Como medir AI Visibility: as métricas que mostram onde a marca ganha e perde nas respostas de IA

Por Pedro Sonda, dooop

Medir AI Visibility (visibilidade em IA) é calcular, a partir de muitas respostas geradas por IA, com que frequência uma marca aparece, com que destaque, se é citada como fonte, se é descrita corretamente, quais fontes sustentam essa presença e que efeito isso tem no negócio. A medição é feita sobre um conjunto definido de perguntas, repetidas várias vezes em cada plataforma, porque as respostas de IA mudam a cada execução.

Um índice único ("nossa visibilidade em IA é 63") é fácil de reportar e difícil de usar. Ele não diz se o problema está em não ser lembrado, em ser lembrado no fim da resposta ou em ser descrito de forma errada. As métricas a seguir separam essas situações.

Atualizado em outubro de 2026.

Por que medir IA é diferente de medir SEO

Na busca tradicional, a posição de uma página para uma palavra-chave é relativamente estável e pode ser consultada. Em respostas de IA, duas coisas mudam.

As respostas variam. Em uma pesquisa com 600 voluntários e 2.961 execuções em ChatGPT, Claude e Google AI, a SparkToro concluiu que há menos de 1 chance em 100 de duas respostas trazerem a mesma lista de marcas, e cerca de 1 em 1.000 de trazerem a mesma ordem. Em compensação, a frequência com que cada marca aparece foi bem mais estável (SparkToro, 2026).

As perguntas variam. No mesmo estudo, quando 142 pessoas escreveram livremente uma pergunta com a mesma intenção, a similaridade semântica média entre os textos foi de 0,081, ou seja, quase nenhuma sobreposição de formulação. Mesmo assim, as marcas mais fortes apareceram em 55% a 77% das respostas (SparkToro, 2026).

Implicação: a unidade de medida não é a pergunta exata, é a intenção, testada em várias formulações. E o resultado não é uma posição, é uma frequência, calculada sobre muitas execuções.

As métricas de AI Visibility

Cada métrica responde a uma pergunta diferente. Juntas, mostram em que ponto a marca perde.

O destaque tem respaldo acadêmico: o estudo que formalizou GEO mediu visibilidade pela quantidade de texto da resposta associada a uma fonte, com peso maior para o que aparece antes, uma métrica chamada Position-Adjusted Word Count (Aggarwal et al., KDD 2024). A lógica é a mesma: aparecer no início e com mais texto vale mais do que aparecer no fim, em uma linha.

Por que separar presença e citação: uma marca pode ser mencionada sem que seu site seja citado (a IA a conhece por outras fontes), ou o site pode ser citado como fonte sem que a marca seja recomendada (o conteúdo é útil, mas a empresa não é lembrada como opção). São problemas diferentes, com soluções diferentes.

Como montar o sistema de medição

1. Defina as intenções, não as palavras-chave

Comece por um conjunto de intenções canônicas: as necessidades e decisões que importam para o negócio. Exemplo: "contratar consultoria de governança de IA" é uma intenção; "melhor consultoria governança IA Brasil" é uma das formas de expressá-la. Organize as intenções por família: identidade da marca, categoria, problema, solução, comparação e contratação.

2. Crie variações para cada intenção

Escreva de 5 a 10 formulações por intenção: linguagem executiva e coloquial, com e sem região, com e sem setor. Isso torna a medição robusta à diversidade real das perguntas.

3. Execute várias vezes, por plataforma

A SparkToro recomenda rodar cada prompt de 60 a 100 vezes para obter uma medição significativa de visibilidade e alerta que ferramentas que mostram "posição em IA" não têm base estatística (SparkToro, 2026). Meça cada plataforma separadamente: ChatGPT, Gemini, Google AI Overviews e AI Mode, Perplexity e Claude recuperam fontes de formas diferentes.

4. Controle o ambiente

Use contas sem histórico ou personalização, registre se a busca na web estava ativa e mantenha o mesmo conjunto de perguntas entre ciclos. Sem isso, uma mudança no número pode ser só uma mudança no ambiente.

5. Registre observações, não só "sim ou não"

Para cada resposta: a marca apareceu, em que posição, como foi descrita, quais concorrentes apareceram, quais fontes foram citadas. É dessas observações que saem todas as métricas da tabela.

6. Reporte com margem de erro

Toda taxa calculada sobre uma amostra tem incerteza. Uma taxa de presença de 30% medida em 100 respostas tem margem de cerca de 9 pontos percentuais para mais ou para menos (intervalo de confiança de 95%). Se a taxa passa de 30% para 34% em 100 respostas, isso não é prova de melhora. Comparar ciclos sem olhar a margem é a forma mais comum de tirar conclusões erradas sobre GEO.

Framework dooop: da intenção ao diagnóstico

A dooop organiza a medição em uma sequência fixa:

Intenção canônica → Variações → AI Runs → Observações → Métricas → Diagnóstico

O ponto central é o último passo. As métricas são lidas por família de intenção, e não somadas em um índice único. Um exemplo hipotético de leitura:

Valores ilustrativos. Nesse caso, um índice médio esconderia o diagnóstico principal: a empresa tem autoridade, mas não tem consideração comercial. A intervenção certa seria conteúdo de escolha e evidência de terceiros, e não mais artigos informativos.

Monitoramento contínuo de presença de marca

Depois da linha de base, o monitoramento repete o mesmo conjunto de intenções em ciclos regulares. Três cuidados:

• Automatize a execução. O volume recomendado torna o processo manual inviável. Existem ferramentas de mercado para isso; antes de contratar, verifique se publicam a metodologia, quantas execuções fazem por pergunta e se mostram a margem de erro.
• Acompanhe o efeito com os dados que as plataformas fornecem. O ChatGPT inclui utm_source=chatgpt.com nos links de referência (OpenAI — FAQ para publishers). No Google, o tráfego de AI Overviews e AI Mode entra no relatório de Desempenho do Search Console, junto com a busca web, sem separação (Google Search Central).
• Não meça só cliques. Usuários que viram um resumo de IA no Google clicaram em resultados tradicionais em 8% das visitas, contra 15% de quem não viu (Pew Research Center, 2025). Parte da influência acontece sem clique, e só a medição de presença a captura.

O que fazer agora

• Se você ainda não mede nada: comece com 10 a 20 intenções, cinco variações cada, em duas plataformas. Isso já cria uma linha de base.
• Se você usa uma ferramenta que mostra "posição": troque o indicador principal por taxa de presença e peça a metodologia ao fornecedor.
• Se você reporta um índice único: abra o número por família de intenção e por plataforma antes da próxima reunião de resultados.
• Se vai investir em conteúdo ou relações públicas: meça antes, com volume suficiente, para conseguir comprovar o efeito depois.

Para montar a linha de base com intenções, volume de execuções e leitura por família, o caminho é um diagnóstico de visibilidade em IA da dooop.

Perguntas frequentes

Qual é a métrica mais importante de AI Visibility? Depende da pergunta de negócio. Para vendas B2B, a taxa de presença em perguntas de contratação e comparação costuma ser a mais reveladora, porque mostra se a empresa entra no conjunto de alternativas.

Com que frequência medir? Mensalmente é um ritmo comum para acompanhar tendências, além de medições extras depois de mudanças relevantes. O importante é manter o mesmo conjunto de perguntas e o mesmo método entre ciclos.

Dá para medir AI Visibility só com o Search Console e o Google Analytics? Não. Essas ferramentas medem cliques e visitas, não presença nas respostas. São complementos para medir efeito, não substitutos da medição de presença.

Leia também

• O que é Generative Engine Optimization? Origem, mecanismo e o que a pesquisa realmente mostra
• Como saber se sua empresa aparece no ChatGPT: um teste que produz dados, não impressões
• Como medir a presença de uma empresa nas respostas de IA: comece pelo mapa de intenções
• Como monitorar concorrentes nas respostas de IA: descubra quem ocupa seu lugar, onde e por quê

Sobre a dooop

A dooop é uma consultoria de Caxias do Sul (RS) que prepara lideranças e organizações para transformar inteligência artificial em capacidade de negócio, com estratégia, governança e capacitação. Este artigo faz parte da série da dooop sobre GEO e AI Decision Infrastructure.