapa, sentimento é a primeira das duas métricas de qualidade: ela mede o tom da menção.
Posição na resposta: com quanto destaque a marca surge?
A última peça do mapa é a posição na resposta: o lugar onde a marca aparece dentro do texto que a IA gera. Citada primeiro, no meio de uma lista, ou de passagem no último parágrafo?
Posição na resposta importa porque nem toda menção pesa igual. Quando alguém pergunta "quais as melhores ferramentas de CRM para pequenas empresas?" e a IA responde com uma lista, a marca que abre a lista recebe muito mais atenção do que a que fecha. Aparecer primeiro, com uma frase de contexto favorável, vale mais do que uma citação solta encaixada no fim. É a diferença entre ser a recomendação e ser uma das opções.
Essa métrica refina tudo que veio antes. Duas marcas podem ter a mesma taxa de citação e o mesmo share of voice, e ainda assim ter visibilidades muito diferentes se uma aparece sempre no topo e a outra sempre na cauda. A posição é o que distingue presença de proeminência.
É também a métrica mais sutil de medir com consistência, porque depende de interpretar a estrutura de cada resposta, e respostas variam de formato. Por isso ela costuma entrar no acompanhamento depois das métricas de presença, quando você já tem uma rotina de coleta estável. No mapa, posição na resposta é a segunda métrica de qualidade: ela mede o destaque da menção.
Como saber se a marca está crescendo em presença nas IAs?
Crescimento se lê na tendência, não na foto. Uma medição isolada, por mais alta que seja, não diz se você está subindo ou descendo. O sinal de crescimento aparece quando você compara medições sucessivas contra a mesma linha de base, com o mesmo conjunto de perguntas e o mesmo método de coleta.
Na prática, isso significa fixar três coisas antes de comparar números: o conjunto de perguntas (sempre as mesmas, ou a comparação não vale), os modelos testados e a cadência da medição. Mudou a lista de perguntas no meio do caminho? Você não está mais medindo a mesma coisa. Trocou de um modelo para outro? São retas paralelas, não a mesma reta.
O outro cuidado é separar sinal de ruído. Como os modelos são probabilísticos, um pico ou uma queda numa única rodada quase sempre é variância de amostragem, não mudança real. A forma de filtrar isso é medir mais de uma vez e olhar a média: uma queda verdadeira aparece de forma consistente em várias medições; um vale isolado, não. Esse é exatamente o raciocínio por trás de rodar mais de uma passagem ao medir mindshare, e ele vale para todas as métricas.
Há perguntas de operação que este mapa não cobre de propósito, porque cada uma rende seu próprio aprofundamento: quais prompts usar para testar a sua marca, com que frequência refazer a medição, e como cruzar tudo isso com o tráfego orgânico do Google. São temas dos próximos artigos do pilar. O que importa fixar aqui é o princípio: presença que cresce é presença que sobe na tendência, medida sempre do mesmo jeito, contra a mesma linha de base.
Se você quer parar de adivinhar e ver essas dimensões medidas e acompanhadas ao longo do tempo, é exatamente isso que a análise de visibilidade da Promptis faz: roda um conjunto fixo de perguntas, registra onde a sua marca aparece e como, e mostra a tendência contra a sua linha de base, sem você ter que montar planilha.
