Medir visibilidade em IA: ferramenta paga ou metodologia própria

Para medir visibilidade em IA, a ferramenta paga entrega volume e velocidade. A metodologia própria entrega rastreabilidade. O número confiável nasce do protocolo declarado: quais perguntas, em qual motor, em que data. Sem isso, os dois caminhos produzem um painel bonito que ninguém consegue auditar na reunião de diretoria.

A decisão não é de ferramenta. É de prova.

O que uma ferramenta de monitoramento de IA realmente mede?

Ela roda listas de prompts contra ChatGPT, Gemini, Perplexity e AI Overviews. Depois registra se a sua marca apareceu, em que posição e com qual fonte.

O ganho é escala. Nenhuma pessoa roda quinhentas perguntas por semana em quatro motores.

O painel entrega bem três coisas: cobertura de prompts, série histórica e comparação com concorrentes. Isso responde a pergunta mais básica, que é se você aparece.

O chamado share of voice desses painéis é uma média. Ele soma aparições de naturezas diferentes e devolve um número só.

O limite aparece na segunda pergunta. Como esse número foi obtido?

Muita ferramenta não abre a lista de prompts, o idioma, a região nem o tipo de conta usada. O número descreve então um experimento que você não consegue repetir.

Como medir visibilidade em IA com metodologia própria?

A medição própria começa pela frase que o seu cliente digita. Não é palavra-chave, é pergunta de compra.

Você fixa a lista, roda em cada motor, salva a resposta verbatim e anota a data. O resultado é pequeno em volume e forte em evidência.

Esse formato resolve uma confusão cara. Menção não é citação. Cada uma exige um trabalho diferente, como já detalhamos na peça sobre menção e citação.

O custo é tempo. Quarenta perguntas em quatro motores, com registro e captura de tela, consomem horas toda semana.

Por que dois relatórios dão números diferentes para a mesma marca?

Porque a resposta do modelo varia. Ela muda com a conta, o histórico, a região, o horário e a aleatoriedade do próprio modelo.

A decomposição de variância em respostas de modelos de linguagem mostra outra coisa. Parte do resultado é ruído, não posicionamento (Żatuchin, estudo de componentes de variância em LLM). Detalhamos esse mecanismo no post sobre como a IA recupera fontes e decide quem citar.

A consequência é direta. Uma rodada única não é medição. Repetição e data transformam observação em dado.

É por isso que dois fornecedores honestos podem entregar números diferentes no mesmo mês. A divergência não prova má fé, prova ausência de protocolo comum.

Quando a ferramenta paga compensa?

Ela compensa em três cenários.

• Setor com muitos concorrentes, onde a comparação vale mais que o detalhe.
• Necessidade de série histórica longa, que ninguém mantém na mão.
• Time sem horas livres para rodar a medição toda semana.

Existe uma condição. Exija que o fornecedor abra a lista de prompts e a metodologia. Sem isso, você comprou um índice, não uma medição.

Quando a medição própria compensa?

Ela compensa quando a decisão é grande e as perguntas são poucas.

• Operações de ABM, com ticket alto e um punhado de perguntas que importam de verdade.
• Reuniões de diretoria, onde a resposta verbatim vale mais que a média do painel.
• Conteúdo em português, que muita ferramenta cobre mal por rodar primeiro em inglês.

Ela também obriga o time a ler a resposta inteira. Quem lê a resposta descobre o argumento que a IA usou, e não só a posição da marca.

O que perguntar antes de assinar uma ferramenta?

Cinco perguntas separam painel de medição.

• Vocês mostram a lista completa de prompts usada na leitura?
• Em qual região e em qual idioma cada consulta roda?
• A consulta roda em conta logada ou anônima?
• Quantas repetições entram em cada leitura?
• Vocês guardam a resposta verbatim ou só o resultado agregado?

Se as cinco tiverem resposta clara, o índice do painel vira auditável. Se não tiverem, trate o número como sinal, nunca como prova.

Como montar um protocolo de medição que a diretoria aceita?

Que perguntas entram na lista?

Entram as perguntas que antecedem a compra, não as que descrevem a sua empresa. “Melhor agência de ABM no Brasil” é pergunta de compra. “O que é ABM” é pergunta de estudo.

Vinte a quarenta perguntas cobrem a maioria dos casos B2B. Congele a lista por um trimestre, senão a série não compara nada.

O que registrar em cada rodada?

Seis campos bastam: motor, data e hora, região e idioma, tipo de conta, resposta verbatim e fontes citadas.

Rode a mesma pergunta três vezes em cada motor. A frequência com que a marca aparece vale mais que o resultado de uma tentativa isolada.

Guarde as respostas em texto, não em imagem. Texto permite recontar as citações depois, imagem não permite.

Por que ranking não explica citação?

Porque a IA não escolhe fonte do mesmo jeito que o buscador ordena link. Em estudo da Ahrefs com 75 mil marcas, as menções de marca correlacionam 0,664 com a citação por IA. O Domain Rating fica em 0,326 e os backlinks em 0,218. Mostramos a leitura completa no post sobre o que a correlação prova sobre a citação da IA.

Um painel que só olha posição orgânica erra a causa. O relatório de tráfego também não salva. A SparkToro estimou em 2026 que 68% das buscas terminam sem clique. Já usamos esse dado ao explicar por que a IA cita o concorrente e não você.

Ou seja, o efeito acontece fora do seu Analytics. Medir visibilidade em IA é exatamente olhar onde o clique não chega.

Então, ferramenta paga ou metodologia própria?

Use as duas, com papéis separados. A ferramenta cobre amplitude e tendência. O método próprio produz a prova que sustenta a decisão.

Quem só tem painel não defende o número quando alguém pergunta como ele saiu. Quem só tem método não cobre o setor inteiro.

Se você ainda não tem nenhum dos dois, comece pela lista de perguntas de compra. Depois faça uma rodada documentada e registre tudo. É assim que o Modo Referência abre qualquer trabalho, antes de recomendar qualquer coisa.