Como saber se o ChatGPT recomenda sua empresa: o roteiro completo do diagnóstico manual

Para saber se o ChatGPT recomenda a sua empresa, você formula as perguntas que o seu comprador faria (sem citar a sua marca), roda cada uma pelo menos 3 vezes em chat temporário, registra numa planilha todas as marcas citadas e lê os padrões: quem aparece sempre, quem oscila, quem nunca existe. Uma consulta solta não responde nada, porque a resposta muda a cada sessão. O que responde é um protocolo repetível, e é isso que este guia entrega: a fórmula das perguntas com 10 exemplos prontos, o passo a passo da coleta, o template da planilha coluna a coluna e a interpretação de cada resultado possível.

Reserve 2 horas. Ferramenta paga: nenhuma.

Como formular as perguntas certas?

Toda pergunta de diagnóstico segue a mesma fórmula: [quem pergunta] + [problema ou necessidade] + [contexto que filtra] + [pedido de recomendação ou explicação]. E uma regra de ouro: o nome da sua marca não entra. A pergunta que mede descoberta é a que alguém digita quando ainda não conhece você.

O contexto que filtra é o ingrediente que quase todo mundo esquece. "Melhor CRM" gera uma resposta genérica dominada por gigantes globais. "Melhor CRM pra distribuidora de 80 funcionários no interior de SP" gera a resposta onde a disputa real acontece. Nas auditorias que rodamos, é nas perguntas com filtro de porte, região ou segmento que marcas brasileiras têm chance de aparecer, porque em PT-BR os modelos citam em média 3 a 5 fontes por resposta, contra 6 a 8 em inglês (dataset Rekon, 2026, n=2.500). Menos vagas, mais briga.

Monte de 12 a 16 perguntas distribuídas em quatro tipos. Os exemplos abaixo usam colchetes: troque pelo seu setor e estão prontos.

Topo de funil (o comprador descreve o problema, ainda nem sabe que a sua categoria existe):

1. "Minha empresa de [setor] sofre com [problema concreto]. O que existe pra resolver isso?"
2. "Como empresas de [setor] estão lidando com [problema] hoje no Brasil?"
3. "Estou perdendo [resultado de negócio] por causa de [causa]. Por onde começo?"

Meio de funil (já sabe que existe solução, compara tipos e critérios):

1. "Qual a diferença entre [tipo de solução A] e [tipo de solução B] pra uma empresa de [porte]?"
2. "O que avaliar antes de contratar um [categoria de fornecedor]?"
3. "[Categoria] nacional ou internacional: o que faz mais sentido pra quem opera no Brasil?"

Fundo de funil (pede nomes):

1. "Quais os melhores [categoria] pra [segmento] no Brasil?"
2. "Preciso contratar [categoria] pra [contexto específico, com porte e região]. Quem você recomenda e por quê?"

Validação (o comprador já achou você e está conferindo):

1. "A [sua marca] é confiável pra [serviço]? Quais os pontos fortes e fracos?"
2. "[Sua marca] ou [concorrente principal]: qual escolher pra [contexto]?"

Repare que os tipos 9 e 10 quebram a regra de ouro de propósito. Eles não medem descoberta; medem o que a IA diz de você quando alguém confere a sua reputação antes de assinar. São métricas diferentes e as duas importam. O que os modelos costumam responder nessa hora está em minha empresa é confiável: o que a IA responde. O erro fatal é usar pergunta com nome de marca pra medir descoberta; ele volta nas armadilhas.

Critério de qualidade do conjunto: leia cada pergunta em voz alta. Se só um profissional de marketing formularia aquilo, você está medindo um comprador que não existe.

Qual é o protocolo de coleta?

O protocolo tem quatro regras. Nenhuma é opcional, porque cada uma neutraliza uma fonte de distorção que já vimos estragar diagnóstico.

Regra 1: chat temporário, sem login. O ChatGPT logado carrega memória, instruções personalizadas e o histórico das suas conversas. Você pesquisa a própria marca há meses e a resposta vem contaminada por esse contexto. O que você quer medir é a resposta que um comprador desconhecido recebe. No ChatGPT, use o modo de chat temporário; em outros modelos, janela anônima sem conta.

Regra 2: no mínimo 3 repetições por pergunta, cada uma num chat novo. LLMs são estocásticos: a mesma pergunta gera respostas diferentes entre sessões. Uma consulta única é um lançamento de moeda, e já explicamos a matemática disso em por que uma pergunta não é medição. Três repetições ainda dão uma leitura só direcional (na nossa metodologia, N=5 dá intervalo de confiança de ±42 pontos; N=30 aperta pra ±15). Mas 3 já separam o essencial: o zero absoluto, a presença consistente e a zona de oscilação.

Regra 3: texto idêntico, sem conversa. Cole a pergunta exatamente igual nas 3 repetições. Não reformule, não corrija, não responda ao follow-up do modelo. Cada repetição é um chat descartado após o registro.

Regra 4: registre na hora, na planilha. Confiar na memória ou em prints soltos mata a análise depois. A planilha tem 10 colunas:

1. id: número da pergunta (P1 a P16).
2. tipo: topo, meio, fundo ou validação. Revela em qual estágio do funil você some.
3. pergunta: o texto exato, congelado desde a primeira medição.
4. modelo: ChatGPT, Gemini, Perplexity. Comece só com ChatGPT se o tempo for curto.
5. data: dia da coleta. Modelos mudam; sem data não há série temporal.
6. repeticao: 1, 2 ou 3.
7. marcas_citadas: todas as marcas da resposta, na ordem em que aparecem. Essa coluna é o seu mapa competitivo de graça.
8. minha_marca: sim ou não.
9. posicao: em que ordem você foi citado (vazio se ausente).
10. descricao_ok: correta, parcial, errada ou não se aplica. Julgue categoria, serviço e região.

Uma coluna extra de observações guarda frases literais da IA que valham discussão interna.

Tempo real de execução: 15 perguntas vezes 3 repetições dá 45 chats, cerca de 90 minutos no ChatGPT com registro incluído. Um segundo modelo dobra isso. Critério de "deu certo": você responde em quantas perguntas a sua marca apareceu ao menos uma vez, e quem domina as que ficaram sem você.

Como fica a planilha preenchida?

Trecho ilustrativo, com marcas fictícias de um software de gestão de frotas. É assim que os padrões saltam aos olhos:

Sete linhas já contam uma história. A TrilhaFrota oscila no fundo de funil (2 de 3), não existe no topo (0 de 3) e, quando o comprador confere a reputação dela, a IA erra a descrição. A RotaMax apareceu nas 7 linhas: é ela que leva o comprador que descreve o problema.

O que cada padrão de resultado significa?

Terminada a coleta, cada pergunta cai em um de quatro padrões, cada um com significado e ação distintos.

Aparece sempre (3 de 3). Presença consolidada naquela pergunta: o modelo tem lastro suficiente sobre você naquele território pra citar de forma estável. A ação não é comemorar, é proteger e auditar a qualidade: em que posição você vem, e a descrição está certa? No nosso estudo de 150 medições numa indústria B2B (cliente anônimo por contrato), a marca era líder absoluta com 85 menções em 885 extraídas, e ainda assim isso escondia o problema real, que aparece no padrão seguinte.

Aparece às vezes (1 ou 2 de 3). Zona de disputa. Com 3 amostras, um resultado 2 de 3 é compatível com taxas reais entre 20% e 95%, então resista à tentação de cravar tendência: a leitura honesta é "estou no jogo, mas sem cadeira garantida". A ação é aumentar o N antes de investir (mais 5 repetições só nessas perguntas) e priorizá-las no trabalho de conteúdo: perguntas oscilantes respondem mais rápido a reforço de evidência.

Nunca aparece (0 de 3 em todas as repetições). Se isso ocorre nas perguntas de fundo, você está fora do conjunto de consideração da sua própria categoria. Se ocorre no topo, você é invisível pra quem ainda está descobrindo o problema, o estágio onde clientes novos nascem. Foi o achado mais duro do nosso estudo: a líder em menções tinha 0% de citação nas perguntas de topo de funil, em todas as amostras. A ação é diagnóstico de causa, não produção cega de conteúdo, e o mecanismo por trás desses zeros está destrinchado em por que sua marca some no ChatGPT.

Aparece com descrição errada. O padrão mais urgente dos quatro. Ausência é oportunidade perdida; descrição errada é dano ativo, porque a IA apresenta você na categoria errada pra um comprador em decisão. A ação: rastreie de onde o erro vem (seu próprio site ambíguo, diretórios desatualizados, páginas institucionais antigas), corrija a fonte, e remeça em 4 a 6 semanas pra verificar se a correção propagou. Nas auditorias, esse é o achado que mais paga o exercício no primeiro dia, porque a correção costuma ser barata. O plano completo de rastreio e correção está em quando a IA erra sobre sua marca.

Um qualificador honesto: com 3 repetições por pergunta, tudo aqui é leitura direcional. Serve pra achar zeros, erros de descrição e assimetrias grosseiras entre tipos de pergunta. Não serve pra afirmar que você "cresceu de 33% pra 66%"; essa diferença, nesse N, é ruído.

Quais armadilhas invalidam o diagnóstico?

Três erros aparecem em quase todo diagnóstico caseiro que revisamos. Qualquer um sozinho invalida a conclusão.

Perguntar com o nome da marca e chamar isso de visibilidade. "O que você sabe sobre a [minha empresa]?" força a resposta: o modelo vai falar de você porque você mandou. Isso mede a capacidade da IA de discorrer sobre um nome dado, não a chance de ela recomendar você espontaneamente. Pergunta com marca só entra no tipo validação, rotulada como tal.

Medir uma vez e formar opinião. O gestor roda uma pergunta, vê a marca na resposta, tira print e declara vitória. Na sessão seguinte a marca some, porque a resposta é uma variável aleatória, não um fato. Vale pro pessimismo também: um zero isolado não prova invisibilidade. Sem repetição não há medição, há anedota.

Usar a conta logada de sempre. Memória e histórico personalizam a resposta a seu favor. É o equivalente a pesquisar a própria marca no Google logado e concluir que "rankeia bem". O viés é silencioso: a resposta parece normal, só que não é a que o mercado vê.

Duas armadilhas menores completam a lista: reformular a pergunta entre repetições (cria perguntas novas e mata a comparação) e trocar o conjunto de perguntas entre um mês e outro (destrói a série temporal, o produto mais valioso do processo).

Perguntas frequentes

Quantas repetições por pergunta são suficientes?

Depende da decisão que o número vai sustentar. Com 3 você detecta zeros e padrões grosseiros; é o mínimo viável pro diagnóstico manual. Pra comparar marcas ou medir evolução entre períodos, a nossa metodologia usa N=30 por pergunta, que dá intervalo de confiança de ±15 pontos via Wilson Score. Abaixo disso, trate diferenças pequenas como ruído.

Preciso do ChatGPT pago pra fazer o diagnóstico?

Não. O chat temporário da versão gratuita serve pro protocolo inteiro. Só registre qual versão do modelo respondeu, porque versões diferentes citam marcas diferentes. O critério correto é medir a superfície que o seu comprador usa, e a maioria usa a gratuita.

Com que frequência devo repetir a medição?

Mensal é a cadência que recomendamos pra acompanhamento, com as perguntas congeladas. Modelos mudam com releases e o conteúdo que eles leem muda toda semana; comparações distantes misturam o seu trabalho com o drift do modelo. Se você acabou de corrigir uma descrição errada, remeça o bloco afetado em 4 a 6 semanas.

Minha marca não apareceu em nenhuma pergunta. E agora?

Primeiro, confirme que não é artefato: perguntas sem filtro de contexto e coleta logada produzem falsos zeros. Confirmado o zero, você tem um diagnóstico valioso: o modelo não tem lastro suficiente sobre a sua entidade pra citá-la. A causa costuma estar nas fontes que a IA lê, e por que sua marca some no ChatGPT mostra as mais comuns.

---

Com a planilha preenchida, você sabe o que a maioria dos concorrentes não sabe: em quais perguntas a categoria está sendo decidida sem você. O próximo passo é escala e causa: mais amostras por pergunta, mais modelos e o porquê de cada zero. A auditoria gratuita da Rekon roda esse mesmo protocolo com N maior, multi-modelo e intervalo de confiança calculado, e devolve a matriz pronta em 5 minutos. Compare com a sua planilha manual: se os zeros coincidirem, você acabou de validar o seu primeiro instrumento de medição.