Para saber se a IA omite a sua marca, siga cinco passos: defina os concorrentes antes de perguntar, meça com muitas repetições, explore por necessidade, compare com o conjunto definido e diagnostique o que falta. É o esqueleto de uma auditoria publicada em setembro de 2026, que adaptamos aqui para eletrônicos.
De onde vem esse roteiro?
Um grupo da Northwestern e de Boston University publicou, em 14 de setembro de 2026, o artigo Evaluating Brand Retrieval and Ranking in Large Language Model Recommendations, ainda como pré-publicação. Os autores propõem uma auditoria de cinco etapas: Definir, Medir, Explorar, Casar e Diagnosticar. O que segue é a nossa tradução prática, não uma reprodução do estudo, e vale o aviso de que ele é observacional e exploratório.
Para ilustrar sem usar dados de clientes, citamos o produto fictício Aurora Pro 14, de exemplo, apenas como figura de raciocínio: não há medições dele aqui. Os números do estudo são reais e vêm identificados.
Passo 1: como definir o conjunto competitivo?
A regra central do artigo: o conjunto competitivo é definido independentemente do que a IA responde. Se você montar a lista de rivais a partir da resposta do modelo, só vai encontrar quem o modelo já conhece, e a omissão fica invisível.
Na prática, liste os concorrentes por vendas, por busca e por presença no varejo da categoria. Para o Aurora Pro 14, seriam os produtos que o comprador brasileiro de fato compara com ele. Registre a lista antes de rodar qualquer prompt.
Passo 2: quantas repetições medir?
Modelos de linguagem não devolvem sempre as mesmas marcas nem a mesma ordem. Os autores tratam cada saída como uma amostra de uma distribuição. No estudo, a fase por categoria teve 40 repetições por modelo e categoria, com requisições sem histórico e com busca na web desligada, em seis modelos acessados por API.
Duas métricas organizam a leitura: prevalência (BRP@5, a fatia das listas em que a marca aparece entre as cinco primeiras) e proeminência (MRR@5, que premia as posições mais altas). Explicamos as duas em BRP@k e MRR@k e discutimos o número de rodadas em margem de erro. Uma nuance do artigo: marcas com prevalência 100% ainda se distinguem pela proeminência. Só olhar presença esconde isso.
Passo 3: como explorar com prompts por necessidade?
Prompt de categoria ("melhor fone de ouvido") mede o reconhecimento genérico. Prompt por necessidade ("fone leve para quem viaja e trabalha em voos longos") mede se a IA associa a marca a um uso.
O estudo mostra por que isso importa. Uma marca de ferramentas, a Craftsman, não apareceu nas listas por categoria, mas, com prompts por necessidade, chegou a BRP@5 de 35,4% e MRR de 0,108, cada estimativa baseada em 240 listas. Os próprios autores advertem que esses prompts foram escritos à mão, em número pequeno, e pedem validação em escala.
Passo 4: como casar com o conjunto definido?
"Casar" é cruzar o que a IA devolveu com a lista do passo 1. Marque três situações: marca presente, marca ausente e marca presente só em certos usos. O artigo registra que várias marcas grandes ficaram sem nenhuma recomendação em certas categorias, e que a popularidade nem sempre explica o resultado. No estudo, a associação mais forte com a proeminência foi com buscas no Google Trends (r = 0,63), mas os autores deixam claro que não conseguem separar causas, porque as medidas de visibilidade andam juntas.
Passo 5: como diagnosticar a omissão?
Aqui o estudo faz um teste elegante: fornece à IA pistas do posicionamento da marca e vê se ela passa a recuperá-la. Com essas pistas, o BRP@5 subiu para 81,3% (Craftsman) e 88,5% (L.L.Bean). A leitura prudente: a omissão pode ser falta de associação, não falta de conhecimento. O limite também é dos autores: isso não prova que o modelo guarde o posicionamento de forma completa ou correta.
Para o Aurora Pro 14, o diagnóstico se desdobra em perguntas verificáveis: a página diz para quem o produto serve? A ficha cobre voltagem, peso, autonomia? Há fontes externas que repetem o posicionamento? Para a base de página, veja página de produto pronta para IA.
Como a Citoriq se encaixa nisso?
O diagnóstico gratuito segue a mesma lógica de tratar respostas como distribuição, com evidência auditável. Ele é uma análise experimental via API, não replica a interface do consumidor, e legibilidade de página não é o mesmo que ser recomendado. Os resultados variam por modelo, prompt e dia. Detalhes na metodologia.
O que levar daqui
- Defina os concorrentes antes de consultar a IA, e não a partir dela.
- Meça com repetições e trate cada resposta como amostra, não como veredito.
- Use prompts por necessidade além de prompts de categoria.
- Separe prevalência (aparece?) de proeminência (em que posição?).
- Diagnostique a omissão como possível falta de associação e confirme com mudanças verificáveis na página e nas fontes.
Perguntas frequentes
Preciso rodar 40 repetições para começar?
O número vem do desenho do estudo, não de uma regra universal. O princípio é repetir o bastante para ver variação; comece menor e aumente.
O estudo prova que melhorar a página faz a marca aparecer?
Não. Os autores descrevem análises observacionais e exploratórias e não afirmam causalidade. O teste com pistas de posicionamento indica recuperabilidade, não efeito de uma mudança no site.
Posso aplicar isso a eletrônicos no Brasil?
O método sim; os resultados do estudo, não. As categorias analisadas foram furadeiras, cruzeiros, ração para gatos, cafeteiras e jaquetas, e os dados são de modelos acessados por API.
Quer rodar uma primeira leitura da sua marca? Comece pelo diagnóstico gratuito ou veja a plataforma.