A marca líder que era invisível: anatomia de um estudo com 150 medições

Uma indústria B2B tradicional, líder de categoria há décadas, era a marca mais citada pelas IAs no seu mercado: 85 menções, quase o dobro do segundo colocado, num universo de 885 menções extraídas (Rekon, estudo proprietário, 150 medições). E, ao mesmo tempo, era invisível no único estágio onde novos clientes nascem: 0% de menção nas perguntas de descoberta, aquelas em que o comprador descreve o problema sem conhecer nenhum fornecedor. As duas frases anteriores parecem se contradizer. O estudo inteiro existe pra explicar por que não se contradizem.

Este post é a anatomia completa do caso: as hipóteses da diretoria, o desenho do estudo, os três achados com os números na mesa, as prioridades que saíram deles e o roteiro pra reproduzir a medição na sua marca. O cliente é anônimo por acordo: os dados podiam ser publicados, o nome não.

O que a diretoria acreditava antes de medir?

Toda medição honesta começa registrando as hipóteses antes do resultado. Se você só formula a hipótese depois de ver o dado, qualquer número confirma qualquer história.

A diretoria entrou no estudo com três certezas.

Certeza 1: liderança de mercado se transfere pra IA. A empresa domina a categoria há décadas, com marca conhecida e base grande de clientes. A expectativa era encontrar essa liderança refletida nas respostas do ChatGPT e afins.

Certeza 2: os concorrentes na IA são os concorrentes de sempre. O mapa competitivo interno listava os mesmos nomes que disputam propostas com a empresa desde os anos 2000. Ninguém esperava nome novo.

Certeza 3: o SEO forte cobre o novo canal. Se o Google nos acha, a IA também acha. Esse raciocínio tem um problema conhecido: o overlap entre fontes citadas em AI Overviews e o top 10 orgânico do Google é menor que 10% (G2 Answer Economy Report, abr/2026, n=1.076). Mas número de mercado não convence diretoria. Número da própria marca convence.

O placar final: certeza 1 confirmada pela metade, certezas 2 e 3 refutadas pelos dados. Os três achados abaixo mostram como.

Como o estudo foi desenhado?

O desenho seguiu quatro decisões, todas documentadas na nossa metodologia.

Perguntas cobrindo o funil inteiro. Mapeamos 15 perguntas que compradores reais fazem na categoria, em três estágios: descoberta (o comprador descreve o problema sem saber o nome da solução), comparação (avalia tipos de solução) e validação (checa fornecedores específicos). Regra de ouro: nenhuma pergunta de descoberta contém o nome da marca. Se contiver, você mede reconhecimento, não descoberta.

Vários modelos, não um. Cada pergunta rodou em 4 modelos de IA no mesmo período. Modelos discordam entre si, e medir um só é apostar que o seu comprador usa exatamente aquele.

Repetição, porque LLM é estocástico. A mesma pergunta, no mesmo modelo, pode gerar respostas diferentes. Por isso cada pergunta foi executada repetidamente, totalizando 150 medições, uma média de 10 por pergunta. Uma consulta única não mede nada, pelo mesmo motivo que um lançamento de moeda não estima probabilidade. Esse argumento tem post próprio: por que uma pergunta não é medição.

Extração de todas as marcas, não só a do cliente. Das 150 respostas, extraímos 885 menções de marca, incluindo cada concorrente citado, conhecido ou não. Essa decisão parece burocrática. Foi ela que produziu o achado 3.

Achado 1: a liderança era real?

Era. Em volume bruto, a marca do estudo foi a mais citada do mercado: 85 menções, quase o dobro do segundo colocado, o equivalente a 9,6% de todas as 885 menções extraídas (85/885, estudo Rekon). Essa fatia é o share of AI voice da marca: a porção das menções da categoria que pertence a ela.

Se o relatório parasse aqui, a certeza 1 da diretoria estaria confirmada e o estudo viraria slide de comemoração. É exatamente onde a maioria das análises de visibilidade em IA para. Volume total de menções é a métrica mais fácil de coletar e a mais fácil de interpretar errado.

Achado 2: onde estavam as 85 menções?

Concentradas. As 85 menções vieram de apenas 5 das 15 perguntas. Nas outras 10 perguntas, quem aparecia eram outras marcas.

E o padrão da concentração era o pior possível pro negócio. A marca dominava as perguntas em que o comprador já demonstrava conhecer o território dela: validação de fornecedor e comparações onde a categoria já estava nomeada. Nas 5 perguntas de descoberta, aquelas em que o comprador pede orientação sem citar nenhum nome, a taxa de menção foi 0%. Zero em todas as medições, nos 4 modelos.

A tabela abaixo mostra o padrão por estágio de funil. Os totais são medidos (85 menções, 5 de 15 perguntas, zero na descoberta); a distribuição entre comparação e validação é apresentada de forma qualitativa, como observada nas respostas.

Traduzindo pra receita: quem chegava na conversa sabendo o nome saía validado. Quem chegava com o problema saía com uma lista de concorrentes. A liderança construída em décadas não existia no estágio do funil onde a próxima década de clientes está sendo decidida.

Volume alto com cobertura estreita é uma vitória que esconde uma derrota. Nenhuma das duas aparece se você só olhar o total.

Achado 3: quem ocupava o espaço da descoberta?

O achado mais desconfortável do estudo. As respostas de descoberta eram dominadas por empresas que a diretoria não monitorava e, em alguns casos, nem considerava concorrentes. Batizamos o fenômeno de concorrentes-sombra: players que não disputam propostas com você, não aparecem nos relatórios setoriais nem no seu mapa competitivo, mas ocupam o seu espaço nas respostas de IA.

Por que ninguém os via? Porque os radares da empresa mediam outros jogos. O rank tracker media posições no Google, onde os sombras não incomodavam. Os relatórios de mercado mediam faturamento, onde eles eram pequenos ou nem entravam. A inteligência comercial media perda de propostas, e eles raramente chegavam à mesa. O canal onde venciam não tinha placar. Até ter.

O mecanismo é conhecido: modelos de linguagem escolhem quem citar por lastro em fontes de terceiros, guias, comparativos e comunidades, não pelo tamanho da marca no mundo físico. Empresas menores com presença densa nessas fontes ganham a resposta. Nas auditorias que rodamos desde então, o padrão se repete: o mapa competitivo da IA raramente coincide com o da diretoria. Mapear os seus tem roteiro próprio, publicado em como encontrar concorrentes-sombra.

Limitações deste estudo, antes que você pergunte

Leia isto antes de generalizar. O N é pequeno: 150 medições no total dão cerca de 10 por pergunta, o que produz intervalos de confiança largos por pergunta, na casa de ±27 pontos percentuais (Wilson Score, ver metodologia). É um único setor, industrial e tradicional; outros setores podem se comportar diferente. É um snapshot: uma janela única de coleta, em 4 modelos, e o comportamento dos LLMs muda a cada release. Tratamos os três achados como evidência direcional, não como lei. O zero na descoberta, porém, é o tipo de resultado que sobrevive a IC largo: zero em todas as medições, em todos os modelos, não é ruído de amostragem pequena. É ausência.

O que a empresa priorizou depois, e por que nessa ordem?

A medição transformou uma inquietação difusa ("precisamos estar na IA") em três prioridades sequenciadas. A ordem importa mais que a lista.

Prioridade 1: conteúdo citável pras perguntas de descoberta. Por que primeiro: o gap era zero, e zero é o ponto de maior alavancagem estatística. Partindo de 0%, qualquer menção nova é detectável na remedição mesmo com intervalo de confiança largo. Atacar primeiro as perguntas onde a marca já aparecia seria otimizar o que funciona e ignorar a hemorragia.

Prioridade 2: presença nas fontes de terceiros usadas nas respostas de descoberta. Por que segundo: exigia saber quais fontes os modelos citavam naquelas 5 perguntas, e essa lista só existiu depois da análise das respostas coletadas. O site próprio quase não aparecia como fonte nas respostas de descoberta; guias e comparativos de terceiros, sim. Publicar só no próprio site é falar numa sala onde o modelo não está ouvindo.

Prioridade 3: remedição periódica com o mesmo método. Por que inegociável: sem repetir a medição com as mesmas perguntas, os mesmos modelos e o mesmo N, não há como saber se as prioridades 1 e 2 funcionaram. O critério foi estatístico: a mudança só conta quando sai da margem de erro do baseline. Ação sem remedição é fé.

A sequência completa de execução, semana a semana, está no playbook de 90 dias de AI Discoverability.

Como reproduzir este estudo na sua marca

O desenho é replicável sem ferramenta paga. Contando coleta manual, o roteiro abaixo consome um dia de trabalho distribuído na semana.

1. Mapeie 15 perguntas de comprador, 5 por estágio (60 min). Cinco de descoberta descrevendo o problema sem citar categoria nem marca, cinco de comparação entre tipos de solução, cinco de validação de fornecedores. Critério de qualidade: um comprador real reconheceria cada pergunta como sua.
2. Defina a repetição antes de começar (5 min). Mínimo de 5 execuções por pergunta, ideal 10, como no estudo. Registre a decisão por escrito pra não reduzir no meio do caminho quando cansar. Se a tentação aparecer, releia por que uma pergunta não é medição.
3. Rode em pelo menos 2 modelos (3 a 5 horas de coleta). O estudo usou 4. Use janela anônima ou chat temporário, sem login, e não reformule a pergunta entre repetições.
4. Extraia todas as marcas de cada resposta, não só a sua (60 min). Esta é a etapa que a maioria pula e é a única que revela concorrentes-sombra. Planilha simples: pergunta, modelo, execução, marcas citadas em ordem.
5. Monte a matriz estágio × marca e procure os três padrões (30 min). Seu volume total (achado 1), a distribuição das suas menções por estágio (achado 2) e os nomes que dominam a descoberta (achado 3). Critério de sucesso: você responde "quem a IA recomenda quando o comprador ainda não sabe meu nome?".

Se quiser a versão com mais amostras, 4 modelos e intervalo de confiança calculado, a auditoria gratuita da Rekon entrega a matriz em 5 minutos.

Perguntas frequentes

Esse padrão vale pra outros setores além do industrial?

O estudo cobriu um único setor, então a resposta honesta é: não dá pra afirmar com esse dado. Nas auditorias que rodamos desde então, o padrão se repete com frequência em marcas B2B estabelecidas: presença forte onde já são procuradas pelo nome, ausência nas perguntas abertas de categoria. Trate como hipótese a testar na sua marca, não como certeza.

Por que repetir a mesma pergunta 10 vezes em vez de perguntar uma vez?

Porque LLMs são estocásticos: a mesma pergunta gera respostas diferentes entre sessões. Uma consulta única é uma anedota, não uma taxa. Com cerca de 10 medições por pergunta o intervalo de confiança ainda é largo (±27 pontos, Wilson Score), mas já separa zeros estruturais de flutuação. O raciocínio completo está em por que uma pergunta não é medição.

O que é exatamente um concorrente-sombra?

Uma empresa que não disputa clientes com você nos canais tradicionais, não aparece no seu mapa competitivo, mas é citada pelas IAs nas perguntas da sua categoria, ocupando o espaço de recomendação que seria seu. No estudo, os sombras dominavam as 5 perguntas de descoberta. Eles só se tornam visíveis quando a medição extrai todas as marcas das respostas, não apenas a sua.

A empresa do estudo já reverteu o zero na descoberta?

O trabalho de conteúdo citável e presença em fontes de terceiros está em execução, com remedições periódicas pelo mesmo método. Não publicamos resultado antes de ele sair da margem de erro do baseline, e não prometemos prazo: quem promete prazo fixo pra mudar comportamento de LLM vende o que não controla. Quando houver dado defensável, ele vira estudo publicado.

---

A pergunta que este caso deixa pra sua marca não é "quantas menções eu tenho". É "em qual estágio do funil elas estão, e quem aparece no estágio onde eu não apareço". Rode o roteiro acima ou a auditoria gratuita e descubra se a sua liderança também é uma liderança de fundo de funil. Se for, o playbook de 90 dias mostra por onde começar.