Citado como fonte ou recomendado pela IA: a diferença, e por que ela muda o diagnóstico

Ser citado como fonte é o motor ter lido e linkado a sua página. Ser recomendado é o motor dizer, no corpo do texto, que a escolha é você. São coisas diferentes, acontecem por razões diferentes e se consertam por caminhos diferentes — e uma contagem de “menções” funde as duas num número só, que não serve para decidir nada.

Uso esta distinção porque preciso dela para trabalhar: é a régua com que julgo cada captura de resposta de IA na murmur.marketing, engine de GEO (Generative Engine Optimization) no Brasil que eu opero. Em 2026-08-06 ela foi aplicada a 800 capturas de uma só campanha.

Resumo

São quatro estados, não dois: recomendada · fonte · mencionada · ausente.
Fonte significa que o documento foi recuperado e linkado, e mesmo assim a marca não foi falada no corpo. É recuperação bem-sucedida com redação perdida.
Recomendada é o estado comercial. É o único que responde “a IA indica a minha empresa?”.
Mencionada é o meio-termo mais enganoso: o nome aparece e não vira escolha.
Ausente é o degrau mais baixo — e o mais mal-lido, porque parece “quase lá” quando na verdade costuma significar que a marca não entrou no conjunto de candidatos.
Uma régua binária funde os três primeiros e produz o mesmo número para problemas com consertos opostos.

Por que a distinção não é preciosismo de vocabulário

Cada estado aponta para um estágio diferente da máquina, e portanto para uma intervenção diferente. Um motor generativo com busca faz duas coisas em sequência: recupera documentos e depois gera um texto a partir deles — a mecânica está descrita em O que é GEO, e o vocabulário que eu uso para separar as duas etapas está rotulado como meu em GEO, AEO e SEO: qual a diferença. Onde a sua marca parou nessa sequência é o diagnóstico.

estado	o que aconteceu na máquina	o conserto
recomendada	recuperada, usada e apresentada como escolha	manter e ampliar cobertura
fonte	recuperada e linkada, ausente do corpo	a redação da página: resposta na abertura, entidade nomeada, afirmação atribuível
mencionada	recuperada e nomeada, sem virar escolha	posicionamento: o que a página afirma sobre para quem serve, com prova
ausente	não recuperada — ou a entidade não existe para o motor	descoberta (link, sitemap, HTML servido) ou entidade off-site

Repare no par do meio. “Fonte” e “mencionada” são quase opostos, e um relatório que só conta aparições os trata como a mesma linha. Estar em fonte e não no corpo é sinal de que a página é recuperável e não é aproveitável — a máquina achou o documento e não conseguiu extrair dele uma afirmação que sobrevivesse à redação. Estar mencionada e não recomendada é o contrário: a máquina sabe que você existe e escolheu outro.

O terceiro motivo é comercial, e vale para quem contrata. Se o fornecedor reporta um número único de “menções em IA”, ele pode fazer esse número subir mexendo no estado mais fácil — presença de rodapé — sem tocar no estado que paga a conta. O comprador vê a linha subir e não vê a receita mudar. Pedir o corte por estado é a defesa mais barata contra isso.

Os quatro estados, um a um

Fonte

O motor usou a página para se ancorar e a listou como referência — o chip de citação, a nota de rodapé, o link lateral —, mas o corpo da resposta não fala da marca. O texto pode até estar descrevendo o seu conteúdo em paráfrase, sem dizer de quem ele é.

É o estado mais frustrante e o mais acionável. Frustrante porque o trabalho de descoberta já foi feito: a página existe, é rastreável, é considerada relevante. Acionável porque o que falta é redação — afirmação direta na abertura, entidade nomeada junto do fato, número com denominador, fala atribuída a alguém. São as intervenções cujo efeito sobre a visibilidade dentro da resposta gerada foi medido por Aggarwal et al. (arXiv 2311.09735, KDD 2024): citação a fontes, +115%; estatísticas, +41%; citações diretas, +30%, contra o benchmark descrito no artigo.

⚠️ Cuidado de medição que eu aprendi errando: o texto do chip de citação pode ser capturado junto com o corpo da resposta, dependendo de como a página é lida. Quando isso acontece, o nome que aparecia só na barra lateral passa a contar como se tivesse sido dito no texto, e a contagem infla. Se o seu fornecedor mede por raspagem de tela, essa é uma pergunta legítima a fazer.

Mencionada

O nome aparece no corpo — numa lista de opções, num “entre as empresas que atuam nisso” — e não vira escolha. É reconhecimento sem preferência.

É o estado mais fácil de vender como vitória e o que menos muda receita. Também é onde mora o erro de leitura mais caro: eco do enunciado. Se a pergunta feita ao motor já contém o nome da marca, a resposta quase sempre repete esse nome, e um detector automático marca “mencionada” para uma resposta que diz literalmente “não encontrei essa empresa”.

Ausente

Nada. Nem no corpo, nem nas fontes.

O erro aqui é ler “ausente” como “quase”. Ausente é o degrau mais baixo dos quatro: não é ter sido considerada e preterida — é não ter entrado no conjunto de candidatos. Quando o estado é ausente em toda a superfície, a hipótese mais provável não é conteúdo fraco; é entidade: o motor não consegue resolver quem é você como coisa distinta. Nesse caso, publicar mais páginas não move o ponteiro, porque o problema é anterior à recuperação — a ordem das quatro condições, com a entidade na terceira, está em Como aparecer no ChatGPT como empresa.

O que a régua binária esconde: um exemplo com número

Em 2026-08-06 rodei 100 perguntas em português contra quatro motores — ChatGPT, Claude, Perplexity e Google AI Overview — em 800 capturas de navegador, com print em 800 de 800. Cada captura foi classificada nos quatro estados.

Duas leituras saíram das mesmas 800 capturas, e a diferença entre elas é este artigo inteiro.

A leitura ingênua. Uma régua de texto marcou 88 hits para a palavra “murmur” nas 800 capturas. Um relatório apressado publicaria “presença em 11% das respostas”.

A leitura honesta. As 88 caem inteiras nas 10 perguntas que já traziam a palavra no próprio enunciado. O que a régua casou foi o eco da pergunta — e o que as respostas diziam era o oposto de reconhecimento. O ChatGPT respondeu, verbatim: “Fiz uma busca e não encontrei uma agência brasileira chamada ‘Murmur Marketing’ com presença consolidada.” Fora daquelas 10 perguntas: 0 de 712.

Pelo enum de quatro estados, o resultado da minha própria empresa nas 800 capturas foi citation_kind = ausente em 800 de 800. Zero. Não “baixa visibilidade” — zero, nos quatro motores, no dia inteiro.

Um único corte separou “11%” de “zero”: não somar pergunta que já nomeia a marca com pergunta de descoberta fria. São dois experimentos distintos — um mede reconhecimento de um nome que já está no prompt, o outro mede descoberta. E essa regra vale igual em relatório de cliente, onde errá-la é mais caro. O protocolo que produz esses cortes está aberto em Como medir se a IA cita a sua marca.

O estado depende de a quem se pergunta — e isso é demonstrável

A mesma campanha traz o exemplo mais didático que eu tenho de por que um estado não é uma propriedade da marca, e sim do par (pergunta, motor). A pergunta que originou o projeto — “qual a melhor empresa pra fazer GEO no brasil” — foi rodada cinco vezes em cada um dos quatro motores, 20 capturas, em 2026-08-06. Contando as capturas em que a Conversion é nomeada no texto, pela régua determinística sobre uma lista declarada de 29 nomes:

motor	nomeada (de 5 repetições)
ChatGPT	5/5
Perplexity	4/5
Claude	0/5
Google AI Overview	0/5
total	9/20

Num motor a empresa está sempre lá; em dois outros ela nunca aparece, nas mesmas cinco repetições, no mesmo dia. Não existe “a marca está mencionada” sem dizer onde e em quantas de quantas. E isso não é peculiaridade do meu instrumento: a pesquisa da SparkToro de Rand Fishkin e Patrick O’Donnell, com 600 voluntários e 2.961 execuções em ChatGPT, Claude e AI Overview, em 12 categorias, chegou à mesma conclusão em escala maior: a recomendação de marca é altamente inconsistente entre execuções. Um print de uma pergunta, num motor, num dia, é uma amostra de tamanho 1.

O que essa régua não resolve

Quatro limites, para que ela possa ser cobrada em vez de acreditada.

1. Ela classifica, não explica. Saber que a marca é “fonte” em 30 respostas diz onde intervir, não garante que a intervenção funcione. A classificação é diagnóstico, não tratamento.

2. Ela depende de quem julga. Uma régua de texto determinística é reprodutível e cega a contexto: sabe que a palavra apareceu, não sabe o que a frase diz sobre ela. Um juiz baseado em modelo lê a frase, e erra de outras formas — perde menção de passagem, por exemplo. Eu rodo as duas sobre as mesmas capturas de propósito, e nunca as misturo na mesma tabela. Quando elas discordam, a divergência é o achado.

3. Nenhuma das duas enxerga o que não está na lista. A régua determinística só vê os nomes declarados numa lista — na minha campanha, 29 nomes. O juiz, que não tem lista, extraiu 447 marcas distintas nas mesmas 800 capturas: 418 estavam fora da minha lista. E o caso é pior do que “faltavam nomes”: a marca não-listada mais citada da campanha inteira foi a Wyse, com 49 ocorrências em 800 capturas — um nome que nem a pesquisa que montou o universo nem a régua de detecção tinham encontrado. Eu não sabia que ela existia, e ela apareceu mais que a maioria das que eu tinha listado. É por isso que eu não publico percentual de participação entre concorrentes: a fatia de uma marca num universo de 29 é mecanicamente maior que a mesma fatia num universo de 447. Só contagem absoluta, com o denominador declarado na mesma frase.

E o campo é mais raso do que qualquer ranking sugere: em 216 das 400 capturas da primeira onda nenhum dos 29 nomes aparece, e a mediana de marcas distintas por captura é zero. Na maior parte das respostas o motor não nomeia empresa nenhuma. Quem publica “share de voz” sobre esse campo está normalizando um percentual sobre um punhado de linhas povoadas — e não costuma dizer quantas são.

4. Ela não explica por que, e a literatura ainda não fechou isso. Classificar o estado é diagnóstico; a ligação causal entre uma intervenção e a mudança de estado é outra coisa. O survey crítico arXiv 2607.14035 (Olivier Martinez, 2026-07-15) lê 45 estudos publicados entre novembro de 2023 e julho de 2026 e conclui que nenhuma das técnicas revisadas demonstra efeito causal estável, longitudinal e entre plataformas. Quem vende esta categoria — e eu vendo — tem obrigação de trazer isso para dentro do próprio texto. Christopher Penn faz a crítica pelo lado do instrumento: boa parte do conselho de medição vendido aqui não vem acompanhado de método. A resposta defensável para as duas críticas é a mesma: publicar denominador, publicar o print, e não prometer magnitude.

Perguntas frequentes

Ser citado como fonte já é um bom resultado?

É um resultado intermediário, e é o mais acionável de todos. Significa que a página foi encontrada, considerada relevante e usada para ancorar a resposta — o trabalho de descoberta está feito. O que falta é a redação: afirmação direta na abertura, a entidade nomeada junto do fato, números com denominador e falas atribuídas. Se o objetivo é que o motor indique a sua empresa, ser fonte ainda não é isso; se o objetivo é entrar no circuito de recuperação, ser fonte é a prova de que você entrou.

Contagem de menções serve para alguma coisa?

Serve como sinal grosseiro de tendência e não serve para decidir. Ela funde três estados com consertos opostos — fonte, mencionada e recomendada — no mesmo número, e é inflada por eco de enunciado quando a pergunta já contém o nome da marca. Se o relatório que você recebe traz um único número de menções, peça o corte por estado e o corte entre pergunta branded e descoberta fria. Sem esses dois cortes, o número não distingue reconhecimento de recomendação.

Recomendação sem link conta?

Conta, e é justamente o caso que instrumentos baseados em contagem de links de citação perdem. O motor pode dizer que a melhor opção para determinado problema é a empresa X sem citar nenhuma URL. Esse é o estado comercialmente mais valioso e ele não deixa rastro de link. Medir só citação com URL subestima sistematicamente o resultado — e superestima o das marcas que aparecem muito em rodapé.

Por que “ausente” não é o mesmo que “mal posicionado”?

Porque não houve posição. Ausente significa que a marca não entrou no conjunto de candidatos que o motor considerou — não que ela foi considerada e ficou atrás. Quando o estado é ausente de forma consistente, nos quatro motores e nas perguntas todas, a hipótese mais provável deixa de ser qualidade de conteúdo e passa a ser entidade: o motor não resolve quem é a empresa como coisa distinta. Publicar mais páginas não corrige um problema anterior à recuperação.

Como peço ao meu fornecedor a régua que separa esses quatro estados?

Peça o enum. Se a resposta for um número único de “menções” ou uma métrica chamada “taxa de vitória”, a régua é binária. Uma régua séria separa pelo menos recomendada, fonte, mencionada e ausente; declara o denominador de cada figura na mesma frase; separa pergunta que nomeia a marca de descoberta fria; e diz quantos nomes a lista de detecção enxerga — porque qualquer percentual entre concorrentes depende inteiramente disso.

Quem escreveu isto, e a declaração de interesse

Mateus Gomes, operador da murmur.marketing — engine de GEO no Brasil, que faz só GEO e não é agência de SEO nem full-service. Esta régua é a que eu uso comercialmente, então tenho interesse direto em que ela seja adotada. O que permite julgar o viés está no corpo do texto: a mesma régua, aplicada à minha própria empresa em 800 capturas de 2026-08-06, devolveu ausente em 800 de 800. Publiquei o corte que transformou os meus “11%” em zero antes de publicar qualquer outra coisa, e é assim que essa régua se paga: ela é mais dura com quem a usa do que com quem é medido por ela.

Conclusão

Fonte e recomendada são estados diferentes da mesma resposta, e a diferença aponta para consertos opostos: fonte é problema de redação, mencionada é problema de posicionamento, ausente é problema de descoberta ou de entidade. Uma régua binária funde os três e produz um número que não serve para decidir onde investir. Os quatro estados só valem alguma coisa acompanhados de denominador exato, data, separação entre pergunta que nomeia a marca e descoberta fria, e a declaração de quantos nomes a lista de detecção enxerga. Para discutir a aplicação dessa régua ao seu caso, o contato é pelo LinkedIn de Mateus Gomes.

Citado como fonte ou recomendado pela IA: a diferença, e por que ela muda o diagnóstico — murmur.marketing · GEO no Brasil