Quando a IA erra sobre sua marca: o playbook de correção

Quando o ChatGPT afirma que seu produto custa um valor que não existe, ou inventa uma política de reembolso em nome da sua empresa, o caminho de correção tem cinco passos: documentar o erro com data e modelo, corrigir a fonte raiz (quase sempre o seu próprio site), alinhar os dados da sua entidade em todos os canais, acionar os canais formais dos provedores e remedir para confirmar. Antes de tudo isso, porém, vem o passo zero: detectar o erro de forma sistemática, porque ninguém corrige o que não mede.

Este post cobre os cinco tipos de erro que vemos nas auditorias, a mecânica que os produz, um roteiro de detecção que você executa hoje e o playbook completo, com as limitações ditas em voz alta.

Quais são os 5 tipos de erro que a IA comete sobre empresas?

Erro de IA sobre marca não é um fenômeno único. São cinco padrões distintos, e cada um pede uma correção diferente. Os exemplos abaixo são ilustrativos, exceto o último.

1. Erro factual simples. A IA afirma um dado concreto errado: preço, recurso, prazo. Exemplo: um comprador pergunta quanto custa o plano inicial de um software e a resposta diz "R$ 490 por mês", quando o preço real é R$ 890. Ou atribui ao produto um recurso que nunca existiu, como "integração nativa com SAP". O comprador descarta ou escolhe com base num dado falso, e você nunca fica sabendo.

2. Confusão de atribuição ou homônimo. A IA mistura sua empresa com outra de nome igual ou parecido. Exemplo: uma consultoria tributária chamada Vetra pergunta "o que a Vetra faz?" e recebe a descrição de uma transportadora homônima do Paraná, com frota, rotas e tudo. Para o modelo, entidades com o mesmo nome e pouco lastro documental são quase indistinguíveis.

3. Desatualização. O dado foi verdade um dia. A IA cita a sede antiga, um sócio que saiu em 2022, um produto descontinuado. Nas auditorias que rodamos, este é qualitativamente o tipo mais frequente: a empresa mudou, o rastro público não. É também o mais traiçoeiro, porque a resposta soa plausível até para funcionários novos.

4. Mistura de entidades. A IA funde duas empresas reais numa resposta só. Recursos do seu concorrente aparecem atribuídos a você, ou o contrário. Exemplo: "a AlfaLog oferece rastreamento em tempo real e frota própria de 300 caminhões", sendo que o rastreamento é seu e a frota é do concorrente. Diferente do homônimo, aqui os nomes nem precisam se parecer: basta que as duas marcas coocorram nas mesmas fontes.

5. Política inventada. O tipo mais caro. A IA declara, em nome da empresa, uma regra que não existe: reembolso, garantia, tarifa. O único caso externo que citamos aqui é real e documentado: Moffatt v. Air Canada (2024). O chatbot do site da Air Canada informou a um passageiro que ele podia comprar a tarifa cheia e pedir o desconto por luto retroativamente. A política real não permitia. O tribunal civil da Colúmbia Britânica rejeitou o argumento da empresa de que o chatbot seria "uma entidade separada, responsável pelos próprios atos" e a obrigou a honrar a tarifa inventada, com indenização. A empresa respondeu juridicamente pelo que a IA disse em seu nome.

Se o quinto tipo acontece no chatbot da própria empresa, imagine o que modelos de terceiros, sem nenhum contrato com você, afirmam sobre suas políticas todos os dias.

Por que a IA erra sobre a sua empresa?

Um LLM não consulta um cadastro oficial da sua marca. Ele compõe a resposta a partir de duas camadas: o que ficou consolidado no treinamento e o que a busca ao vivo recupera na hora. O erro nasce quando qualquer uma das camadas encontra material ruim.

Três causas concentram quase tudo que vemos.

Fontes desatualizadas com peso alto. Um PDF de tabela de preços de 2023 ainda indexado, uma página "quem somos" antiga num diretório, um perfil abandonado. Para o modelo, um documento que parece oficial vale muito, mesmo velho.

Fontes ambíguas. Quando seu site diz uma coisa e seu perfil no LinkedIn diz outra, o modelo não escolhe a certa. Ele escolhe a mais repetida, ou mistura as duas. Ambiguidade na origem vira alucinação na ponta.

Entidade fraca. Se existe pouco material consistente sobre a sua marca, o modelo preenche as lacunas por associação estatística: com o homônimo, com o concorrente, com o padrão genérico da categoria. Marcas com lastro documental fino são as que mais sofrem os tipos 2 e 4. A mecânica completa de como o modelo escolhe em quem confiar está em como um LLM decide quem citar.

Repare que nenhuma das três causas é "bug do ChatGPT". Todas apontam para o rastro público da sua empresa. É por isso que o playbook de correção começa em casa.

Como detectar erros de forma sistemática?

Uma pergunta solta no ChatGPT não detecta nada. LLMs são estocásticos: a mesma pergunta gera respostas diferentes, e o erro pode aparecer em uma sessão a cada três. Detecção séria é uma bateria de perguntas de fato sobre a própria empresa, repetida N vezes. O roteiro abaixo leva cerca de 2 horas e meia.

1. Monte a bateria de perguntas de fato (30 min, planilha). Entre 12 e 15 perguntas cujas respostas você conhece com certeza: "quanto custa o plano X da [marca]?", "onde fica a sede da [marca]?", "qual a política de reembolso da [marca]?", "quem fundou a [marca]?", "a [marca] atende o segmento Y?". Critério de qualidade: toda pergunta tem uma resposta correta verificável em documento interno.
2. Rode cada pergunta 3 vezes em 2 modelos (90 min). ChatGPT e Gemini ou Perplexity, sempre em janela anônima ou chat temporário, sem reformular a pergunta entre repetições. Registre a resposta literal na planilha.
3. Classifique cada afirmação factual (30 min). Quatro etiquetas: correta, desatualizada, errada, inventada. Uma resposta pode conter as quatro ao mesmo tempo.
4. Priorize pelo dano (15 min). Política inventada e preço errado vêm antes de sede antiga. Pergunta-guia: "se um comprador agir com base neste erro, o que acontece?".

Critério de "deu certo": você termina com uma matriz pergunta × modelo × repetição e sabe dizer quais erros são recorrentes e quais foram ruído de uma sessão. Com 3 repetições o intervalo de confiança é largo, então trate o resultado como triagem, não como taxa. Para uma medição com N maior, multi-modelo e intervalo de confiança calculado via Wilson Score, o método completo está na nossa metodologia, e a auditoria gratuita devolve a primeira leitura em 5 minutos.

Um exemplo do que a triagem costuma encontrar. A empresa e os dados abaixo são fictícios; o formato da resposta é o real.

Pergunta: "Qual a política de garantia e quanto custa o plano básico da Arvo Sistemas?"

Resposta (exemplo ilustrativo): "A Arvo Sistemas oferece garantia de reembolso integral em até 90 dias para todos os planos. O plano básico custa R$ 390 por mês, com sede da empresa em Curitiba, PR."

Dissecando os dois erros factuais. Primeiro, a garantia de 90 dias: a Arvo oferece 30 dias, mas uma promoção de lançamento de 2023, descrita num post antigo do blog, oferecia 90. A página nunca foi atualizada nem marcada como expirada, e o modelo a tratou como política vigente. É o tipo 5 nascendo do tipo 3. Segundo, o preço de R$ 390: era o valor da tabela anterior, ainda vivo num PDF comercial indexado e num diretório de software que ninguém revisita desde a migração de preços. O site atual diz R$ 590, mas duas fontes antigas contra uma atual empataram o jogo, e o modelo escolheu a mais repetida. A sede, aliás, estava certa. Erro de IA raramente vem sozinho e raramente vem em tudo.

O playbook de correção, na ordem certa

Detectou. Agora corrija nesta sequência, porque cada passo depende do anterior.

Passo 1: documente com data, modelo e print. Registre a data, o modelo e a versão (ChatGPT com ou sem busca, Gemini, Perplexity), o prompt exato e o print da resposta. Respostas de IA mudam entre sessões e entre releases: sem registro, você não tem baseline para comparar depois da correção, nem evidência se o caso escalar juridicamente. O caso Air Canada se decidiu, em parte, porque o passageiro tinha o print.

Passo 2: corrija a fonte raiz. Na nossa experiência de auditoria, a origem do erro é quase sempre um ativo da própria empresa: página de preços desatualizada, PDF antigo indexado, post de promoção expirada sem aviso, FAQ ambígua, perfil abandonado em diretório. Rastreie de onde o dado errado pode ter vindo (buscar a frase errada entre aspas no Google ajuda) e corrija ou remova na origem. Enquanto a fonte raiz existir, qualquer correção a jusante é enxugar gelo.

Passo 3: consistência de entidade em todos os canais. Mesmo nome, mesma descrição, mesmo endereço, mesmo preço em site, LinkedIn, Google Business Profile, diretórios de categoria e materiais indexáveis. Dados estruturados (schema Organization com sameAs apontando para os perfis oficiais) ajudam o modelo a amarrar tudo à mesma entidade. Este passo é o que previne os tipos 2 e 4: entidade forte e consistente deixa menos lacuna para o modelo preencher com o homônimo ou com o concorrente. O que a IA responde sobre a confiabilidade da sua marca depende diretamente desse lastro, e exploramos isso em minha empresa é confiável? O que a IA responde.

Passo 4: acione os canais formais dos provedores, sem esperar milagre. OpenAI, Google e Perplexity mantêm mecanismos de feedback nas respostas e formulários para reportar informação incorreta. Use-os: custa minutos e cria registro. A honestidade que ninguém coloca na proposta comercial: esses canais são lentos, não têm SLA e não garantem correção. Nunca vimos, nas nossas auditorias, um erro sumir comprovadamente por causa de um formulário, e também não temos como provar o contrário, porque o processo é opaco. Trate como complemento dos passos 2 e 3, nunca como substituto.

Passo 5: remedição para confirmar. Reaplique a mesma bateria do roteiro de detecção, com as mesmas perguntas e o mesmo método, depois de uma janela de algumas semanas. Modelos com busca ao vivo tendem a refletir a correção da fonte mais rápido; o conhecimento consolidado no treinamento só muda em ciclos longos, de meses, e fora do seu controle. Compare com o baseline do passo 1. Se o erro persistir em modelo com busca ativa, volte ao passo 2: alguma fonte raiz escapou.

Duas limitações que precisam ficar escritas. Primeira: correção não é garantida. Você controla as suas fontes, não os pesos do modelo, e um erro consolidado no treinamento pode sobreviver meses à correção perfeita do rastro público. Segunda: o LLM é estocástico, então "corrigiu" nunca significa "nunca mais aparece". Significa que a taxa de erro caiu na remedição, medida com o mesmo método. Quem promete eliminação definitiva de alucinação está vendendo o que não controla.

Perguntas frequentes

Quanto tempo leva para a IA corrigir uma informação errada?

Depende da camada onde o erro mora. Se o modelo usa busca ao vivo, a correção da fonte pode refletir em dias ou semanas, conforme reindexação. Se o erro está consolidado no treinamento, a mudança depende de releases do provedor, em ciclos de meses, sem prazo que alguém possa prometer com honestidade.

Posso responsabilizar juridicamente alguém pelo erro da IA?

No caso Moffatt v. Air Canada (2024), a empresa dona do chatbot respondeu pela informação errada que ele deu, e o tribunal canadense a obrigou a honrar a tarifa inventada. Ou seja: pelo seu próprio chatbot, você responde. Responsabilizar o provedor de um modelo de terceiros por erro sobre a sua marca é terreno jurídico ainda em formação, sem caminho consolidado no Brasil. Documente tudo e consulte um advogado antes de contar com essa via.

Corrigir o meu site já resolve?

É o passo de maior impacto, mas raramente basta sozinho. O modelo compõe a resposta a partir de várias fontes: se diretórios, perfis e PDFs antigos seguirem contando a versão velha, o site atualizado vira voto vencido. Corrija a raiz e depois varra a consistência nos demais canais, nessa ordem.

Como evito que o erro volte?

Transforme a bateria de perguntas de fato em rotina de monitoramento com N e frequência fixos, mensal ou trimestral. Erro sobre marca em IA não é evento único: fontes envelhecem, modelos mudam a cada release e o rastro público se desatualiza sozinho. Quem mede continuamente pega a regressão antes do comprador.

---

O próximo passo não exige orçamento: monte a bateria de 12 perguntas de fato sobre a sua empresa e rode a triagem de 2 horas e meia ainda esta semana. Se preferir começar pela leitura instrumentada, a auditoria gratuita mostra em 5 minutos como as IAs descrevem a sua marca hoje. O que você encontrar de errado já tem playbook: está tudo acima, na ordem.