Metodologia
Publicamos o como.
Não só o resultado.
Toda ferramenta de visibilidade em IA mostra número. Poucas mostram como o número foi gerado. A Rekon publica a metodologia inteira, pra você poder defender o dado, contestar quando precisar, e auditar sempre.
Cinco pilares da medição
Cada um aplicável a qualquer marca, em qualquer categoria, em português.
- 01
Faixa de confiança por pergunta (Wilson)
A média simples engana com poucas amostras. Cada score vem com uma faixa de confiança (Wilson, 95%). Quando os dados ainda não sustentam, mostramos "coletando dados" em vez de um número falso. Você reporta pro board o que é defensável.
- 02
Medição repetida em cada IA, com a concordância à vista
Cada pergunta roda várias vezes em cada uma das IAs do seu plano, e o resultado de cada modelo aparece lado a lado. Quando concordam, a confiança é alta; quando divergem, a incerteza fica visível em vez de sumir numa média. O Google AI Overview é medido como superfície própria, separado dos chatbots: superfícies diferentes não se misturam num número só.
- 03
Superfícies de IA reais, como o cliente usa
Google AI Overview (a resposta de IA no topo da busca do Google) mais GPT-5.6 Luna, Gemini 2.5 Flash e Perplexity Sonar em todos os planos; Claude Sonnet 4.5 e Grok nos maiores. Chatbots com busca na web ativa, como o cliente final usa de verdade.
- 04
Modo híbrido: Measurement + Tracking
Measurement (lotes mensais, mais amostras) acumula um número defensável pras perguntas estáveis. Tracking (coletas semanais, mais leves) pega movimento cedo nas voláteis. A leitura é sempre em janela móvel de 35 dias (win-rate: 6 semanas), atualizada a cada coleta. O número não zera na virada do mês e só aparece quando a base sustenta.
- 05
Citation Engine sem alucinação
Recomendamos o que criar, sem gerar texto. Briefing didático cita gaps específicos do seu mapeamento. Seu redator pega e produz. Zero placeholder, zero "lorem ipsum" automático.
O problema que ninguém mede
Medir uma vez é achismo.
O LLM é estocástico: a mesma pergunta, feita duas vezes, gera respostas diferentes. A Thinking Machines Lab documentou até 80 respostas distintas pra um mesmo prompt (set/2025). Quem mede uma vez está reportando uma moeda jogada pro alto.
150
execuções no nosso estudo real
22%
das execuções citaram a marca
0% a 100%
de variação por etapa do funil
Por isso a Rekon roda até 30 amostras por pergunta e entrega cada score com intervalo de confiança de 95% (Wilson). No pior caso estatístico, 30 amostras significam margem de erro de ±18 pontos, e nós publicamos isso. Pra comparar: quem mede a mesma pergunta 1 vez, como faz o resto do mercado, opera com margem acima de ±40 pontos e não publica, porque nem calcula. O número que você leva pro board aguenta a pergunta “como vocês mediram isso?”.
Princípios
O que vale em todo dashboard. Se violar, é bug.
Estes princípios estão no DNA da Rekon. Se a ferramenta violar um deles, é bug, não feature.
Dados antes de adjetivos
Metodologia pública e auditável
Anti-hype por design
Recalibração trimestral
Superfície de coleta
Onde exatamente perguntamos, canal a canal.
Medir "o ChatGPT" é ambíguo: interface, aplicativo e API se comportam de formas diferentes. Declaramos a superfície de cada canal, porque sem isso nenhum número é auditável.
- ChatGPT, Claude, Gemini e Grok via API oficial com a ferramenta de busca web ativada. É a superfície que responde com conteúdo atual e devolve as fontes citadas.
- Perplexity via API do modelo Sonar, que já é nativamente ancorado em busca.
- Google AI Overview e AI Mode por captura da página de resultados real, em desktop, com localização Brasil. Não é API de modelo: é a resposta que o Google renderiza para quem busca daqui.
- Microsoft Copilot por captura da interface.
O que isso implica, dito sem maquiagem: a resposta medida via API com busca não é idêntica, palavra por palavra, à que o seu comprador vê logado na interface. E nenhuma ferramenta do mercado consegue reproduzir a resposta personalizada de uma conta específica, porque ela depende do histórico e da memória daquele usuário. O que medimos é a resposta despersonalizada do canal, que é o denominador comum honesto entre todos os seus compradores.
Fórmulas
Numerador e denominador de cada métrica.
Sem isso, comparar duas ferramentas é impossível: elas chamam coisas diferentes pelo mesmo nome.
| Métrica | Numerador | Denominador |
|---|---|---|
| Visibilidade de marca | respostas em que a marca aparece | respostas válidas na janela de 35 dias |
| Share of Voice | menções orgânicas à sua marca | menções orgânicas a todas as marcas |
| Citação com link | respostas que citam a marca e também o site dela | respostas que citam a marca organicamente |
| Recomendação ativa | respostas em que a IA recomenda a marca | respostas que citam a marca organicamente |
| Win-rate | comparações diretas em que a marca vence | comparações medidas na janela de 6 semanas |
| Google AI Overview | duas taxas, nunca uma só | todas as buscas medidas; e, na segunda taxa, só as buscas em que o AI Overview apareceu |
A regra do eco. Orgânica quer dizer: menção que a IA fez por conta própria. Se a pergunta já cita uma marca no enunciado, a repetição dessa marca na resposta não pontua, nem para você nem para o concorrente. Não encontramos controle equivalente documentado em nenhuma plataforma do mercado.
Consolidação entre IAs. Cada IA é um canal com comportamento próprio, e nunca somamos respostas de canais diferentes num caldeirão só, porque isso deixa a IA mais falante dominar o resultado. O número consolidado é a média das taxas por canal, e a margem de erro dele considera tanto a incerteza dentro de cada canal quanto a discordância entre eles.
Higiene do denominador. Resposta que chega quebrada ou ilegível fica fora de todos os cálculos, e o painel informa quantas ficaram de fora. Buscas em que o Google não gerou resposta de IA saem do denominador da taxa de citação, mas entram no da taxa de aparição, que é justamente o que aquela métrica mede.
Score Rekon
O número único, com os pesos abertos.
Todo mundo neste mercado tem um score de 0 a 100. Quase ninguém publica como ele é composto. Aqui estão os pesos, a regra do componente ausente e as faixas de leitura.
| Componente | Peso | O que mede |
|---|---|---|
| Presença | 40 | a marca aparece nas respostas |
| Citação do site | 25 | a IA usa o site da marca como fonte |
| Posição no ranking | 15 | posição típica entre marcas, saturando a partir do décimo lugar |
| Sentimento | 10 | tom das menções |
| Estabilidade | 10 | fatia das perguntas em que a resposta já consolidou |
Componente sem lastro fica de fora. Se uma métrica ainda não tem amostra suficiente, ela não entra na conta e o peso dela é redistribuído entre as presentes. Falta de dado nunca vira nota baixa, e o painel diz quais componentes ficaram de fora.
Posição pesa pouco de propósito. A evidência pública mostra que ordem dentro de uma resposta isolada é essencialmente ruído, então esse componente tem peso 15 e satura cedo: a diferença entre décimo segundo e décimo quinto lugar não é informação.
Faixas de leitura. Até 30 é praticamente invisível, de 30 a 55 é em disputa, de 55 a 75 é presença forte e acima de 75 é presença dominante.
Mudança de peso vira versão nova. O score carrega a versão da fórmula, e alteração de peso entra no changelog abaixo em vez de reescrever o histórico.
Padrão IAB
Os 4 P's da IAB, métrica a métrica.
Em agosto de 2026 a IAB publicou o padrão Measuring Visibility in the AI Era, que organiza a medição de visibilidade em IA em 4 pilares e separa dado direcional de dado de decisão. Abaixo, cada métrica do padrão e o que a Rekon entrega nela hoje, incluindo o que ainda não entrega.
| Pilar | Métrica do padrão | Na Rekon |
|---|---|---|
| Presence | Mention Rate | Em produção Visibilidade de marca: % de respostas que citam a marca, com faixa de confiança de 95% e piso de 30 amostras por canal. |
| Presence | Citation Rate | Em produção Fontes citadas por resposta, classificadas em 5 níveis de autoridade, e a taxa de citação com link para o site da marca (fórmula na tabela acima). |
| Presence | Share of Voice | Em produção Fatia entre menções orgânicas, por canal, com a regra do eco descrita acima. Menção repetida do enunciado não pontua. |
| Presence | Visibility Momentum | Em produção Tendência em janela móvel de 35 dias. Alerta só quando o movimento sai da margem de erro, nunca por oscilação dentro dela. |
| Prominence | Position | Em produção Dois ângulos: a ordem da marca entre as marcas citadas (mediana entre canais, com aviso de instabilidade) e a posição da menção dentro do texto da resposta, por terço (inicial, médio, final). Nem todo trecho é localizável no texto, e a cobertura do cálculo aparece junto do número. |
| Portrayal | Sentiment | Em produção Tom de cada menção: positivo, neutro ou negativo, sempre por canal. |
| Portrayal | Framing | Em produção Como a IA enquadra a marca ao citar: líder, alternativa barata, opção de nicho, ultrapassada, ou citação sem enquadramento. Sinal da família do tom, que oscila mais entre coletas, então o piso amostral é o dobro do exigido para presença, e a cobertura do julgamento aparece junto do número. |
| Portrayal | Hallucination Rate e Factual Inaccuracy Rate | Em produção Cada afirmação que a IA faz sobre a marca é conferida contra a ficha de fatos que o próprio cliente valida na plataforma. A ficha é a única fonte de verdade da conferência: afirmação que ela não cobre fica fora da conta, como não verificável, e a cobertura aparece junto do número. Sem ficha validada, o painel mostra o aviso, nunca um chute. |
| Persuasion | Recommendation Strength | Em produção Recomendação ativa: % das respostas em que a IA recomenda a marca, além de citar (fórmula na tabela acima). |
| Persuasion | Post-Citation CTR | Não medimos O clique depois da resposta exige ler o analytics do cliente, e a maior parte desse tráfego chega sem identificação de origem. Preferimos não reportar um número que não conseguimos sustentar. |
Os critérios de dado de decisão. Além dos 4 pilares, o padrão define o que separa um dado que orienta decisão de um dado apenas direcional. Critério a critério: tratar o não-determinismo como distribuição (rodamos até 30 amostras por pergunta), publicar faixas com nível de confiança (Wilson a 95%, sempre visível), reportar por plataforma (cada IA é um canal, nunca somamos), manter cadência ao menos semanal (tracking semanal mais medição profunda mensal), cobrir tipos distintos de intenção (5 etapas de funil mais as perguntas transversais), documentar os pesos de qualquer agregação (os do Score Rekon estão publicados acima) e registrar re-baseline quando o modelo muda (cada troca de modelo entra no histórico e aparece anotada no gráfico).
Sobre volume de perguntas. O corte numérico que o padrão fixa, 50 perguntas, separa medição exploratória de direcional; para dado de decisão ele pede um conjunto amplo e diverso, sem número único. Os planos da Rekon medem de 10 a mais de 50 perguntas por mês, e o volume do seu plano está sempre declarado no painel.
O rótulo é parte do método. O que está marcado como em desenvolvimento segue assim nesta página até estar em produção. Quando entrar, entra com a mesma regra das demais métricas: fórmula publicada, faixa de confiança e aviso de coleta enquanto a amostra não sustenta.
Limites conhecidos
O que não medimos, e por quê.
Publicar o limite é parte de publicar o método. Ferramenta que não lista limitação nenhuma está escondendo alguma.
A resposta personalizada de um usuário específico
O clique vindo do Google AI Overview
Volume absoluto de perguntas feitas à IA
Posição dentro de uma resposta isolada
Quer ver a metodologia aplicada à sua marca?
A metodologia está publicada nesta página: medição repetida, Wilson a 95%, janela de 35 dias, persona e etapa do funil. O que os dados não sustentam aparece como coletando dados, nunca como número. Recalibramos por trimestre e registramos as mudanças aqui.