Por que sua marca some no ChatGPT: as 5 causas raiz e o teste pra descobrir a sua

Sua marca some do ChatGPT por uma de cinco causas raiz: entidade fraca ou inconsistente, ausência das fontes que o modelo lê na sua categoria, conteúdo próprio que não dá pra citar, classificação na prateleira semântica errada, ou concorrentes com mais lastro. Cada causa tem sintoma observável, teste pra confirmar e correção diferente. Tratar a causa errada queima meses no problema que você não tem.

Este post é um diagnóstico diferencial. Nas auditorias que rodamos na Rekon, o pedido chega quase sempre igual: "não aparecemos no ChatGPT, o que a gente faz?". A resposta honesta começa com outra pergunta: por quê? Invisibilidade é sintoma, não doença. E sintomas iguais escondem doenças diferentes.

Onde exatamente o processo quebra quando a IA omite uma marca?

Pra citar uma marca, o modelo completa uma cadeia: reconhecê-la como entidade consistente, encontrá-la nas fontes que usa (treino ou busca ao vivo), achar ali trechos que caibam numa resposta, classificá-la na prateleira semântica certa e, no fim, comparar o lastro dela com o dos concorrentes. São cinco elos. Cada causa raiz abaixo é um elo quebrado. A mecânica completa da decisão está em como um LLM decide quem citar; aqui o foco é diagnóstico.

Um dado antes de começar, porque ele muda tudo: o overlap entre as fontes citadas em respostas de IA e o top 10 orgânico do Google é menor que 10% (G2 Answer Economy Report, abr/2026, n=1.076). Seu diagnóstico de SEO não serve como diagnóstico de IA. Você testa do zero.

Causa 1: o modelo não sabe quem você é (entidade fraca ou inconsistente)

Sintoma observável: quando alguém pergunta diretamente sobre a sua marca, a resposta vem vaga, errada ou misturada com outra empresa de nome parecido. Nas perguntas de categoria, você não aparece nunca, em nenhum modelo.

O que está acontecendo: o modelo consolida uma entidade a partir de descrições repetidas e coerentes. Se o seu site diz "soluções integradas de gestão", o LinkedIn diz "consultoria em tecnologia" e um diretório antigo diz "software house", o modelo não forma uma entidade única. Forma três fragmentos fracos, e nenhum passa do corte.

Vimos o padrão numa auditoria de serviços B2B: três descrições públicas diferentes, uma desatualizada havia quatro anos. O ChatGPT descrevia a empresa pela versão de quatro anos atrás. O modelo não estava errado. Estava lendo o que sobrou.

Teste pra confirmar (5 min): abra um chat temporário e pergunte "o que é a [sua marca] e o que ela faz?". Repita no Gemini. Se a resposta erra o que você faz, confunde com homônimo ou responde "não tenho informações suficientes", causa 1 confirmada.

Correção: unificar a descrição da empresa em uma frase canônica e replicá-la em todos os pontos públicos: site, página sobre, LinkedIn, diretórios, schema.org Organization com sameAs ligando os perfis. Esforço baixo, dono claro (você controla quase tudo), efeito de base pra todo o resto.

Causa 2: você não está nas fontes que o modelo lê na sua categoria

Sintoma observável: o modelo sabe quem você é (o teste da causa 1 passa), mas nas perguntas de recomendação ele cita sempre os mesmos concorrentes, e as fontes citadas na resposta são sempre os mesmos comparativos, diretórios e reviews. Você não está em nenhum deles.

O que está acontecendo: modelos com busca ao vivo não varrem a internet inteira. Recuperam um punhado de páginas por pergunta e sintetizam a partir delas. Em português, o punhado é ainda menor: LLMs citam em média 3 a 5 fontes por resposta em PT-BR, contra 6 a 8 em inglês (dataset Rekon, 2026, n=2.500). Se duas ou três páginas dominam as citações da categoria e você não está nelas, você não existe naquele funil.

Numa categoria de software B2B que auditamos, um único comparativo "melhores sistemas de X" aparecia como fonte em mais da metade das respostas com busca. Quem estava listado ali era citado. Quem não estava, sumia. A disputa real não era pelo Google. Era por um parágrafo naquela página.

Teste pra confirmar (15 min): rode 3 perguntas de recomendação da sua categoria no Perplexity e no ChatGPT com busca. Anote as fontes citadas (ambos mostram). Abra cada fonte e procure sua marca. Ausente nas fontes recorrentes: causa 2 confirmada.

Correção: presença nas fontes específicas que apareceram no teste, não em "mídia" genérica. Diretórios da categoria, plataformas de review, comparativos que aceitam inclusão. Esforço médio; depende de terceiros, mas o alvo é uma lista curta e nominal que o próprio teste te entregou.

Causa 3: seu conteúdo existe, mas não dá pra citar

Sintoma observável: seu site até aparece nas fontes recuperadas (dá pra ver no Perplexity), mas a sua marca não entra no corpo da resposta. Ou entra citada de passagem, sem atributo nenhum, enquanto concorrentes aparecem com característica, público e diferencial.

O que está acontecendo: o modelo recorta trechos que já vêm em formato de resposta: afirmação direta, dado, público específico. "Há 20 anos oferecendo soluções com excelência" não oferece nada recortável. "Atende distribuidoras de 50 a 200 funcionários, com implantação média de 45 dias" é uma citação pronta. É o caso clássico da empresa maior que perde pra menor: a grande tem um site de adjetivos, a pequena publica guias que respondem perguntas de comprador com número. Pro modelo, a pequena tem mais sinal. E sinal ganha de tamanho.

Teste pra confirmar (15 min): pegue a principal pergunta de fundo de funil da sua categoria e procure no seu próprio site uma página que a responda nos dois primeiros parágrafos, com pelo menos um dado concreto. Cronometre 60 segundos por página. Se não encontrar nenhuma, causa 3 confirmada.

Correção: reescrever as páginas-chave em formato answer-first: a pergunta do comprador respondida de cara, com números, público e limites de uso. Esforço médio, totalmente sob seu controle. O molde dessa reescrita está em como estruturar uma página que a IA cita.

Causa 4: o modelo colocou sua marca na prateleira errada

Sintoma observável: o mais traiçoeiro dos cinco, porque a marca aparece. Só que nas perguntas erradas. Você vende pra indústria e aparece em perguntas de varejo. Vende software de folha de pagamento e é citado como "sistema de RH genérico". A métrica agregada de menções parece saudável; a distribuição conta outra história.

O que está acontecendo: o modelo classifica entidades por co-ocorrência. Se a sua marca aparece nos textos públicos perto de termos de uma categoria vizinha, é lá que ele te arquiva. Quando a pergunta certa chega, ele abre a prateleira certa e você não está nela.

Foi o achado central do nosso estudo com uma indústria B2B (cliente anônimo por contrato): 150 medições, 15 perguntas de comprador, 4 modelos, 885 menções extraídas. A marca liderava em volume, com 85 menções, mas concentradas em 5 das 15 perguntas. Nas 10 restantes dominavam concorrentes-sombra: empresas que o cliente nem considerava concorrentes, arquivadas pelo modelo na prateleira onde a compra começa. E nas perguntas de topo de funil, onde o comprador descreve o problema sem saber o nome da solução, a marca teve 0% de menção. Zero, em todas as amostras.

Teste pra confirmar (25 min): liste 9 perguntas da categoria: 3 de topo de funil (o problema, sem nomear solução), 3 de meio, 3 de fundo. Rode cada uma 3 vezes num chat temporário e marque numa planilha onde sua marca aparece. Concentração num tipo de pergunta e zeros nos outros: causa 4 confirmada. Quem aparece nos seus zeros são seus concorrentes reais segundo a IA. Pra mapeá-los com método, veja como encontrar concorrentes-sombra.

Correção: reposicionamento semântico. Produzir e distribuir conteúdo que coloque a marca em co-ocorrência com os termos da prateleira certa, começando pelas perguntas de topo de funil onde deu zero. Esforço alto: é reeducação de entidade, não ajuste de página.

Causa 5: seus concorrentes simplesmente têm mais lastro

Sintoma observável: todos os testes anteriores passam. Entidade clara, presença nas fontes, conteúdo citável, prateleira certa. Você aparece às vezes, mas duas ou três marcas aparecem quase sempre, na frente, em todos os modelos.

O que está acontecendo: nada quebrado. O modelo pondera corroboração: quantas fontes independentes dizem a mesma coisa sobre cada marca. Um concorrente com 30 fontes consistentes ganha de você com 8, mesmo que as suas 8 sejam boas. Aqui a invisibilidade parcial não é erro. É placar.

Numa auditoria de SaaS, o cliente cumpria todos os requisitos e ainda perdia pra dois players. A diferença era volume de material de terceiros acumulado por anos: reviews, comparativos, conteúdo educacional da categoria. Não havia truque a corrigir. Havia distância a percorrer.

Teste pra confirmar (10 min): pergunte ao Perplexity "quais fontes descrevem a [sua marca]?" e repita pro concorrente dominante. Compare a contagem e a diversidade. Diferença grande de lastro com todos os outros testes passando: causa 5 confirmada.

Correção: construção contínua de lastro, priorizada pelas perguntas onde a distância é menor. É a correção mais lenta das cinco, e a única que é maratona em vez de conserto.

Tabela-resumo: do sintoma à correção

Como rodar o diagnóstico diferencial na sua marca em 1 hora

A ordem importa: do teste mais barato pro mais caro, porque cada causa confirmada cedo evita rodar os testes seguintes no escuro.

1. Teste de entidade (5 min). Chat temporário, ChatGPT e Gemini: "o que é a [marca] e o que ela faz?". Deu certo se a resposta acerta o que você faz sem confundir com ninguém. Errou: pare aqui, causa 1, corrija antes de qualquer outra coisa.
2. Matriz de perguntas (25 min). As 9 perguntas (3 topo, 3 meio, 3 fundo), 3 repetições cada, planilha com marca × pergunta. Deu certo se você consegue responder "em quais perguntas apareço e quem aparece nas outras". Zeros concentrados por estágio de funil apontam causa 4.
3. Auditoria de fontes (15 min). Nas respostas com busca do passo 2, liste as fontes citadas e cheque sua presença em cada uma. Ausência nas recorrentes: causa 2.
4. Teste de citabilidade (15 min). Pra pergunta de fundo de funil, procure no seu site a página que responde em 2 parágrafos com dado concreto. Não existe: causa 3. Existe, você está nas fontes e ainda perde: causa 5, compare lastro.

Limitações declaradas, porque esse diagnóstico manual tem as dele: com 3 repetições por pergunta o intervalo de confiança é largo, então ele detecta zeros e padrões grosseiros, não diferenças finas entre marcas. Modelos mudam a cada release. E os padrões das nossas auditorias vêm majoritariamente de B2B brasileiro; em B2C de alto volume as proporções entre causas podem ser outras. Pra uma leitura com N maior, multi-modelo e intervalo de confiança calculado pelo método da nossa metodologia, a auditoria gratuita roda isso em 5 minutos.

Perguntas frequentes

Posso ter mais de uma causa ao mesmo tempo?

Pode, e é o cenário mais comum nas auditorias que rodamos: entidade inconsistente (causa 1) quase sempre vem com conteúdo não-citável (causa 3). Corrija na ordem dos testes: entidade primeiro, porque as demais correções rendem pouco sobre uma entidade que o modelo não consolida.

Quanto tempo depois da correção a marca volta a aparecer?

Depende do canal. Respostas com busca ao vivo refletem mudanças em fontes indexadas em dias ou semanas. O conhecimento do treino muda em ciclos de meses, a cada release. Por isso o baseline antes da correção importa: sem ele, você não distingue efeito do seu trabalho de flutuação do modelo.

O diagnóstico vale pra Gemini, Perplexity e Claude também?

A árvore de causas é a mesma, porque o mecanismo de fundo (entidade, fontes, citabilidade, categoria, lastro) é comum aos LLMs. O peso varia: modelos com busca ao vivo sofrem mais com a causa 2; os sem busca dependem do treino, onde pesam as causas 1 e 4. Rode em 2 modelos no mínimo.

Preciso de ferramenta paga pra rodar o diagnóstico?

Não. O roteiro de 1 hora usa chats gratuitos e uma planilha, e basta pra identificar a causa raiz. Ferramenta entra depois, pra medir com N amostral decente, comparar modelos e acompanhar evolução. Diagnóstico é manual; monitoramento é que não escala na mão.

---

Identificada a causa, o próximo passo é transformar diagnóstico em baseline: medir o mention rate nas perguntas onde deu zero, corrigir e remedir com o mesmo método. O roteiro de medição contínua está em como saber se o ChatGPT recomenda sua empresa. E se quiser a matriz pronta, com intervalo de confiança e sem planilha, a auditoria gratuita entrega em 5 minutos o que o roteiro manual entrega em 1 hora.