Como ser recomendado pela IA: um estudo com 960 respostas do ChatGPT, Gemini, Claude e Perplexity

Quando alguém pergunta ao ChatGPT qual serviço ou produto escolher, o modelo cita de quatro a seis marcas. Para essa pessoa, todas as outras marcas simplesmente não existem. Fizemos 48 perguntas desse tipo a quatro modelos, cinco vezes cada, coletamos 960 respostas, baixamos as 2.536 páginas que eles citaram com link e comparamos tudo com os resultados do Google. A resposta curta para a pergunta do título: a IA recomenda as marcas sobre as quais outras pessoas escrevem, nas páginas que ela está lendo agora. Abaixo, mostramos o quanto isso funciona, como varia de modelo para modelo e o que exatamente fazer para entrar nessas respostas.

Este texto dá continuidade ao nosso artigo sobre como aparecer nas respostas de IA. Aquele tratava do acesso técnico: bots, robots.txt, indexação. Este trata do passo seguinte: o site já está sendo lido, mas, por algum motivo, não está sendo recomendado.

Como medimos

48 perguntas comerciais do tipo “qual X é o melhor” em oito categorias: software para empresas, eletrônicos, finanças, viagens, saúde, serviços online, casa e apostas. A redação é a que uma pessoa comum digita, em inglês: o mercado dos EUA e o internacional.

Quatro modelos por trás dos assistentes de IA mais usados: GPT-5.4 (ChatGPT), Gemini 3.8 Flash, Claude Sonnet 5 e Perplexity Sonar Pro. Cada um estava com a própria busca nativa na web ativada e sem prompt de sistema: a pergunta foi enviada exatamente como uma pessoa a faria. Cada pergunta foi enviada a cada modelo cinco vezes: 960 respostas, sem nenhuma falha.

De cada resposta extraímos a lista de marcas recomendadas e associamos cada marca ao seu domínio oficial, a unidade que realmente importa para o dono de um site. Para as mesmas 48 consultas, capturamos a primeira página do Google (EUA, inglês) e baixamos todas as páginas: tanto as citadas pelos modelos quanto as que aparecem no top 10. Conseguimos baixar 92% das 2.536.

Na IA não existe posição: existe frequência

A primeira coisa a entender antes de “promover” qualquer coisa: a mesma pergunta feita duas vezes ao mesmo modelo gera listas diferentes. Isso já foi observado antes: a pesquisa da SparkToro no início de 2026 constatou que o ChatGPT e os AI Overviews do Google retornam a mesma lista de marcas em menos de 1% das repetições, e a mesma lista na mesma ordem em menos de 0,1%.

Nossas taxas de correspondência são maiores: de 14% no ChatGPT a 26% no Perplexity. A diferença tem uma explicação: nós agrupamos os produtos por marca (“Sony WH-1000XM5” e “Sony WH-1000XM6” são uma só marca, a Sony), enquanto a SparkToro comparou listas de produtos específicos. Mas o ponto principal está em outro lugar. A marca número um se repete em 80–95% das execuções. O núcleo da lista é estável; o restante é uma loteria.

Disso decorrem duas conclusões práticas. Primeiro, “perguntei uma vez e não apareci” não significa nada: são necessárias pelo menos cinco execuções por consulta. Segundo, o que vale a pena medir não é a sua posição na lista, mas a porcentagem de respostas em que você aparece. Para cada consulta, cada modelo tem um núcleo estável de 4 a 6 marcas que aparecem em três de cinco execuções ou mais. O objetivo é entrar nesse núcleo.

Mais uma observação que economiza muito esforço: os núcleos de modelos diferentes quase não se sobrepõem. Na consulta mediana, 9 marcas fazem parte do núcleo de pelo menos um modelo, mas apenas 2 fazem parte do núcleo dos quatro ao mesmo tempo: 21,5%. Cada modelo é um canal separado, com fontes próprias, e estar presente em um deles não garante presença em outro.

Dois caminhos até a recomendação: memória e busca

A busca na web estava ativada para os quatro modelos, mas o próprio modelo decidia se pesquisava ou não. E aqui a diferença se mostrou fundamental.

O Gemini respondeu de memória em 78% das vezes, sem abrir nenhuma fonte. O ChatGPT e o Perplexity sempre pesquisaram, e o Claude quase sempre. Isso significa que dois caminhos diferentes levam a uma recomendação, e eles andam em velocidades distintas.

Memória é o que entrou no treinamento do modelo: a proeminência da marca a longo prazo e o número de menções na web no momento em que os dados foram coletados. Essa alavanca é lenta: o trabalho feito hoje só vai aparecer nas respostas em versões futuras do modelo. Pesquisa é o que o modelo encontra e lê agora. Essa alavanca é rápida: uma página publicada e indexada nesta semana pode aparecer em uma resposta na próxima.

A boa notícia é que os dois caminhos passam pelo mesmo lugar: as páginas de outras pessoas sobre a sua categoria. A pesquisa lê essas páginas, e o treinamento foi montado a partir delas na sua época.

A principal alavanca: outras pessoas precisam escrever sobre você

Este é o resultado central do estudo. Para cada marca, contamos quantas páginas do top 10 do Google para a mesma consulta a mencionam, sem contar o site da própria marca, e comparamos isso com a frequência com que a marca é recomendada.

A relação é monotônica e forte. Uma marca sobre a qual nenhuma página do topo escreve é recomendada em 19% das respostas, em média. Uma marca mencionada em seis páginas ou mais, em 71%. Entre as primeiras, apenas uma em cada dez entra no núcleo, sendo recomendada em pelo menos metade das respostas. Entre as últimas, três em cada quatro entram.

Usamos de propósito páginas dos resultados do Google, e não as páginas que os próprios modelos citaram. Caso contrário, teríamos um argumento circular: o modelo cita uma página porque já decidiu recomendar a marca, e nós "descobrimos" que a marca aparece nas páginas citadas. O top dez do Google não depende dos modelos: é uma lista externa das páginas consideradas melhores para a consulta.

Quais páginas os modelos leem pode ser visto pelas fontes para as quais eles criam links.

Para Claude, Perplexity e Gemini, a principal fonte são as listas de melhores opções, artigos como “Os 10 melhores gerenciadores de senhas em 2026”. Elas respondem por 55% a 78% de todos os links. O ChatGPT funciona de outra forma: 62% dos links dele apontam para os sites das próprias marcas. Ele monta a lista a partir de reviews e depois confere preços, planos e recursos nos sites oficiais. Isso é importante, e voltaremos ao assunto mais abaixo.

Reddit e YouTube, ao contrário do que muita gente acredita, se destacam apenas no Gemini: 9% e 7% das fontes dele. Para os outros três modelos, o Reddit fica abaixo de 1%. Plataformas de avaliação como G2, Capterra e Trustpilot representam cerca de 1% para todos. Uma ressalva: nossas consultas são perguntas comerciais do tipo “qual é o melhor”, enquanto os estudos em que o Reddit aparece no topo costumam medir outros tipos de pergunta: conselhos, experiência pessoal, comparações do tipo “o que devo escolher”. Para recomendações no sentido estrito, as listas editoriais pesam mais.

Quais páginas a IA usa como fontes

Se o principal caminho para as recomendações são as páginas de melhores opções, a pergunta seguinte é qual delas os modelos escolhem. Comparamos páginas editoriais do top 10 do Google para as mesmas consultas: pelo menos um modelo citou 121 delas, e nenhum citou as outras 118. Todas estão na primeira página, então a posição no Google fica equalizada aqui.

A diferença aponta na mesma direção em todos os atributos. As páginas citadas têm mais frequência de formato de lista de melhores (84% contra 53%) e mais que o dobro de frequência com o ano atual no título (69% contra 31%). Elas são atualizadas com mais frequência: 56% foram atualizadas nos últimos 90 dias, contra 28%, com uma mediana de 30 dias desde a última atualização contra 67. Elas citam um autor com mais frequência, têm mais vezes uma tabela comparativa e marcação FAQPage ou ItemList. E são mais longas: uma mediana de 4.489 palavras contra 2.013, e 13 títulos H2 contra 8.

Isso são correlações, não uma receita: adicionar o ano ao título não vai, por si só, colocar uma página nas respostas. Mas todos os atributos apontam na mesma direção: os modelos preferem comparativos atuais, detalhados e estruturados, com um autor claro. Se você publica comparativos próprios, é assim que deve construí-los.

Uma observação à parte sobre a relação com o Google. Páginas nas posições 1–6 são citadas por pelo menos um modelo em 45–47% dos casos, e as das posições 7–10 em 36%. Mas cada modelo, individualmente, pega apenas de 8% (Gemini) a 32% (Perplexity) das dez primeiras páginas do Google. E, de todos os links que os modelos fornecem, apenas 7–21% estão entre os dez primeiros do Google. A busca com IA não é a primeira página do Google. A busca do ChatGPT, por exemplo, depende muito do índice do Bing, e um site que mal aparece no Bing não pode ser encontrado pelo ChatGPT, por melhor que esteja ranqueado no Google. Testamos isso em nós mesmos.

Seu próprio site: o que ele faz e o que não faz

Nas respostas com busca, o site da própria marca está entre as fontes em 23% das recomendações e em 35% das primeiras escolhas. Ou seja, na maioria dos casos o modelo recomenda uma marca sem sequer abrir o site dela, com base em páginas de outras pessoas.

Mas o seu site tem duas funções importantes. Primeiro, o ChatGPT verifica fatos nele, e os modelos recontam o que encontram ali quase palavra por palavra. Vimos isso em nós mesmos: os quatro modelos descreveram nosso serviço com palavras do nosso próprio site, até nos números. Se o seu site não diz com clareza quem você é, para quem é, quanto custa e no que você se diferencia, o modelo vai buscar essa resposta com outra pessoa.

Segundo, marcas cujo próprio site está entre os dez primeiros do Google para a mesma consulta são recomendadas em 63,5% das respostas em média, e as demais em 29,6%. Aqui a força da marca atua de novo, então não é um efeito puro. Mas um site que ele mesmo ranqueia para “melhores X” envia um sinal tanto para a busca dos modelos quanto para os autores das listas.

Testamos em nós mesmos

Em agosto, o Ahrefs Brand Radar mostrou zeros para nós em todas as plataformas de IA. A primeira hipótese era óbvia: os bots estavam bloqueados. Os logs do servidor desmentiram isso: GPTBot, ClaudeBot e PerplexityBot estavam acessando o site. A causa real apareceu no Bing: o índice dele continha 2 das nossas 852 páginas, e a busca do ChatGPT depende muito do Bing. Conectamos o IndexNow, um protocolo pelo qual o site avisa o Bing e outros buscadores sobre novas páginas por conta própria. Hoje, em 15 consultas de marca, os resultados do Bing mostram pelo menos 37 páginas diferentes nossas.

Depois, fizemos as mesmas perguntas sobre nós mesmos. Na pergunta com a marca, “o que é o PromoPilot e ele é bom”, todos os modelos nos encontraram e nos descreveram nas 12 respostas. Claude e Perplexity apontaram links para 11–14 das nossas páginas. Mas em três perguntas genéricas sobre a nossa categoria (“o melhor serviço de link building em camadas”, “o que pode automatizar o link building”, “onde conseguir backlinks para um site de cassino”), nenhum modelo nos citou em nenhuma das 36 respostas.

Essa é a principal conclusão do artigo em um exemplo real. Indexação e acesso aberto são uma condição necessária: sem eles, você não existe nem sob o seu próprio nome. Mas uma recomendação em uma pergunta genérica não vem deles: ela vem da presença em listas de terceiros, e ainda há poucas sobre nós. É exatamente nisso que estamos trabalhando agora.

Uma observação à parte para iGaming: a formulação decide

Incluímos consultas de apostas de propósito: é um nicho em que muitos esperam recusas. Não houve nenhuma: nenhum modelo deixou de responder qualquer uma das 120 perguntas sobre apostas. Mas o conjunto de recomendações dependeu muito da formulação.

Na pergunta sobre os EUA, os modelos citam apenas operadores licenciados por estados e sempre indicam onde o jogo é legal. Na pergunta sobre cassino crypto, o conjunto de marcas é completamente diferente: operadores que atuam fora do licenciamento dos EUA. A conclusão prática para os operadores: a questão não é se a IA recomenda cassinos, mas em quais formulações a sua marca se encaixa. Essas são as listas em que vale trabalhar.

O protocolo: o que fazer para que a IA recomende o seu site

Sete passos na ordem em que vale segui-los. Os dois primeiros eliminam os motivos pelos quais você não pode ser encontrado; os três seguintes trabalham a principal alavanca; os dois últimos servem para não gastar esforço às cegas.

Onde entram os links

Os links continuam fazendo parte do quadro, mas vale entender corretamente o papel deles. Eles não substituem a presença em listas editoriais: um modelo recomenda uma marca porque as pessoas escrevem sobre ela, não porque apontam links para ela. O que os links fazem é ajudar suas próprias páginas, como a home, uma página de comparação ou a descrição de um produto, a ranquear no Google e no Bing. É exatamente aí que a busca dos modelos escolhe as fontes candidatas, e um site que ranqueia para a própria consulta é recomendado visivelmente com mais frequência.

Perguntas frequentes

Por que a IA recomenda meus concorrentes e não o meu site?
Na maioria das vezes, porque escrevem sobre os concorrentes nas páginas que o modelo lê, e sobre você não. Em nossos dados, uma marca que não é mencionada em nenhuma página do top 10 do Google para a consulta é recomendada em 19% das respostas, em média, enquanto uma mencionada em seis ou mais é recomendada em 71%. Primeiro garanta que os modelos encontrem você pelo nome, depois trabalhe a presença em listas de "os melhores".

Quantas vezes preciso perguntar para saber se a IA recomenda meu site?
Pelo menos cinco vezes por modelo. A mesma pergunta gera listas diferentes: o conjunto completo de marcas coincide em apenas 14–26% dos pares repetidos. Só o núcleo é estável: marcas que aparecem em três de cada cinco respostas ou mais. Meça a parcela de respostas em que você aparece, não o seu lugar na lista.

Preciso estar no top 10 do Google para a IA me recomendar?
Ajuda: marcas cujo site está no top 10 para a consulta são recomendadas em 63,5% das respostas, contra 29,6% das demais. Mas isso não é obrigatório nem suficiente. A maioria dos links que os modelos fornecem está fora da primeira página do Google, e a busca do ChatGPT se apoia bastante no índice do Bing.

Estar no Reddit ajuda?
Para a IA do Google, sim: no Gemini, Reddit e YouTube juntos representaram 16% das fontes. Para ChatGPT, Claude e Perplexity, o Reddit respondeu por menos de 1% dos links em nossas consultas comerciais. Para recomendações do tipo "qual X é o melhor", as listas editoriais são mais importantes para esses modelos.

Com que frequência as páginas devem ser atualizadas para serem citadas?
Procure atualizar pelo menos uma vez por trimestre. Entre as páginas editoriais do top 10 do Google, as citadas pelos modelos foram atualizadas nos últimos 90 dias em 56% dos casos; as não citadas, em apenas 28%. A mediana de tempo desde a última atualização foi de 30 dias para as primeiras e de 67 para as segundas.

A IA recomenda cassinos online?
Sim: em nosso estudo, nenhum dos quatro modelos deixou de responder a qualquer uma das 120 perguntas sobre jogos de azar. Mas o conjunto de marcas depende da formulação: uma pergunta sobre os EUA retorna apenas operadores licenciados pelos estados, e uma pergunta sobre cassinos com cripto retorna marcas completamente diferentes. Trabalhe as listas para as formulações em que sua marca realmente se encaixa.

Fontes: estudo próprio do PromoPilot, setembro de 2026: 960 respostas do GPT-5.4, Gemini 3.8 Flash, Claude Sonnet 5 e Perplexity Sonar Pro com busca na web ativada, em 48 consultas comerciais; top 10 do Google (EUA) para as mesmas consultas; e 2.536 páginas de origem. Dados externos: estudo da SparkToro sobre a consistência das recomendações de IA (janeiro de 2026). Os modelos foram chamados via API; as respostas nos aplicativos podem ser diferentes.

Veja os preços do PromoPilot