Como desenhar prompts para medir visibilidade em IA

Intenção primeiro e formulação depois

O conjunto de prompts de uma medição se organiza por intenção, e cada intenção precisa de mais de uma formulação. A razão está nos dados da SparkToro de janeiro de 2026. Quando 142 pessoas escreveram um prompt para a mesma necessidade, escolher fones de ouvido para um familiar que viaja, a similaridade semântica média entre os textos foi de 0,081. Quase ninguém escreveu parecido.

O resultado das respostas foi o oposto. Nas 994 respostas geradas a partir desses prompts, Bose, Sony, Sennheiser e Apple apareceram entre 55% e 77% das vezes. A IA reconheceu a intenção por trás de formulações muito diferentes. Para quem mede, o caminho é agregar por intenção: três a cinco variantes da mesma necessidade, com resultado somado, descrevem melhor o que um cliente real vê do que um prompt único repetido.

Também separo intenções de dúvida e de decisão. No estudo com DOI que publiquei sobre quatro sites de pequenas empresas, a IA do Google mostrou sobretudo páginas que respondem dúvidas, e o Copilot e os parceiros do Bing citaram sobretudo páginas de serviço e comparação. Um conjunto só de perguntas informativas mede uma camada e ignora a outra.

Neutralização de conta e memória no ChatGPT

A neutralização no ChatGPT depende do modo do chat temporário, além de abrir uma conversa nova. A documentação da OpenAI diz que o chat temporário tem duas opções, escolhidas antes da primeira mensagem. No modo personalizado, ele pode usar memórias, instruções personalizadas e plugins. No modo não personalizado, nada disso entra. Um chat temporário aberto no modo errado mede o histórico da conta.

A memória também chega à busca. Segundo a página de ajuda da busca do ChatGPT, com a memória ativa o sistema pode usar lembranças salvas ao reescrever a consulta enviada aos provedores. O exemplo da própria OpenAI é o de alguém vegano em San Francisco cuja pergunta por restaurantes vira uma busca por restaurantes veganos na cidade. Em uma medição de marcas, esse mecanismo puxa a resposta na direção do que a conta já pesquisou.

Localização entra na consulta mesmo sem login

A localização de quem pergunta altera a busca do ChatGPT mesmo em uma conta sem histórico. A OpenAI documenta que o ChatGPT estima a localização aproximada pelo IP e pode compartilhá-la com provedores de busca. No exemplo oficial, uma pergunta por restaurantes próximos vira a consulta "top restaurants San Francisco". Uma VPN muda a localização inferida.

Vi esse efeito na rodada de advocacia de 21 de setembro de 2026. A pergunta pedia escritórios para o Brasil inteiro, e o ChatGPT, em conta logada, respondeu com escritórios de Belo Horizonte tirados do Google Maps, a cidade de onde a consulta partiu. Desde então registro a origem de cada rodada e, quando a intenção é nacional, mantenho a mesma localização em todas as repetições ou informo a cidade no próprio prompt.

A pergunta pedia escritórios para o Brasil inteiro, e o ChatGPT, em conta logada, respondeu com escritórios de Belo Horizonte tirados do Google Maps, a cidade de onde a consulta partiu.

Lucas Ferraz, especialista em SEO

Tamanho da amostra e cadência

O tamanho da amostra de prompts se decide pela conta entre intenções, variantes, superfícies e repetições que cabem na cadência. A SparkToro sugere de 60 a 100 execuções por prompt para conhecer o conjunto de marcas que uma IA considera, e registra como pergunta aberta quantas execuções bastam para um resultado estatístico. Esse volume é viável com API e ferramenta, e pesado em coleta manual.

Um desenho manual que considero ponto de partida razoável: 5 intenções, 3 variantes cada, 4 superfícies e 2 repetições dão 120 respostas por rodada. É pouco para cravar diferença pequena entre superfícies, e suficiente para ver quem domina cada intenção. O cálculo do intervalo de confiança sobre esse volume está no post sobre share of voice em IA.

O registro que torna a rodada comparável

Uma rodada só se compara com a seguinte quando o arquivo guarda prompt, variante, superfície, conta e local em cada linha. O Método Rodada de Citação da agência define o ciclo de medir, ajustar e medir de novo; os campos abaixo são o mínimo que exijo para que o ciclo produza dados recalculáveis.

No benchmark de advocacia, três formulações diferentes ficaram registradas no JSON público. A lição que tirei dali: comparar superfícies que receberam formulações diferentes mistura efeito de prompt com efeito de plataforma. A mesma variante vai para todas as superfícies na mesma rodada, ou a comparação entre elas perde valor.