artigo

Como ler um case de visibilidade em IA

A tese: percentuais grandes quase nunca dizem nada sozinhos. Oito perguntas separam um resultado verificável de um número de vitrine.

resposta curtaPara ler um case de visibilidade em IA, pergunte: qual era a base, qual o período, que consultas e plataformas foram medidas, quantas repetições houve, como a citação foi validada, qual a fonte dos dados, o que mais mudou no período e quem autorizou a divulgação. Um percentual sem essas respostas é um número de vitrine, não uma evidência.
Neste texto

Qual é a tese?

O mercado de visibilidade em IA tem poucos dados públicos e muita vontade de mostrar resultado. Isso produz um tipo específico de material: o percentual grande, sem base, sem período e sem método. A tese deste artigo é que a defesa do leitor está em um pequeno conjunto de perguntas, aplicáveis a qualquer case, inclusive os de quem escreve aqui. Nenhum caso de cliente é publicado neste site sem dado verificável e autorização escrita, e essa é a regra mais simples que se pode adotar.

O que estudos sérios mostram sobre limites de método?

Estudos de boa qualidade se reconhecem pelo modo como declaram os limites. Três exemplos servem de régua.

O Pew Research Center (22/07/2025) informa a amostra (900 adultos dos EUA com rastreamento de navegação), o período (março de 2025), o volume (68.879 buscas, das quais 18% com resumo de IA), a definição de cada categoria de ação e o recorte (só o Google). Qualquer leitor sabe o que foi medido e o que não foi.

O Tow Center (06/03/2025) descreve 20 editores, 10 artigos por editor, 8 ferramentas, 1.600 consultas, e declara as limitações: uma consulta por trecho, variação entre rodadas, escopo em notícias, teste apenas de robots.txt.

O artigo do GEO (KDD 2024) fala em ganho de "até 40%", e o número só se interpreta lendo o texto: é um máximo, em um mecanismo de teste, com uma medida de visibilidade própria, e a eficácia varia por domínio. Quem cita só o "40%" cita o teto, não o resultado típico.

Nenhum desses estudos é perfeito. Cada um, porém, deixa o leitor discutir o que foi medido.

Quais são as oito perguntas?

#PerguntaSinal de alerta
1Qual era a base?percentual sem valor inicial; "+1.000%" sobre quase zero
2Qual o período, com datas?"em poucos meses", sem início e fim
3Que consultas e plataformas?ausência da lista; plataforma única apresentada como "IA"
4Quantas repetições?uma rodada só
5Como a citação foi validada?contagem de menções sem abrir links
6Qual a fonte dos dados?print sem origem; ferramenta não nomeada
7O que mais mudou no período?sem controle de outras ações, sazonalidade ou mudança de plataforma
8Quem autorizou a divulgação e quem fez a medição?cliente anônimo sem comprovação; quem vende é quem mede

Como as perguntas funcionam num exemplo?

Exemplo simulado, com números fictícios. Um material afirma: "Nosso cliente de e-commerce teve +900% de citações em IA em 90 dias". Aplicando as perguntas:

  1. Base: se eram 2 citações e passaram a 20, o aumento é de 900%, mas são 18 citações a mais. O percentual esconde a escala.
  2. Período: "90 dias" a partir de quando? Se terminou em um mês em que a plataforma lançou um recurso novo, o aumento pode ser do produto.
  3. Consultas e plataformas: 20 citações em quantas consultas, em quais plataformas?
  4. Repetições: três rodadas ou uma?
  5. Validação: as 20 abriam e sustentavam a frase?
  6. Fonte e autorização: ferramenta, exportação e termo do cliente.

Nenhuma das respostas é conhecida, e por isso o número não informa. Um case honesto seria: "Em um painel de 12 consultas, no ChatGPT e no Perplexity, de 3 a 30 de junho, com três repetições, a marca passou de 2 para 7 citações válidas em 36 respostas. No período, publicamos duas páginas novas e liberamos o OAI-SearchBot." Menos impressionante, muito mais útil.

Qual é o contraponto?

Três objeções razoáveis.

Dados de cliente são confidenciais. É verdade, e por isso muitos cases são anônimos. Anonimato não é desculpa para omitir método: dá para descrever base, período, plataformas e repetições sem revelar o cliente. O que não dá é pedir confiança no escuro.

Perfeição metodológica é impossível. Também verdade. Ninguém controla o que as plataformas fazem. A exigência é de transparência sobre os limites, não de ausência deles.

Casos fortes às vezes são reais. Podem ser. A recomendação não é descartar todo case, e sim tratar um resultado extraordinário como hipótese até que as oito perguntas estejam respondidas. Afirmações extraordinárias pedem mais evidência, não menos.

Como aplicar?

  1. Ao consumir: use a tabela com qualquer proposta comercial de visibilidade em IA. Peça as respostas por escrito.
  2. Ao produzir: adote as mesmas oito perguntas como checklist de publicação, com o registro de evidência.
  3. Ao medir: siga o protocolo e publique painel, datas e repetições junto com o resultado. A página de benchmark descreve como este site trata dados próprios.
  4. Ao comparar: só compare números de painéis com as mesmas consultas, nas mesmas plataformas e condições.

A regra editorial correspondente está nas diretrizes editoriais do site: sem estatística, caso ou depoimento sem fonte verificável.

Quais são os limites?

As oito perguntas não detectam fraude; apenas tornam visível a ausência de método. Um case pode responder a todas e ainda estar errado. E os exemplos aqui são ilustrativos e não descrevem nenhuma empresa real.

Fontes

  1. Google users are less likely to click on links when an AI summary appears in the results, Pew Research Center (2025-07-22)
  2. We Compared Eight AI Search Engines. They're All Bad at Citing News, Columbia Journalism Review, Tow Center (2025-03-06)
  3. GEO: Generative Engine Optimization (Aggarwal et al.), KDD 2024, arXiv (2024-06-28)
  4. The rise of the AI crawler, Vercel (2024-12-17)

Meça antes de otimizar

Defina o conjunto de consultas, registre a linha de base e acompanhe a evolução com o mesmo protocolo.