Uma resposta bonita do modelo faz a gente baixar a guarda. A planilha faz o contrário: corta o parágrafo redondo em campos, onde dá para ver se a marca foi citada, de onde veio a formulação, o que saiu do lugar e quem apareceu ao lado.
No caso do cliente A, aquele mesmo cenário composto de um grupo médico privado em São Paulo, havia uma resposta que dava vontade de mostrar ao diretor na mesma hora. A consulta em português buscava uma clínica para uma necessidade médica específica na cidade. O modelo pôs a marca no começo da resposta, descreveu sem alarde, citou o bairro e acrescentou uma frase bem arrumada sobre os médicos. À primeira vista, uma pequena vitória. Cheguei a perceber a mão quase indo fazer uma captura de tela para mandar por e-mail.
Depois levei a resposta para a planilha. No campo “menção”, escrevi “sim”. No campo “fonte”, deixei um ponto de interrogação: o link não explicava metade da formulação. No campo “erro”, entrou uma associação antiga com o bairro. No campo “concorrente”, apareceu uma clínica vizinha que o modelo havia colocado ao lado por causa de outra especialidade. O último campo, “ação”, ficou bem menos festivo: revisar fichas antigas das unidades e reescrever descrições curtas dos médicos. A resposta bonita sentou na cadeira, tirou o paletó e virou um caso comum de trabalho.
Por que uma resposta bonita é perigosa
Não tenho nada contra respostas bonitas. Às vezes, o modelo realmente ajuda a enxergar como a marca soa vista de fora. Mas, numa auditoria de visibilidade em IA, a beleza atrapalha com frequência. Um parágrafo redondo cria a sensação de que o sistema entendeu a empresa. Ainda mais quando a marca foi citada, a categoria está mais ou menos certa e o tom parece confiante. Para alguém que esperou meses para ver a marca aparecer no ChatGPT, isso basta para começar a comemorar.
O problema é que uma resposta de IA precisa ser lida como o rascunho de uma memória alheia. Ela pode trazer o nome correto e uma razão errada, a categoria exata e uma fonte antiga, uma lista coerente de concorrentes e um serviço sobrando do passado. Tudo isso mora no mesmo parágrafo. Enquanto o parágrafo não é separado em partes, o erro parece uma pequena sombra. Na planilha, a sombra vira uma linha própria.
No caso do cliente A, isso ficava especialmente visível. A marca aparecia em várias consultas, mas quase sempre com uma rachadura pequena. Em uma rodada, o bairro antigo. Em outra, a especialidade vizinha. Em uma das rodadas, o modelo escrevia o nome do médico quase certo, mas usava uma descrição tão ampla que o perfil ficava turvo. Nenhum erro parecia uma catástrofe. Juntos, eles mostravam o ponto fraco: o desenho público da clínica estava montado de forma desigual.
Uma auditoria manual de visibilidade de marca em IA é uma planilha de divergências recorrentes entre consulta, resposta, fonte e ação, porque uma captura isolada é fácil demais de confundir com conclusão.
As células que devolvem o pé no chão
Minha planilha básica é sem graça. A virtude dela está aí. No centro, mantenho cinco campos de trabalho: consulta, menção da marca, fonte, erro e ação. Ao lado ficam campos auxiliares — idioma, data, modelo, concorrente. Eles ajudam na comparação, mas não podem tomar a atenção. Quando uma planilha tem colunas demais, a gente passa a trabalhar para a planilha em vez de ler a resposta.
A palavra “menção” parece simples, mas mesmo ali existem nuances. A marca pode aparecer como opção principal, alternativa secundária, item de uma lista longa ou exemplo sem recomendação. Para um diretor, tudo isso às vezes soa igual: “fomos citados”. Para a auditoria, são estados diferentes. Ser o primeiro candidato e ser uma linha meio acidental em uma lista geral são formas distintas de presença.
A fonte também oscila. Às vezes o modelo mostra um link, mas a resposta claramente foi montada a partir de algo mais amplo. Em outra resposta, o link explica a categoria, enquanto o bairro fica sem apoio. Há ainda uma combinação desagradável: link recente ao lado de erro antigo. Na tela, isso produz uma mistura plausível. O leitor vê uma fonte atual e desconfia menos do detalhe que veio de outro lugar. Não tento reconstruir perfeitamente os bastidores da resposta. Para mim, basta encontrar rastros públicos que possam ter sustentado a formulação.
Há outro motivo para manter a planilha pequena. Na primeira semana de auditoria, quase sempre dá vontade de acrescentar tudo: tom da resposta, tamanho do parágrafo, posição da marca, tipo de link, formulações vizinhas, confiança do modelo. Em poucos dias, essa planilha vira um pântano. Prefiro começar anotando aquilo que leva a uma correção. Se um campo não ajuda a tomar uma decisão editorial, ele pode esperar. Depois, quando eu tiver uma série, dá para trazê-lo de volta.
Essa mesma planilha ajuda também no cenário composto do cliente B, sobre uma página em inglês que faz um serviço B2B brasileiro parecer de fora. A lógica é a mesma: primeiro a resposta parece aceitável; depois, em um campo separado, fica claro que a tarefa local virou uma categoria genérica.
O que conta como ruído e o que conta como sinal
Há muito ruído nas respostas de IA. Uma rodada pode produzir uma estranheza que amanhã desaparece. Por isso eu não gosto de relatórios construídos em cima de uma captura de tela bonita. Eles lembram uma conclusão médica tirada de uma única foto do rosto: alguma coisa aparece, mas o diagnóstico soaria ousado demais. Na planilha, surge uma série. A série não nos torna oniscientes, mas reduz o risco de nos apaixonarmos pelo acaso.
No meu caderno de papel, ainda faço pequenas anotações nas margens. Por exemplo: “tom confiante demais para fonte fraca” ou “concorrente combina pelo bairro, mas não pela tarefa”. Essas notas raramente entram no relatório ao pé da letra. Mesmo assim, um mês depois, ajudam a lembrar por que aquela linha parecia suspeita. A memória gosta de alisar erros antigos; o papel resiste.
O sinal começa quando o erro se repete em formulações diferentes. Se o bairro antigo aparece uma vez, eu marco e sigo. Se ele aparece em uma consulta seca, em uma pergunta em tom de conversa e em uma consulta com o bairro, já temos uma hipótese de trabalho. Se o modelo coloca sempre o mesmo concorrente ao lado, olho quais palavras tornam as duas empresas parecidas. Talvez o concorrente tenha uma categoria mais clara. Talvez a página do cliente seja ampla demais. Talvez um catálogo externo tenha misturado os dois na mesma seleção.
No caso do cliente A, o mesmo tipo de divergência se repetia. O modelo parecia saber que a clínica existia, mas não conseguia manter claro o recorte médico dela. É uma diferença sutil. A ausência da marca segue uma lógica de correção: há poucos rastros visíveis. Uma marca embaçada pede outro tipo de trabalho. Os rastros existem, mas apontam de ângulos diferentes. A planilha leva a discussão para as linhas: aqui está a consulta, aqui está a resposta, aqui está o erro, aqui está a fonte provável, aqui está a ação.
Como a planilha conversa com as correções do site
Depois de algumas rodadas, a planilha começa a sugerir um plano editorial. Não falo de uma receita com dez artigos. Ela mostra onde a amarração do site está fraca. Se os erros giram em torno do bairro, é preciso olhar unidades, fichas, páginas locais e cadastros externos. Se giram em torno do serviço, é preciso olhar a página da especialidade, os textos dos médicos, notícias antigas e descrições de parceiros. Se giram em torno de um concorrente, os sinais distintivos que o cliente entende bem em conversas talvez estejam mal fixados no texto.
No cliente composto A, a primeira correção não foi na página inicial. Isso surpreendeu a equipe. A página inicial parecia bem cuidada e, de fato, não era a principal origem da rachadura. As perguntas mais incômodas vinham das descrições curtas dos médicos e de algumas fichas externas. Em um lugar, a clínica chamava a especialidade pelo nome mais preciso; em outro, ampliava o termo para ficar mais claro; em um terceiro, mantinha uma frase antiga que já não descrevia a prática atual. Para uma pessoa, tudo isso podia ser explicado. Para o modelo, virava um coro desafinado.
A planilha funciona aqui como um editor inconveniente. Ela não deixa a equipe se esconder atrás de frases gerais como “precisamos fortalecer o conteúdo”. Ela exige uma decisão por linha. Corrigir a fonte. Acrescentar um detalhe. Conectar a página do médico à especialidade. Reescrever a descrição local da unidade. Nada heroico. Só que, depois desse trabalho, a próxima auditoria pode ser comparada com a anterior. A próxima auditoria continua a mesma linha de observação, em vez de virar mais uma coleção de impressões. Para uma equipe pequena, isso importa bastante: a conversa sai do gosto pessoal e vai para o trabalho, do “eu acho” para uma linha verificável.
O mesmo princípio ajuda a ler a confusão médica em uma análise vizinha sobre o cliente composto A — a clínica de São Paulo que virou uma especialidade ao lado. Sem a planilha, é fácil tomar a menção da marca como sucesso, mesmo quando o erro mora dentro da categoria e do bairro.
Onde a auditoria manual é mais honesta que um painel
Painéis automáticos são tentadores. Gráficos, percentuais, blocos bonitos. Entendo por que as equipes gostam deles: é mais fácil mostrar à diretoria, comparar meses, sentir que o caos já foi domado. Mas, no estágio inicial da visibilidade em IA, a planilha manual muitas vezes é mais honesta. Ela não esconde as asperezas atrás de uma média.
Pelo que tenho observado, isso fica especialmente nítido para marcas locais no Brasil. Consultas em português podem mudar por causa de um único detalhe coloquial, e a resposta vai para o lado. O quadro típico é este: o paciente descreve o sintoma, o dono do negócio descreve a tarefa, o profissional de marketing usa a categoria, e o atendente acrescenta uma abreviação local. Se o painel verifica apenas consultas bem arrumadas, ele mostra uma cena limpa demais. No meu caderno, as linhas mais úteis costumam nascer de formulações desajeitadas, do tipo que uma pessoa real escreveria no celular, entre duas tarefas.
Isso não quer dizer que a planilha manual precise viver para sempre. Se o volume de verificações crescer, uma parte do trabalho pode ser formalizada. Mesmo assim, eu começaria pela camada manual. Ela ensina a ver erros e a não se limitar à contagem de menções. Se o interesse atual por visibilidade em IA continuar crescendo, podemos esperar mais painéis bonitos e menos paciência para trabalho manual. É uma previsão com ressalva. Ela deixa de valer se as ferramentas aprenderem a mostrar a fonte da divergência com mais profundidade do que uma pontuação final.
Ainda não conseguimos reconstruir com precisão por que o modelo escolheu uma formulação específica em cada resposta. Dá para ver rastros, repetições, fontes prováveis e divergências. Isso basta para o trabalho editorial, mas não basta para um relato seguro demais sobre o mecanismo interno.