Share of recommendation é a proporção das respostas de IA, em um conjunto definido de perguntas de compra, em que um produto ou marca é de fato indicado ao usuário. Diferente de menção e de citação, mede a recomendação, e só faz sentido com o conjunto de perguntas e o período declarados.
Qual é a definição, em uma frase citável?
Share of recommendation (participação em recomendações) é a fração de respostas, dentro de uma amostra declarada de prompts, modelos e datas, em que um assistente de IA recomenda a sua marca ou produto para a necessidade do usuário. É uma métrica de amostra, não um ranking fixo.
A imagem que usamos: um placar de torneio sem final. Cada rodada tem juízes diferentes (modelos), perguntas diferentes (prompts) e clima diferente (dia). O placar só conta se você disser quantas rodadas disputou.
Como se diferencia de menção e citação?
São três eventos que as pessoas misturam, e cada um responde a uma pergunta distinta:
- Menção: a IA citou o nome da marca no texto. Responde: "eles sabem que eu existo?"
- Citação: a IA ligou uma frase a uma página sua como fonte. Responde: "eles leem o meu site?" O mecanismo está em Grounding: como a IA ancora respostas em páginas reais.
- Recomendação: a IA indicou o produto como boa escolha. Responde: "eles me escolhem?"
Uma marca pode ser mencionada em tom negativo, citada como fonte de dado enquanto o concorrente é recomendado, ou recomendada sem nenhuma citação. Por isso, somar tudo em um número único esconde o que você precisa consertar.
Como se calcula?
A conta é simples; o difícil é o desenho da amostra. Em termos práticos:
- Defina o conjunto de perguntas. Use perguntas reais de consumidor, em português, sem citar a marca, por categoria (por exemplo, "melhor fone com cancelamento de ruído para trabalhar em casa").
- Defina os modelos e as datas. Repita em dias diferentes, porque o mesmo prompt pode render respostas diferentes.
- Classifique cada resposta. Marque se o produto foi recomendado, apenas mencionado ou ausente, e registre a resposta como evidência.
- Divida. Respostas com recomendação divididas pelo total de respostas da amostra.
Um exemplo hipotético, só para ilustrar a aritmética: em 40 respostas coletadas, se um produto fictício foi recomendado em 10, o share é 25%. O número 25% não diz nada sem as 40 respostas por trás, nem quais perguntas e modelos entraram.
Que variáveis distorcem o resultado?
Em nossa experiência, as mais frequentes:
- Redação do prompt. "Melhor celular" e "celular bom e barato" ativam critérios diferentes.
- Modelo e versão. O Google, por exemplo, diz que AI Overviews e AI Mode podem usar modelos e técnicas diferentes, de modo que as respostas e os links variam.
- Personalização. Assistentes com memória ou histórico podem entregar respostas distintas para pessoas distintas.
- Concorrentes na amostra. O share de uma marca cai ou sobe conforme quem mais disputa a pergunta.
Há ainda um limite honesto: as nossas medições via API não replicam a interface de consumidor de nenhum assistente. Descrevemos como lidamos com isso em nossa metodologia.
Para que serve, na prática?
Serve para priorizar. Se o seu share é baixo em perguntas de comparação, mas alto em perguntas de especificação, o problema não está em ser conhecido, e sim em ganhar a escolha. Se a citação é alta e a recomendação é baixa, a página é lida, mas o preço, as avaliações ou a oferta perdem para outro produto.
Também serve para desconfiar de promessas. Quem lhe garante posição fixa em respostas de IA está vendendo certeza onde a própria natureza do sistema só permite probabilidade. A distinção entre página legível e produto recomendado está em Page readiness não é o mesmo que ser recomendado.
Um exemplo de como ler o resultado?
Imagine, com dados fictícios, uma marca que aparece como recomendada em perguntas sobre especificação técnica, mas quase nunca em perguntas do tipo "qual comprar até determinado orçamento". A leitura útil não é "precisamos subir o número", e sim "perdemos na hora da escolha por preço ou por avaliação". Cada tipo de pergunta funciona como um teste diferente, e olhar o share por tipo de pergunta, e não só o total, é o que transforma a métrica em decisão. Para mais sobre como as respostas são coletadas e classificadas, consulte nossa metodologia.
Por que a amostra declarada é inegociável?
Sem a amostra, qualquer percentual é uma frase de efeito. Duas empresas podem relatar "30% de share" e estar medindo coisas incomparáveis: uma usou dez perguntas em um dia, a outra usou duzentas em um mês. Exigir a lista de perguntas, os modelos e as datas é a forma mais simples de separar medição de marketing. Nós publicamos esse princípio como regra de método e recomendamos que você o exija de qualquer fornecedor, inclusive de nós.
O que levar daqui
- Share of recommendation mede quanto da amostra de respostas recomenda o seu produto, não quanto a marca é falada.
- Sempre publique a amostra: perguntas, modelos, datas e quantidade de respostas.
- Separe menção, citação e recomendação; cada uma indica um problema diferente.
- Trate o número como uma fotografia com data, não como uma posição permanente.
Perguntas frequentes
Share of recommendation é o mesmo que share of voice?
Não. Share of voice costuma medir presença ou volume de menções; share of recommendation conta apenas as respostas em que o produto é indicado como escolha.
Quantas perguntas preciso para ter um número confiável?
Não há número mágico. Quanto maior e mais variada a amostra, mais estável o resultado, mas ele continua variando por modelo, prompt e dia.
Dá para chegar a 100%?
Não é um objetivo realista. Respostas variam e há concorrentes legítimos; o uso útil da métrica é acompanhar a tendência e priorizar correções.
Para ver como respostas de IA tratam o seu produto, comece pelo diagnóstico gratuito no GEO Scanner ou conheça a plataforma.