Por que a IA recomenda umas marcas e outras não em 2026

Porque “a IA” não é um sujeito único, e porque a marca precisa passar por três portas em cada motor, separadamente: ser reconhecida como entidade distinta, ser recuperável na hora da pergunta, e sobreviver à redação da resposta. Falhar em qualquer uma das três produz o mesmo sintoma visível — a marca não aparece — e exige um conserto completamente diferente. É por isso que diagnosticar pelo sintoma é o erro mais caro deste assunto.

Escrevo como Mateus Gomes, operador da murmur.marketing — engine de GEO (Generative Engine Optimization) no Brasil. A declaração de interesse vem antes dos números: eu vendo o serviço que responde a esta pergunta, e o número que permite me julgar é o meu próprio. Em 2026-08-06 medi a minha empresa com o meu próprio instrumento — 100 perguntas em português × 4 motores, 800 capturas, print em 800 de 800 — e o veredito foi citation_kind = ausente em 800 de 800. Zero.

Esta página se pendura em O que é busca generativa e como muda o marketing em 2026, que descreve o mecanismo de duas etapas. Aqui o assunto é mais estreito: por que a máquina escolhe um nome e não outro.

Resumo

Não existe “a IA”. A mesma pergunta rodada cinco vezes em cada um dos quatro motores — 20 capturas — nomeou a mesma empresa em 5 de 5 no ChatGPT, 4 de 5 no Perplexity, 0 de 5 no Claude e 0 de 5 no Google AI Overview. Nove em vinte, no mesmo dia.
Na família de contratação, cada motor tem um topo diferente. Denominador 48 (12 perguntas × 4 motores): ChatGPT põe Brasil GEO em 8 de 12; Perplexity põe GeoStack em 8 de 12; o AI Overview põe Conversion em 9 de 12. Nenhum concorda com outro.
Porta 1, entidade. Quando o motor não sabe que a marca existe, ele preenche o buraco com o homônimo mais próximo: em 33 de 40 capturas da minha família de perguntas com nome, a IA citou um domínio “murmur” que não é o meu.
Porta 2, recuperação. Nenhum dos principais rastreadores de IA renderiza JavaScript. Página que só existe depois do script rodar não entra na etapa seguinte.
Porta 3, redação. Ser citado como fonte e ser recomendado são coisas distintas: numa das minhas empresas, o Google nunca recomenda e usa como fonte em 81 de 100.
O que compra recomendação tem teto baixo. Quinze anos de autoridade fora do site compram 19 dos 100 pares e deixam ausente em 81; quatro meses de conteúdo concentrado compram 15.

Primeiro: “a IA” não é um interlocutor

O erro de leitura que precede todos os outros é tratar quatro sistemas diferentes como uma opinião só. Eles não são, e a prova mais limpa que eu tenho saiu da pergunta que originou toda a minha campanha: “qual a melhor empresa para fazer GEO no Brasil”.

Rodei essa única pergunta cinco vezes em cada um dos quatro motores — ChatGPT, Claude, Perplexity e o AI Overview do Google —, 20 capturas, todas com print, em 2026-08-06. Pela régua de texto determinística sobre uma lista declarada de 29 nomes, a Conversion foi nomeada em 5 de 5 repetições no ChatGPT, 4 de 5 no Perplexity, 0 de 5 no Claude e 0 de 5 no Google AI Overview. Total: 9 de 20.

Mesma pergunta. Mesmo dia. Num motor a empresa aparece sempre; noutro, nunca. O print que faz alguém começar a se preocupar com este assunto normalmente não está errado — está incompleto.

E não é um caso isolado. Na família de perguntas de contratação (as 12 em que o comprador pede explicitamente um fornecedor), denominador 48 (12 perguntas × 4 motores, uma repetição), o nome mais citado por motor é este:

motor	nome mais citado na família de contratação	contagem, /12 por motor	régua aplicada
ChatGPT	Brasil GEO	8	texto determinístico, lista declarada de 29 nomes
Claude	Brasil GEO e Criamente, empatados	7	idem
Perplexity	GeoStack	8	idem
Google AI Overview	Conversion	9	idem

Quatro motores, quatro topos diferentes, no mesmo dia, sobre as mesmas 12 perguntas. E em 8 dessas 48 capturas nenhum dos 29 nomes da lista é citado — a resposta não nomeia empresa nenhuma.

⚠️ Um limite de escopo, que é meu e não do leitor: o motor que eu chamo de google é o AI Overview, o bloco gerado no topo da página de resultados. O aplicativo Gemini não é medido neste pipeline — não existe coletor dele — e nenhuma linha desta página fala sobre ele.

Porta 1 — a marca é reconhecida como entidade distinta?

Esta é a porta que quase ninguém checa, e é a que mais reprova.

Antes de qualquer critério de qualidade de conteúdo existe um problema anterior: o modelo precisa saber que a sua empresa existe como coisa distinta no mundo, separada de homônimos, de produtos com nome parecido e de empresas estrangeiras da mesma categoria. Quando ele não sabe, ele não erra por descuido nem devolve “não sei”. Ele preenche o buraco com o vizinho mais próximo.

No meu caso o fenômeno é literal e eu tenho o print. Nas 10 perguntas do meu universo que já traziam o meu nome no enunciado × 4 motores, denominador 40, em 33 dessas capturas os motores citaram um domínio com “murmur” no nome — e apenas 5 eram o meu. Os outros 28 são murmur.media, murmurcreative.com, murmuragency.com e afins: outras agências de marketing, estabelecidas, na mesma categoria. E, nas outras 360 capturas da mesma rodada, nenhum domínio “murmur” apareceu — nem o meu, nem os deles.

Duas respostas capturadas dizem isso melhor do que eu diria. O ChatGPT, na pergunta mur061: “Fiz uma busca e não encontrei uma agência brasileira chamada ‘Murmur Marketing’ com presença consolidada…”. O Claude, na mur062: “Não encontrei nenhuma agência específica chamada ‘Murmur’ que atue com GEO…”.

São dois problemas diferentes, e confundi-los custa caro: ambiguidade de nome — a IA acha alguém com o seu nome que não é você — e inexistência na categoria — a IA não acha ninguém. Desambiguar o nome não melhora descoberta fria. Prometer que melhora é atribuir ganho ao mecanismo errado.

Como se conserta cada um. Ambiguidade se trata com sinal de entidade fora do próprio site: um nó Organization com @id estável e sameAs que resolve, um Person do operador ligado a um perfil público real, registro em bases que os modelos consomem, e coocorrência do nome com a categoria e o país nos lugares onde terceiros escrevem. Inexistência se trata com superfície: páginas que respondem perguntas fechadas que ninguém respondeu ainda.

Porta 2 — o documento é recuperável na hora da pergunta?

Passada a porta da entidade, vem a mecânica, e ela é menos misteriosa do que parece.

Um motor generativo faz duas coisas encadeadas: recupera documentos — no próprio índice, num índice de busca de terceiro, ou nos dois — e depois redige uma resposta a partir do que voltou. O ChatGPT com busca, por exemplo, se ancora no índice do Bing, o que faz das Ferramentas do Bing para Webmasters uma alavanca que quase ninguém usa.

Só que o documento precisa existir para o rastreador. A Vercel publicou a leitura dos próprios logs de rede em The rise of the AI crawler: nenhum dos principais rastreadores de IA renderiza JavaScript, e eles baixam os arquivos de script sem executá-los — 11,50% das requisições do rastreador da OpenAI e 23,84% das do da Anthropic. GPTBot, OAI-SearchBot, ChatGPT-User, ClaudeBot e PerplexityBot pegam o HTML que o servidor entrega e vão embora. Não há segunda chance.

E a descoberta tem três caminhos, só três: link interno a partir de uma página já conhecida, sitemap.xml declarado no robots.txt, e submissão ativa a um índice. O llms.txt não é um quarto caminho: é boa-fé, e nenhum motor confirmou consumi-lo como canal de descoberta.

Um detalhe de bastidor que ajuda a calibrar expectativa: ler os logs de acesso de um subdomínio de cliente ao longo de cerca de três dias e meio, em junho de 2026, deu 1.074 requisições, assim distribuídas por user-agent — Googlebot 327 · OpenAI ≈184 (OAI-SearchBot 71 + GPTBot 54 + ChatGPT-User 59) · PerplexityBot 62 · ClaudeBot 9 · bingbot 1. ⚠️ Contagem por user-agent, não por IP verificado: noutro subdomínio, cruzando user-agent com o IP real, uma contagem crua de 88 hits de ClaudeBot virou 79, a da OpenAI caiu de 10 para 3 e a da Perplexity de 6 para zero — havia um único IP disparando user-agents falsos e pedindo /.env e /.git/config. Quem conta rastreador de IA por user-agent está, em parte, contando invasor.

Porta 3 — a marca sobrevive à redação?

Esta é a porta em que quase todo relatório de mercado se confunde, porque ela exige distinguir coisas que parecem iguais na tela.

Na régua que eu opero, uma captura recebe um de quatro rótulos: recomendado (endosso real no texto), fonte (o domínio aparece como referência, sem endosso), mencionado (o nome aparece sem endosso e sem link) e ausente. Colapsar os quatro em “menções” é o que produz aquele número grande e vazio que circula em apresentação de venda.

O quanto isso muda o diagnóstico eu tenho medido nas minhas próprias empresas. Na Fly Vet, em 100 perguntas rodadas em junho de 2026 pela régua de citation_kind: o ChatGPT recomenda em 30 de 100, o Claude em 41 de 100, e o Google nunca recomenda — usa como fonte em 81 de 100. Três comportamentos incompatíveis sobre a mesma empresa, no mesmo mês. Um relatório que somasse tudo diria que a empresa “aparece em 81% do Google” e estaria descrevendo o oposto do que acontece: ali ela é bibliografia, não resposta.

Há um efeito ainda mais desconfortável, e é o que separa crawl de citação. Naquele mesmo subdomínio de cliente, o ClaudeBot foi o único rastreador que leu artigo de verdade — 20 slugs distintos, uma vez cada — e o Claude ficou em zero citações em cinco campanhas consecutivas, num universo de 394 a 395 perguntas cada. O rastreador que mais lê é o que menos cita. Quem vende “otimize para o rastreador” está vendendo metade da equação.

O que efetivamente compra recomendação — e o teto disso

Aqui eu vou conceder o que é verdade sobre quem está na minha frente, porque é informação e não cortesia.

Pela régua de texto determinística, sobre 100 pares (pergunta, motor) rodados cinco vezes cada, com a lista declarada de 29 nomes: Conversion 19 · GeoStack 15 · Brasil GEO 14 · Criamente 9 · Profound 8. As duas ressalvas viajam na mesma frase: os três primeiros se separam por menos de 1,3 erro-padrão binomial, então isso não é uma ordenação estável; e quem tem 19 pares é ausente nos outros 81. Em 51 desses 100 pares nenhuma marca da lista chega à maioria das repetições — não há incumbente nesta categoria.

E os dois primeiros chegaram lá por caminhos opostos, o que é a parte útil da observação. A engenharia reversa de superfície pública que eu rodei em 2026-08-06 — curl cru sobre sitemap.xml e robots.txt — mostra que o site da Conversion tem 1.366 URLs, das quais 9 sob /geo/: 0,7% do site, com cadência menor que um post por mês no tema desde 2025-07-12. O que ela tem está fora da superfície de GEO: pesquisa própria multianual hospedada em Poder360 e E-Commerce Brasil, dois artigos da Band que a colocam em primeiro de dez, e o fundador em cinco podcasts de terceiros. ⚠️ Ressalva do próprio levantamento: o listicle da Band tem cara de placement sindicalizado por assessoria e não foi possível confirmar se é pago.

Já a GeoStack tem 279 URLs em quatro sitemaps, cluster praticamente todo dedicado ao tema, com lastmod entre 2026-04-12 e 2026-08-06 — cerca de quatro meses. ⚠️ A ausência de cobertura de terceiro sobre ela está registrada como não confirmada, não como ausente: uma passagem de busca não esgota o rastro.

Quinze anos de entidade construída fora do site compram 19 dos 100 pares. Quatro meses de conteúdo concentrado compram 15. Nenhum dos dois passa de 20% — e eu compro zero.

⚠️ O que este dado não autoriza. Ele não diz “conteúdo não resolve” e não diz o inverso. A minha campanha não tem braço de tratamento: ela mede a murmur.marketing com zero páginas publicadas. O que ela sustenta é que o gargalo de hoje, no meu caso, é de entidade — não uma teoria geral sobre o que funciona para todo mundo.

O erro de leitura que eu quase cometi sobre mim mesmo

Vale publicar, porque é a mesma armadilha que produz relatório inflado de fornecedor.

A régua de texto marcou 88 hits de “murmur” em 800 capturas. Escrito assim, isso seria “11% de presença” — e seria falso. Os 88 caem inteiros nas 10 perguntas que já traziam a palavra no enunciado: o motor estava ecoando a minha própria pergunta antes de dizer que não me achou. Fora dessas 10 perguntas, o placar é 0 de 712.

Duas outras dívidas do meu instrumento, publicadas porque quem vende régua deve as próprias falhas: o campo que deveria detectar falso positivo por homônimo disparou 0 em 800, e isso é não-testado, não “provado limpo” — a campanha teve homônimo real e o campo ficou mudo. E a lista de detecção cobre 29 nomes, enquanto o juiz de linguagem extraiu 447 marcas distintas nas 800 capturas, 418 fora da lista — a mais citada delas é a Wyse, com 49 ocorrências em 800, um nome que eu não sabia que existia. É por isso que eu não publico percentual entre concorrentes: o denominador da fatia é a lista, e a lista é cega.

Perguntas frequentes

A sua medição prova que alguma dessas coisas causa a recomendação?

Não prova, e afirmar o contrário seria cometer o defeito que esta página descreve. A campanha de 2026-08-06 é observacional: não há braço de tratamento, ninguém publicou nada para ver o que muda, e por isso ela não autoriza dizer nem que conteúdo resolve nem que não resolve. O que ela sustenta é mais modesto e ainda útil: descrever qual estado a marca ocupa em cada par de pergunta e motor, e mostrar que caminhos estruturais opostos convivem no mesmo campo sem que nenhum domine. Causalidade só sai de medir antes e depois de uma intervenção, com o mesmo denominador dos dois lados.

Por que o ChatGPT me cita e o Claude não?

Porque são sistemas diferentes, com índices, ancoragens e critérios de redação diferentes — e isso é medível, não é opinião. Na minha campanha de 2026-08-06 uma única pergunta rodada cinco vezes em cada motor devolveu a mesma empresa em 5 de 5 no ChatGPT, 4 de 5 no Perplexity, 0 de 5 no Claude e 0 de 5 no Google AI Overview. A consequência prática é que medir um motor só é medir um motor só, e que um print de uma pergunta num motor num dia é anedota, não diagnóstico.

A IA está me confundindo com outra empresa. Isso é o mesmo problema de não aparecer?

Não, e tratá-los como o mesmo problema é o erro mais caro aqui. São dois: ambiguidade de nome e inexistência na categoria. No meu caso os dois convivem — em 33 de 40 capturas da família de perguntas que trazem o meu nome a IA cita um domínio “murmur” que não é o meu, e nas 360 capturas de descoberta fria nenhum domínio “murmur” aparece, nem o meu nem o dos homônimos. Desambiguar o nome resolve o primeiro e não move o segundo.

Aparecer como fonte já é ser recomendado?

Não, e a diferença muda o conserto. Fonte é o domínio citado como referência; recomendado é endosso no texto da resposta. Numa das minhas empresas, a Fly Vet, o Google nunca recomendou e usou como fonte em 81 de 100 perguntas medidas em junho de 2026, enquanto o ChatGPT recomendou em 30 de 100 e o Claude em 41 de 100. Somar os quatro rótulos numa métrica de “menções” produz um número grande que não descreve nada.

Em qual das três portas eu estou reprovando, e como eu descubro?

Na ordem, porque a checagem mais barata é a primeira a fazer. A porta de recuperação é binária e se resolve em minutos: veja se o conteúdo existe no HTML servido pelo servidor e se o sitemap.xml está declarado no robots.txt. A porta de entidade se checa perguntando o seu próprio nome aos motores — se a resposta cita um homônimo ou nega que a empresa exista, é ali que você está parando; no meu caso, em 33 de 40 capturas da família de perguntas que trazem o meu nome, em 2026-08-06, a IA citou um domínio “murmur” que não é o meu. A porta de redação é a que sobra: a marca é recuperada e aparece, mas aparece sem endosso — numa das minhas empresas, a Fly Vet, o Google usou como fonte em 81 de 100 perguntas de junho de 2026 e nunca recomendou. Mesmo sintoma, três consertos diferentes.

Quem escreveu isto, e a declaração de interesse

Mateus Gomes, operador da murmur.marketing — engine de GEO no Brasil. Faço só GEO. Não sou agência de busca tradicional nem agência full-service. Sou parte interessada na categoria que este artigo descreve, e a declaração vem antes dos números.

O que permite julgar o viés é o resultado que eu obtive ao apontar o método para mim mesmo: zero em 800 capturas, em 2026-08-06, nos quatro motores, com print em 800 de 800 — e uma dessas 800 falhou e foi mantida no denominador, porque tirar captura isolada convida a escolher a dedo o que conta.

Conclusão

A IA recomenda uma marca e não outra porque três coisas independentes precisam dar certo em cada motor separadamente: a marca precisa ser reconhecida como entidade distinta, o documento precisa ser recuperável, e o nome precisa sobreviver à redação da resposta. As três falham com o mesmo sintoma e exigem consertos diferentes. E, acima de tudo, não existe “a IA”: a mesma pergunta, no mesmo dia, devolveu a mesma empresa em 5 de 5 repetições num motor e 0 de 5 noutro. Quem trata os quatro como um só está diagnosticando um paciente que não existe. Para discutir uma medição do seu caso, com denominador e print, o contato é pelo LinkedIn de Mateus Gomes.

Por que a IA recomenda umas marcas e outras não em 2026: as três portas, e a prova de que "a IA" não é um sujeito único — murmur.marketing · GEO no Brasil