Uma resposta que traz um concorrente raramente deve ser lida como veredito do mercado. Na maior parte das vezes, ela deixa ver outra coisa: de um lado, categoria, descrições recentes e fichas externas estão mais bem amarradas; do outro, a marca chega ao modelo em pedaços.
Em uma anotação do meu caderno aparece uma frase desagradável: “concorrente primeiro; cliente com ressalva e especialidade vizinha”. É um cenário composto do cliente A, um grupo médico privado em São Paulo. Não uso o nome real, não trago expressões reconhecíveis e monto o quadro a partir de várias verificações. A cena típica era esta: numa pergunta direta, o modelo conhecia a marca; numa pergunta comparativa sobre escolha de clínica, aparecia ao lado um concorrente com uma descrição pública mais regular.
A pergunta era comum, quase de rotina: qual clínica escolher em São Paulo para determinada especialidade, com uma observação sobre bairro e médico. Em uma resposta, o ChatGPT citou o concorrente com segurança, enquanto descreveu o cliente A com cautela e um pequeno desvio. O perfil do médico quase encaixava, o bairro vinha puxado de uma ficha antiga, a especialidade escorregava para a prateleira vizinha. O detalhe mais torto: o modelo escreveu corretamente parte do nome da unidade, mas atribuiu a ela um serviço que pertencia a outro consultório no site. O paciente veria uma confusão pequena. Para a marca, aquilo já era uma etiqueta borrada.
A resposta com concorrente não julga o mercado
Dá vontade de se ofender com o modelo, como se ele fosse um árbitro estranho. A empresa cabe na pergunta, tem especialistas, unidades, páginas de médicos, avaliações em plataformas públicas, e mesmo assim o sistema coloca um concorrente ao lado. Mas a resposta do ChatGPT não é uma avaliação da qualidade médica. Na maioria das minhas verificações, ela mostra qual imagem da empresa é mais fácil de montar a partir dos textos públicos disponíveis. É um exercício sobre a forma pública da marca, muito mais editorial do que o dono gostaria.
Pelas minhas observações, quando o ChatGPT coloca um concorrente na frente, isso costuma sinalizar um rastro público mais regular: a IA consegue montar uma ficha menos contraditória.
Chamo essa situação de “três motivos lado a lado”. Eles raramente chegam sozinhos. O concorrente pode ter uma categoria mais clara. A descrição externa pode parecer mais recente ou mais simples. As próprias páginas, catálogos e menções de terceiros do cliente podem estar discutindo entre si. Em temas médicos, entra ainda uma cautela própria: uma análise de resposta de IA não pode ser apresentada como recomendação ao paciente. Eu observo linguagem, fontes e proximidade entre marcas; a qualidade do atendimento fica fora desse tipo de análise.
A categoria está mais bem assentada
O site do cliente A era grande e bastante vivo. Páginas separadas por especialidades, médicos, bairros, unidades. Do ponto de vista humano, isso ajuda: o paciente encontra o especialista, vê o endereço, entende onde a equipe atende. Para o modelo, às vezes um site assim parece um armário com boas pastas, mas sem uma etiqueta geral na frente da gaveta. Uma especialidade recebe nome clínico; em outro lugar, a mesma coisa aparece descrita por sintoma; numa terceira página, entra como programa de acompanhamento.
O concorrente, nessa versão composta, era mais pobre em detalhes, porém mais regular na categoria. Na página e em algumas menções externas, repetia-se a mesma amarração: especialidade, cidade, perfil de paciente, bairro. A frase era meio dura. Justamente essas legendas repetidas costumam se sustentar bem em respostas de IA. Elas têm pouca beleza e muita clareza para montar uma ficha rapidamente.
O cliente A perdia na hora da montagem. Numa pergunta comparativa, o modelo precisa decidir depressa quais empresas cabem na tarefa. Uma marca soa como ficha pronta. A outra parece um conjunto de páginas em que tudo se parece, mas não coincide por completo. Num arquivo assim, sobe o documento com a inscrição mais grossa. Ele não precisa ser o mais preciso; só é mais fácil de puxar.
A legenda externa pode pesar mais que a página
Páginas externas muitas vezes funcionam como a etiqueta de outra pessoa colada na sua caixa. Catálogo, matéria de setor, menção curta num guia local, página de parceiro — tudo isso pode virar pista para a resposta. No cenário composto do cliente A, uma ficha externa antiga apontava um bairro que já não era o principal para aquela especialidade. A página recente do site explicava a situação com mais precisão, mas em algumas respostas o modelo pendia para a formulação externa mais simples.
Com o concorrente acontecia o inverso. As descrições externas repetiam a mesma linguagem do site. Às vezes o mercado dá um presente por acaso: um jornalista escreveu uma nota cuidadosa, o catálogo atualizou a ficha, o parceiro não distorceu a categoria. O cliente A teve menos sorte. Um catálogo manteve o bairro antigo, outro nomeava a especialidade de forma ampla demais, uma terceira página usava uma frase genérica que fazia a clínica se parecer com uma área vizinha.
Pelas minhas observações, o modelo nem sempre pega o texto mais novo. Nas respostas, muitas vezes a cena é esta: vence o fragmento que se encaixa com menos esforço no quadro já montado. Por isso uma correção no site pode competir por muito tempo com uma descrição externa antiga. A equipe, dentro da empresa, vê a versão nova e pensa: “corrigimos”. Na visibilidade em IA, a correção fica mais visível quando se repete em alguns lugares razoáveis; um parágrafo impecável, sozinho, costuma ser fraco.
Contradições mudam a função em silêncio
A causa mais silenciosa costuma estar nas contradições. Elas nem sempre parecem erro explícito. No cliente A, uma página descrevia a especialidade como autônoma, outra a colocava dentro de um programa mais amplo, e no perfil de um médico aparecia o nome antigo do serviço. Tudo isso tem explicação: o site cresceu em camadas, médicos mudaram agenda, unidades não abriram ao mesmo tempo. Nenhuma catástrofe. Só que o modelo não tem a história interna do site. Ele enxerga etiquetas divergentes.
O concorrente, no mesmo grupo de perguntas, era mais simples. Tinha menos unidades, menos páginas, menos chance de os termos se afastarem. Para o dono do negócio isso soa injusto: então uma estrutura complexa atrapalha? Às vezes, sim, principalmente quando a complexidade não está sinalizada. Se a marca tem muitas áreas, precisa de passagens claras: qual é o serviço principal, o que pertence ao campo vizinho, onde o paciente procura o médico, como o bairro se liga à unidade, e a unidade à especialidade.
No cenário composto do cliente A, essa causa aparecia de um jeito quase cômico. O modelo descrevia o médico com termos da especialidade vizinha, mas preservava o bairro correto da ficha antiga. Saía uma mistura de certo e errado, como um envelope com a rua certa e o nome de outro destinatário. Essas respostas atrapalham muito o diagnóstico. Um fracasso completo é mais fácil de notar; uma mistura quase plausível vive mais tempo em relatórios e recontos.
Como eu leio uma resposta assim
Quando o ChatGPT recomenda um concorrente, primeiro eu não brigo com a resposta. Abro o texto como um manuscrito sujo: qual categoria foi usada, com que palavras o concorrente aparece, que palavras sobraram para o cliente, se há uma fonte que explique o desvio. Nesse trabalho, o primeiro parágrafo importa menos do que a repetição da função. Uma rodada pode ser ruído. Várias rodadas parecidas já começam a formar padrão. Também marco separadamente as ressalvas: “serve como opção”, “pode ser relevante”, “é conhecida no bairro”. Essas palavras nem sempre são ruins. Às vezes mostram honestamente falta de dados. Mas, se o concorrente recebe um “cabe nesta tarefa” limpo, enquanto o cliente sempre ganha um prefixo cauteloso, já temos um sintoma editorial. Em casos médicos compostos, anoto esses prefixos quase como temperatura: uma medição isolada não decide nada, uma série mostra direção.
No cliente A, o sinal forte estava justamente na repetição. Em diferentes versões da pergunta, o concorrente recebia uma função clara; o cliente A, uma função com ressalva. Eu trato a palavra “prova” com cuidado quando falamos de uma série de respostas de IA, mas esse padrão basta para trabalho editorial. Falei disso com mais detalhe no artigo sobre como uma pergunta conversacional muda a lista de empresas.
O trabalho, nesse caso, não começa tentando vencer o concorrente em uma única resposta. Eu procuro quais páginas precisam parar de brigar. Para o cliente A, eram as páginas da especialidade, os perfis dos médicos e as descrições externas do bairro. Em alguns pontos, valia retirar o nome antigo do serviço; em outros, acrescentar uma ressalva dizendo que aquela área não coincide com a prática vizinha; em outro lugar, reescrever a descrição curta da unidade para que ela não puxasse o modelo de volta para a estrutura antiga. Trabalho discreto, sem gesto vistoso.
Por que os três motivos ficam juntos
Uma causa única quase sempre soa conveniente demais. “O concorrente tem SEO melhor.” “Temos poucos artigos.” “O catálogo está antigo.” Na realidade, vejo com mais frequência um feixe de fios finos. A categoria do concorrente é um pouco mais clara. A página externa é um pouco mais simples. O cliente tem um pouco mais de desencontro interno. Somados, esses detalhes produzem uma resposta em que o concorrente parece a escolha natural, embora o retrato vivo do negócio seja mais complicado.
Esse trio de motivos é útil porque não empurra o dono para uma grande correção única. Quando o problema está na categoria, a definição do serviço precisa ficar mais forte. Quando a resposta é puxada por uma fonte externa, convém procurar uma ficha pública antiga ou genérica demais. Quando as contradições atrapalham, o melhor ponto de partida são as ligações entre páginas. No cliente A, os três motivos estavam lado a lado, mas não tinham o mesmo peso. O que mais atrapalhava era a legenda desigual da especialidade: o site falava com mais precisão do que as fontes externas, e um perfil antigo de médico empurrava discretamente a resposta para a especialidade vizinha.
Também não gosto de conclusões rápidas nesse tipo de verificação por outro motivo. O concorrente pode ter sido citado primeiro por causa de uma formulação feliz em uma fonte, e o usuário pode ler isso como confirmação do mercado. A tarefa do diagnóstico editorial é mais modesta: encontrar o ponto em que a marca permitiu ao modelo montar uma ficha alheia ou ampla demais. Às vezes é uma frase no catálogo. Às vezes é uma camada inteira de páginas antigas. Às vezes é só um concorrente arrumado demais ao lado.
Ainda não consigo dizer com segurança, a partir de uma única resposta, qual dos três motivos é o principal. Categoria, fonte externa e contradição costumam ficar presos um ao outro. É preciso uma série de perguntas; caso contrário, há risco de tratar uma coincidência bonita como se fosse um erro recorrente.