Como cheguei à visibilidade de marcas em sistemas de IA

Em catálogos antigos de produtos, eu via muitas vezes uma cena assim: o comprador digitava uma busca normal, em linguagem de gente, e o sistema oferecia a categoria vizinha, porque lá dentro tudo tinha sido nomeado em linguagem de estoque. “Acessório” ficava ao lado de “peça de reposição”, o serviço estava escondido numa seção ampla demais, a ficha do produto vivia sob um nome que ninguém dizia em voz alta. Por fora, isso parece miudeza editorial. Ali, nessa miudeza, se decide quem encontra a empresa e com qual expectativa.

Meu nome é Rafaela Mendes, tenho perto dos quarenta. Nasci em uma cidade litorânea do Nordeste do Brasil, numa família em que os jornais eram lidos devagar e as manchetes eram discutidas em voz alta. Estudei numa universidade no Sudeste do país. No começo, o que me puxava era a língua e a estrutura do texto; depois, os sistemas de busca, as taxonomias e aquele lugar meio estranho onde uma descrição humana vira uma ficha de máquina. Entendi cedo que as palavras na interface funcionam como etiquetas no estoque: quase ninguém repara nelas, até a caixa ir para o lugar errado.

Trabalho com análise de busca e edição há mais de dez anos. No começo, montei taxonomias para lojas virtuais: decidia como nomear uma seção para que o comprador a entendesse e a busca não se perdesse. Depois escrevi pautas técnicas para equipes de SEO, fiz análise semântica, revisei páginas antigas em que metade das palavras servia só para o robô e atrapalhava a pessoa. Mais tarde, trabalhei como editora científica em uma revista especializada em tecnologias aplicadas. Ali precisei me acostumar a outro ritmo: verificar termos, fazer perguntas incômodas aos autores, separar uma explicação forte de uma névoa confiante. Às vezes, um bom texto desmoronava por causa de uma palavra bonita e imprecisa.

Passei a trabalhar com visibilidade de marcas em IA depois que os sistemas conversacionais de IA viraram uma ferramenta comum na busca por serviços. Empresas começaram a chegar com uma pergunta parecida: por que o modelo cita concorrentes e não cita a gente? No início, isso parecia uma nova versão do velho problema de busca. Depois ficou claro que o mecanismo era outro. Antes, a atenção ficava mais na página do resultado de busca: título, resumo, posição, clique. Agora é preciso observar que imagem da empresa o modelo monta a partir de dezenas de pedaços — site, catálogos, descrições antigas, comparações feitas por terceiros, menções curtas na mídia. Às vezes essa imagem parece uma pessoa em um arquivo mal identificado: o sobrenome está lá, o processo está ao lado, mas a pasta é de outra pessoa.

A visibilidade de uma marca em sistemas de IA é a probabilidade de o modelo citar a empresa, descrever corretamente seu papel e associá-la a fontes confiáveis. Em um projeto anonimizado com uma clínica privada, o modelo encontrava a marca na pergunta direta, mas, nas respostas comparativas, associava a clínica a uma especialidade próxima; escrevia o nome do médico quase certo e pegava o bairro de uma página antiga de catálogo. Num retrato montado a partir de várias verificações, um serviço B2B aparecia para os modelos como um fornecedor genérico de automação: a categoria batia, mas a especialização forte se perdia, e um sistema insistia em atribuir a ele um serviço antigo, retirado do site muito antes da verificação. Não era o conjunto de erros mais bonito. Era reconhecível.

Minha posição nessa área é simples. Uma página principal sozinha não basta: a marca precisa de uma rede densa de explicações — quem vocês são, para quem trabalham, no que se diferenciam, que sinais de experiência podem ser conferidos, que palavras do português local os clientes realmente usam. Tenho cautela com conclusões tiradas de uma única resposta boa. O modelo pode citar a marca hoje, deixar passar amanhã e depois confundi-la com uma empresa parecida da cidade ao lado. Por isso observo sequências de perguntas, fontes e estranhezas recorrentes. Uma parte das notas eu escrevo no papel: a mão é mais lenta que a tela, e isso às vezes evita conclusões rápidas demais.

Primeiro pego uma pergunta que um cliente de verdade poderia fazer: às vezes cuidadosa, às vezes com uma abreviação local ou um nome meio torto do serviço. Algumas rodadas mostram logo o caráter do problema: um modelo pega um catálogo antigo, outro confunde o bairro, o terceiro parece responder bem — até você abrir a fonte e ver que ela fala da empresa vizinha. Só depois disso faz sentido falar em ajustes. Quando uma falha parecida aparece em vários projetos, não apresento aquilo como história de um cliente; monto uma nota separada, sem detalhes reconhecíveis. Quando há poucos dados, digo isso direto. Nomes, formulações e documentos internos não entram nos textos públicos. Ao mesmo tempo, não tento polir o mercado até ele caber numa fórmula estéril: nomes estranhos de serviços e hábitos locais de busca muitas vezes importam mais que um gráfico limpo.