Uma resposta do modelo parece um carimbo ainda molhado: a forma já aparece, mas as bordas escorrem. Cinco rodadas servem para ver quais manchas voltam depois de mudar a formulação, a fonte e as marcas vizinhas.
No cenário composto do cliente A, abro meu caderno de papel numa página com várias anotações curtas sobre a mesma consulta: uma pessoa procura um grupo médico privado em São Paulo usando uma frase de gente, em português. O cliente A é um grupo médico privado de São Paulo, com várias unidades, páginas de médicos, de especialidades e de bairros. Em uma linha, o modelo cita o grupo, mas puxa um bairro antigo de um catálogo externo. Em outra, a marca desaparece, embora apareçam duas práticas médicas com palavras parecidas na descrição. Na terceira, o sobrenome do médico está quase certo; só uma letra parece ter ido parar na prateleira ao lado.
Para uma pessoa, isso é um conjunto de pequenas imprecisões. Para mim, no caderno, já é um rastro: em algum lugar, a descrição pública da marca está montada de um jeito que o modelo reconhece a caixa, mas lê a etiqueta antiga. Na consulta direta, a empresa aparece; nas respostas comparativas, perde contorno; nas perguntas em tom de conversa, mistura-se com uma especialidade vizinha. Uma falha assim raramente parece uma catástrofe. Lembra mais um mapa em que as ruas estão nomeadas corretamente, mas uma ponte leva para outro bairro.
Por que não trato uma única resposta como mapa
A primeira boa resposta tranquiliza com facilidade demais. O modelo citou a marca, indicou a cidade, acrescentou uma frase segura sobre a especialidade. O dono ou o profissional de marketing, nesse momento, vê quase uma prova pronta: a empresa existe nas respostas do ChatGPT; então, mais ou menos, está funcionando. Entendo bem essa tentação. Especialmente quando a resposta combina com a forma como a própria equipe descreve o negócio em reuniões.
O problema está na delicadeza do sinal. Uma resposta pode se apoiar numa formulação feliz da consulta, numa fonte que apareceu por acaso, numa palavra ampla ou numa ficha antiga em que a marca está descrita de modo mais simples do que no próprio site. Na rodada seguinte, o mesmo modelo pode colocar outro concorrente ao lado, tirar a marca da lista ou atribuir a ela um serviço que existe apenas numa descrição externa antiga.
Cinco rodadas de uma consulta são uma verificação de estabilidade da resposta: elas mostram quais erros voltam quando a formulação muda. Esse é meu principal ponto de apoio nesse tipo de trabalho. Não faço de cinco linhas uma grande estatística. Seria estranho desenhar um gráfico confiante a partir de uma pequena observação manual. Mesmo assim, a série de rodadas ajuda a separar uma variação linguística pontual de uma falha recorrente.
No caderno, mantenho cinco campos: formulação da consulta, composição da resposta, fonte de apoio, estranheza, próxima ação. Esse registro parece tedioso. A força dele está aí. Ele não me deixa contar uma boa história antes de eu ver o que, de fato, se repete.
Formulação da consulta
Anoto a consulta inteira, mesmo quando ela soa torta. Principalmente nesse caso. Uma pessoa real raramente pergunta do jeito que está escrito numa planilha semântica. Ela acrescenta bairro, sintoma, medo, indicação de alguém, abreviação local. Em português, isso aparece bastante: a mesma necessidade pode soar formal, de conversa, com erro no nome do serviço ou com uma palavra curta que só faz sentido dentro da cidade.
No caderno, isso costuma ficar visível já nas duas primeiras linhas. A consulta formal dá uma resposta mais arrumada. Quando a pessoa pergunta de modo mais amplo, pelo bairro e pela tarefa, o modelo tende a escolher práticas médicas vizinhas. A marca nem sempre desaparece. Às vezes a resposta fica turva: cidade certa, categoria parecida, especialidade deslocada. São justamente essas falhas no meio do caminho que mais passam despercebidas numa verificação rápida.
Eu não reduzo a consulta a uma palavra-chave bonita. Vai para o caderno a frase inteira: com bairro, detalhe a mais, às vezes com o nome torto do serviço. Se depois eu precisar explicar a conclusão ao cliente, preciso de um registro que preserve a irregularidade da pergunta original. A memória é prestativa demais nessas tarefas. Ela endireita aquilo que, na verdade, era áspero.
Às vezes, já pela formulação, dá para ver por que a resposta saiu do trilho. A consulta pede uma clínica, mas usa uma palavra que, no site do cliente, aparece perto de uma especialidade vizinha. Ou a pessoa escreve um bairro que ficou num catálogo externo, mas já se liga mal à estrutura atual de serviços. Então o erro do modelo é puxado por uma palavra que a própria empresa deixou em algum lugar sem cuidado.
Composição da resposta e vizinhança das marcas
No segundo campo, anoto quem apareceu ao lado. Nas respostas dos modelos, a marca raramente vive sozinha. Ela aparece entre concorrentes, catálogos, especialistas, às vezes entre empresas com outra lógica de serviço. Essa vizinhança mostra em qual prateleira da máquina a empresa foi parar.
No cenário médico, ao lado apareciam com frequência duas práticas que faziam sentido e uma de uma especialidade vizinha. O último detalhe importa: era uma confusão quase plausível. A prática da área vizinha tinha palavras parecidas na descrição, uma menção antiga no mesmo bairro e uma ficha externa curta. Para um paciente real, a diferença é relevante. Para o modelo, os rastros ficaram próximos demais.
Costumo registrar a vizinhança com palavras simples: “concorrentes diretos ao lado”, “catálogo ao lado”, “especialidade vizinha ao lado”, “outro bairro ao lado”. Isso não é ranking nem acusação contra o modelo. A vizinhança ajuda a entender como a marca aparece entre outras entidades. Se a empresa surge apenas em listas amplas, sua forma para a máquina embaça. Se aparece entre as empresas certas, mas perde sua característica própria, o problema já é mais sutil.
Às vezes o cliente pergunta por que o concorrente apareceu acima ou com mais destaque. Não respondo na hora. Primeiro olho como esse concorrente está descrito fora do próprio site. Acontece de uma empresa ser mais fraca no serviço real, mas ter descrições públicas mais alinhadas. A máquina não tem nosso conhecimento de reuniões, apresentações e materiais internos. Ela trabalha com o que se repetiu em páginas acessíveis.
Fonte e pequena estranheza
O terceiro campo é a fonte. Se o modelo mostra links, eu os anoto. Se não há links, marco com cuidado: a resposta parece vir de um catálogo externo, de uma página de médico, de uma descrição antiga de unidade, de um perfil curto. Aqui é fácil passar do ponto na certeza. Por isso não escrevo “o modelo tirou daqui” quando não tenho um link direto. Escrevo: “parece uma fonte externa” ou “a formulação é próxima de uma descrição antiga”.
Um catálogo externo antigo, nessas verificações, costuma parecer especialmente pegajoso. No site, a estrutura já está mais organizada; no catálogo, permanecem o bairro antigo, a categoria ampla e uma associação ultrapassada entre médico e especialidade. Para uma pessoa, é uma página que há muito tempo ninguém considera central. Para o modelo, é um papelzinho com campos convenientes: nome, categoria, bairro, especialista.
O quarto campo eu chamo de estranheza. É a parte mais humana da anotação. O modelo pode confundir o bairro, entortar um pouco o sobrenome, deixar o serviço mais amplo do que deveria ou grudar no médico uma descrição de especialidade vizinha. Esses detalhes parecem pequenos até começarem a se repetir. Aí viram uma trilha.
Tento não alisar essas asperezas no relato. Uma história lisa demais ensina mal. Na vida real, a resposta do modelo muitas vezes parece quase certa: a marca é aquela, a cidade é aquela, o especialista quase aquele, mas uma palavra faz a descrição inteira parecer de outra empresa. No caso médico, esse meio-termo incômodo era reconhecível: o modelo enxergava o grupo, mas em alguns pontos o lia por meio de uma ficha externa antiga.
Ação depois de cinco linhas
O quinto campo é a ação. Sem ele, o caderno vira uma coleção de estranhezas. Depois de cinco rodadas, observo qual erro voltou, em que fonte ele parece se apoiar e quais páginas podem alimentá-lo. Se o erro apareceu uma vez, marco como sinal fraco. Se volta em formulações diferentes, trato com mais seriedade.
As primeiras correções seriam bem pé no chão. Verificar se as especialidades recebem o mesmo nome nas páginas de médicos, unidades e serviços. Conectar o bairro à página atual, não a uma descrição arquivada. Encontrar cadastros externos em que o endereço antigo ou a categoria ampla soam mais seguros do que o texto novo do site. Separadamente, marcar pequenas questões ortográficas nos nomes dos especialistas: sozinhas, raramente quebram a visibilidade, mas ao lado de um bairro antigo reforçam a sensação de cadastro ruim.
Gosto de começar justamente por essas correções pequenas, porque elas ficam mais perto da causa real da falha. Reescrever o site inteiro é psicologicamente mais simples: dá a sensação de uma mexida grande. Mas, se o problema está na ligação “bairro — médico — especialidade vizinha”, um grande texto na página inicial pode não mudar nada. É preciso um conserto cuidadoso das etiquetas.
Se o hábito atual de as pessoas perguntarem aos modelos como se perguntassem a um conselheiro continuar, dá para esperar que cadernos de registro manual se tornem uma primeira forma normal de diagnóstico para marcas locais. É uma previsão, não um fato. Painéis automáticos serão úteis, mas a primeira dor muitas vezes aparece em cinco campos: consulta, resposta, fonte, estranheza, ação.
Uma lógica parecida volta na análise de um serviço B2B que virou automação genérica. E a confusão local entre bairro e serviço eu examino separadamente no artigo sobre uma prática jurídica.
Continua incerto onde passa a fronteira entre uma variação casual da resposta e uma imagem estável da marca para a máquina. Às vezes, um erro pequeno desaparece depois da mudança da consulta. Às vezes, ele acaba sendo a porta para uma camada antiga de descrições externas.