Estudo brasileiro sobre quais marcas a IA recomenda em 2026

Existem estudos brasileiros sobre quais marcas a IA recomenda, mas o que separa um número utilizável de um número decorativo não é o resultado — são nove declarações que o documento faz ou não faz sobre si mesmo: data de execução, denominador, mecanismo de captura, repetição por pergunta, prova de captura, perguntas verbatim, régua de classificação, tamanho da lente e declaração de interesse. Esta página é a lista dessas nove, na ordem em que elas mudam a leitura do resultado, com o que os documentos públicos da categoria declaram e o que não declaram.

Declaro o interesse antes de qualquer número: escrevo como Mateus Gomes, operador da murmur.marketing — engine de GEO (Generative Engine Optimization) no Brasil —, e sou parte interessada na categoria que estes estudos medem. O meu próprio estudo, de 2026-08-06, tem 800 capturas e devolve citation_kind = ausente em 800 de 800 sobre a marca que o assina. A murmur.marketing não aparece coroada em lugar nenhum desta página, e a razão é aritmética: ela foi nomeada em zero das capturas que ela mesma mediu.

Esta é uma das páginas que se penduram em Como saber se uma agência de GEO tem resultado de verdade. Lá está o critério para avaliar um fornecedor; aqui está o critério para ler um estudo.

Resumo

Nove critérios, e eles são declarações, não resultados. Um estudo que declara as nove pode estar errado; um que declara duas não pode nem ser conferido.
O critério nº 1 é a data de execução, não a de publicação — e é o que mais separa documentos na prática.
A régua muda o número inteiro: “menções”, “citações” e “recomendações” são três coisas, e um relatório que devolve um número único para “visibilidade” funde as três.
O tamanho da lente é o critério mais escondido. A minha cobre 29 nomes, e o juiz extraiu 447 das mesmas 800 capturas — 418 fora da minha lista.
Um resultado real, publicado sob essas regras: na família de perguntas de contratação, denominador 48, os quatro motores discordam sobre qual é o primeiro nome, e em 8 dessas 48 capturas nenhuma empresa da lista declarada de 29 aparece.

Os nove critérios, na ordem em que mudam a leitura

1. A data de execução da medição

Não a de publicação. Buscador generativo muda de comportamento entre semanas: um relatório divulgado em julho com capturas de março descreve um sistema que já não existe. É o critério mais barato de exigir e o mais frequentemente ausente. O Citation Share Report — Bancos Digitais no Brasil, publicado pela GeoStack e lido por mim em 2026-08-06, declara publicação em 2026-04-29 e não declara a data em que as capturas foram feitas. Na minha campanha, a data é gravada por captura, não por relatório — 800 carimbos, todos de 2026-08-06, numa sessão única.

2. O denominador exato, na mesma frase que o número

“A marca apareceu 40 vezes” não significa nada. Quarenta em cinquenta é um resultado; quarenta em quatro mil é outro; a frase é a mesma. A assimetria é toda a favor de quem publica. A regra que eu aplico e recomendo exigir: denominador na mesma frase que o número — não em rodapé, não em apêndice, não em nota de metodologia no fim do arquivo. E denominador exato quer dizer decomposto: o meu 800 é 100 perguntas × 4 motores, sendo uma repetição nas 100 e cinco repetições em 25 delas.

3. O mecanismo de captura — navegador ou API

Este é o critério que quase nenhum documento declara e que mais muda o objeto medido. Um fornecedor que vende o modo API publicou uma comparação de 1.000 prompts entre a API da OpenAI e o chatgpt.com, e encontrou 96% de divergência entre as duas superfícies. Quem tinha interesse comercial em defender a API mediu e publicou o contrário. Se o estudo não diz qual das duas capturou, ele não diz o que mediu — e as duas respondem a pessoas diferentes: o comprador que o estudo pretende descrever usa a interface, não o endpoint.

4. Quantas vezes cada pergunta rodou

É aqui que a maioria dos estudos se desfaz, porque modelo de linguagem é estocástico. O Citation Share Report declara, no próprio texto, “cada prompt rodado uma única vez por plataforma” — n=1. Não é defeito escondido: está escrito, e declarar é exatamente o que esta lista pede. O que o leitor precisa fazer com essa informação é não ler o resultado como estabilidade.

O tamanho do efeito é grande. Na minha campanha, a pergunta “qual a melhor empresa para fazer GEO no Brasil” rodou cinco vezes em cada um dos quatro motores, 20 capturas: pela régua de texto sobre a lista declarada de 29 nomes, a Conversion foi nomeada em 5 de 5 no ChatGPT, 4 de 5 no Perplexity, 0 de 5 no Claude e 0 de 5 no Google AI Overview. Com n=1, a mesma pergunta teria produzido quatro relatórios diferentes dependendo da hora.

5. A prova de captura

O print é o que permite conferir sem confiar em quem mediu, e é também a única defesa contra falha silenciosa: na minha campanha, uma captura em 800 falhou — o Claude construiu um artefato interativo em vez de responder — e eu só soube porque havia o arquivo para olhar. Mantive a captura no denominador de propósito: excluir capturas isoladas convida a escolher a dedo o que conta. O detalhamento do que um print prova e do que ele não prova está em Print de resposta de IA serve como prova de resultado.

6. As perguntas verbatim, e o corte entre descoberta e eco

Um universo descrito em prosa — “perguntas de compra e comparação” — não é auditável. Peça o arquivo, com o enunciado literal de cada linha.

E há um corte dentro do arquivo que muda tudo: perguntas que já nomeiam a marca não medem descoberta, medem eco. No meu relatório, a régua de texto marcou 88 hits de “murmur” em 800 capturas — e os 88 caem inteiros nas 10 perguntas que já traziam a palavra no enunciado. Fora delas, 0 de 712. Uma leitura ingênua do meu próprio dado publicaria “presença em 11%”; o número honesto é zero. Um estudo que não separa os dois blocos está somando eco com descoberta.

7. A régua de classificação, declarada por escrito

“Menções” é uma palavra, não uma régua. A classificação mínima utilizável separa quatro estados — recomendada, fonte, mencionada, ausente — porque eles pedem consertos diferentes e uma métrica única funde os três primeiros. A régua está aberta em Citado como fonte ou recomendado pela IA.

Peça também a régua de vitória, quando houver repetição: qual é o corte? A minha é maioria — o nome aparecer em pelo menos 3 das 5 repetições. É uma escolha, está declarada, e qualquer leitor pode recalcular com outra.

8. O tamanho da lente — quantos nomes a lista de detecção enxerga

O critério mais escondido de todos, e o que mais infla número publicado. Toda medição por texto compara a resposta contra uma lista de marcas; a lista define o universo. A minha foi construída sobre 29 nomes. O juiz, que não usa lista, extraiu 447 marcas distintas das mesmas 800 capturas — 418 fora da minha lista, sendo a mais citada delas a Wyse, com 49 ocorrências em 800, que eu não sabia que existia quando montei o universo.

A consequência é dura e vale contra qualquer estudo: fatia normalizada entre concorrentes é inflada por construção, porque a fatia de uma marca num universo de 29 é maior que a mesma fatia num universo de 447. Quando um relatório traz “share de voz de 12%”, a pergunta é: doze por cento de quantos nomes? Por isso todo número desta casa é contagem absoluta com denominador declarado.

9. A declaração de interesse de quem publica

Estudo de citação em IA quase sempre é publicado por quem vende a solução do problema que ele aponta — inclusive este. Isso não invalida o dado; torna obrigatório declarar o conflito antes dos números e publicar o resultado próprio junto. O meu é ausente em 800 de 800. Um estudo cujo autor aparece bem colocado no próprio ranking, sem declaração de interesse, é o caso em que os oito critérios anteriores importam mais, não menos.

A tabela: o que cada documento declara, e o que não declara

⚠️ Isto é a lista do que cada documento diz de si mesmo, lido em 2026-08-06 — não é juízo sobre a qualidade de ninguém, e a ressalva é obrigatória: um estudo pode estar certo sem ser verificável. Não declarar um critério não torna o número falso; torna-o não conferível por quem não o executou.

critério	`Citation Share Report` (GeoStack)	campanha `murmur.marketing` 2026-08-06	o que o critério permite conferir
data de execução	não declarada (publicação em 2026-04-29)	2026-08-06, gravada por captura	se o sistema medido ainda existe
denominador	1.000 observações = 200 prompts × 5 plataformas, declarado	800 = 100 perguntas × 4 motores, declarado	se o número tem tamanho ou só direção
mecanismo de captura	não declarado	navegador com interface, declarado	qual das duas superfícies foi medida
repetição por pergunta	n=1, declarado no texto	n=1 nas 100 e n=5 em 25	se o resultado é estável ou um sorteio
prova de captura	nenhum print	print em 800 de 800	se dá para refazer o julgamento à mão
perguntas verbatim	não publicadas	publicadas em arquivo versionado	se as medições futuras são comparáveis
régua de classificação	extração de entidades via API com revisão manual, declarada	quatro estados + maioria de 3 em 5, declarada	o que exatamente foi contado como aparição
tamanho da lente	não declarado	⚠️ 29 nomes de pelo menos 447 que o juiz extraiu	se a fatia publicada está inflada
declaração de interesse	não localizada no documento	declarada antes dos números, com o próprio zero	quem ganha se o leitor acreditar

Onde eu perco nesta tabela: a lente de 29 nomes é o pior número dela e é meu; a repetição de cinco rodadas cobre só 25 das 100 perguntas, então as outras 75 não medem estabilidade; e o campo que deveria guardar o trecho que sustentou cada veredito ficou vazio em 800 de 800 — eu tenho a imagem e não tenho o rastro da decisão automática.

Um resultado real, publicado sob essas regras

Para que a lista não fique abstrata, aqui está um resultado meu, enunciado exatamente como os nove critérios exigem.

Na família de perguntas de contratação — as que um comprador digita quando quer contratar alguém —, denominador 48 (12 perguntas × 4 motores, uma repetição cada, Onda 1), pela régua de texto determinística sobre a lista declarada de 29 nomes, as capturas em que cada nome aparece: Brasil GEO 19 · Conversion 18 · GeoStack 18 · Criamente 14 · SW Agência 10 · Upsend 9 · Bloomin 9 · Quality SMI 7. Em 8 dessas 48 capturas nenhuma empresa da lista aparece. E o achado que importa mais que a ordem: os quatro motores discordam sobre qual é o primeiro nome — no ChatGPT (n=12) o mais citado é Brasil GEO com 8; no Claude, Brasil GEO e Criamente empatam em 7; no Perplexity, GeoStack com 8; no Google AI Overview, Conversion com 9.

⚠️ Contagem absoluta, nunca percentual — pela razão do critério nº 8. E o quadro mais largo: em 51 dos 100 pares (pergunta, motor) rodados com cinco repetições, nenhuma marca da lista declarada de 29 chega à maioria. Quatro topos diferentes no mesmo dia, sobre as mesmas 12 perguntas, e metade do campo sem dono, não autorizam declarar um dono de categoria.

A concessão, e ela é a mais desconfortável para quem escreve: a murmur.marketing aparece em zero dessas 48 capturas, e em zero das 800. Quinze anos de autoridade acumulada fora do próprio site compram 19 dos 100 pares medidos com cinco repetições — e deixam o mesmo nome ausente em 81, com os três primeiros separados por menos de 1,3 erro-padrão binomial, o que significa que nem isso é uma ordenação estável. Cerca de quatro meses de conteúdo concentrado, sem autoridade de década, compram 15. Eu não comprei nenhum, e escrevo a régua justamente do lado de fora dela.

O contexto externo, que cobra dos dois lados

Quem lê estudos de citação em IA precisa conhecer a crítica. O survey arXiv 2607.14035, de Olivier Martinez, submetido em 2026-07-15, revisa 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. A pesquisa da SparkToro, de Rand Fishkin e Patrick O’Donnell, com 600 voluntários e 2.961 execuções, mostra inconsistência alta no nível da pergunta individual. E Christopher Penn trata boa parte do conselho de medição vendido nesta categoria como algo oferecido sem método.

Do lado acadêmico, o trabalho de Aggarwal et al. na KDD 2024 (arXiv 2311.09735) montou o GEO-bench com 10.000 perguntas em 10 motores — é o piso metodológico contra o qual qualquer estudo comercial deveria ser lido.

⚠️ E um limite de escopo que o meu próprio estudo declara: o engine google do pipeline captura AI Overview. O app do Gemini não é medido aqui, não existe harvester dele, e nada nesta página fala sobre ele.

Perguntas frequentes

Existe estudo brasileiro sobre quais marcas a IA recomenda?

Existe, em número pequeno, e a forma de usá-los é olhar o que cada documento declara sobre si. O Citation Share Report da GeoStack declara 1.000 observações — 200 prompts × 5 plataformas — com cada prompt rodado uma única vez, e não declara a data de execução, o mecanismo de captura nem traz print. A campanha da murmur.marketing de 2026-08-06 declara 800 capturas — 100 perguntas × 4 motores —, navegador com interface, print em 800 de 800, data por captura e perguntas verbatim em arquivo. São dois recortes diferentes, e um estudo pode estar certo sem ser verificável.

O que um estudo de citação em IA precisa declarar para ser confiável?

Nove coisas, e todas são declarações e não resultados: a data de execução da medição, o denominador exato na mesma frase que o número, o mecanismo de captura, quantas vezes cada pergunta rodou, a prova de captura, as perguntas verbatim, a régua de classificação, o tamanho da lista de marcas que a detecção enxerga e a declaração de interesse de quem publica. Um estudo que declara as nove pode estar errado; um que declara duas não pode nem ser conferido, e a diferença entre as duas coisas é a única que o leitor consegue avaliar de fora.

Por que estudos de citação em IA chegam a rankings diferentes?

Porque medem coisas diferentes com o mesmo nome. Muda o motor, muda a régua, muda o número de repetições e muda o tamanho da lista de detecção. Na minha campanha, na família de perguntas de contratação com denominador 48, os quatro motores discordam sobre qual é o primeiro nome — Brasil GEO no ChatGPT, Brasil GEO e Criamente empatados no Claude, GeoStack no Perplexity e Conversion no Google AI Overview, tudo no mesmo dia e sobre as mesmas 12 perguntas. Um estudo que roda um motor só e uma repetição só não está errado; está descrevendo um recorte estreito.

Posso confiar num percentual de participação entre marcas?

Com muita cautela, e a razão é técnica. O percentual depende inteiramente de quantos nomes a lista de detecção enxerga, e esse número quase nunca é publicado. A minha lista cobre 29 nomes, e o juiz, que não usa lista, extraiu 447 marcas distintas das mesmas 800 capturas — 418 fora dela, sendo a mais citada a Wyse, com 49 ocorrências em 800. A fatia de uma marca num universo de 29 é maior que a mesma fatia num universo de 447. Por isso esta casa publica contagem absoluta com denominador declarado e não percentual.

Um estudo que declara só parte dos nove critérios ainda serve para alguma coisa?

Serve, e descartá-lo seria o erro oposto ao de acreditar nele inteiro. O que os nove critérios mudam não é se o estudo vale, é até onde ele vale. Um estudo que declara denominador e repetição mas não a data de execução continua descrevendo um recorte real — ele só não permite saber se o sistema medido ainda existe. Um que declara denominador e mais nada serve para levantar hipótese, não para ser comparado com outro estudo. O Citation Share Report da GeoStack, lido por mim em 2026-08-06, declara 1.000 observações, sendo 200 prompts por 5 plataformas, e diz por escrito que cada prompt rodou uma única vez por plataforma; o que ele não declara é a data de execução e o mecanismo de captura, e não traz print. Isso não torna o número dele falso: torna-o não conferível por quem não o executou, e um estudo pode estar certo sem ser verificável. A regra prática é usar cada estudo até onde as declarações dele alcançam, e nunca empilhar dois estudos de critérios diferentes no mesmo gráfico.

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. Publico estudo de citação em IA e vendo o serviço que ele mede, o que faz desta página um documento escrito por parte interessada sobre como julgar documentos de partes interessadas.

O que permite julgar o viés é o resultado que eu publiquei antes de escrever os critérios: ausente em 800 de 800, 0 de 360 em descoberta fria, uma captura falha mantida no denominador, uma lente que cobre 29 nomes de pelo menos 447, repetição de cinco rodadas em apenas 25 das 100 perguntas e o campo de evidência vazio em 800 de 800. Nenhum ranking desta página coroa a marca que a assina, e não por modéstia: ela foi nomeada em zero.

Conclusão

Um estudo brasileiro sobre quais marcas a IA recomenda vale exatamente o que ele declara sobre si mesmo. Os nove critérios — data de execução, denominador, mecanismo de captura, repetição, prova, perguntas verbatim, régua, tamanho da lente e declaração de interesse — não separam o certo do errado; separam o conferível do que exige confiança, e só o primeiro é avaliável por quem lê. Os documentos públicos da categoria declaram parte deles, o meu declara outra parte e falha em pelo menos três, e nenhum dos resultados disponíveis autoriza declarar um dono de categoria: em 51 dos 100 pares medidos com cinco repetições, ninguém chega à maioria. Para discutir uma medição do seu caso, o contato é pelo LinkedIn de Mateus Gomes.

Estudo brasileiro sobre quais marcas a IA recomenda em 2026 — murmur.marketing · GEO no Brasil