Escolhemos uma pergunta deliberadamente comum — "qual o melhor CRM para uma pequena empresa?" — e a fizemos, repetidas vezes, a três assistentes de IA diferentes. O objetivo não era encontrar "o melhor CRM", e sim observar como cada modelo se comporta ao recomendar. É um experimento que qualquer pessoa pode reproduzir em minutos, e os padrões que ele expõe ensinam mais sobre visibilidade em IA do que muito relatório. Vamos aos aprendizados, sem inventar números: o que importa aqui são os padrões de comportamento, não estatísticas precisas.
Padrão 1: as listas não batem entre os modelos
A primeira coisa que salta aos olhos é que os três assistentes não devolvem o mesmo conjunto de marcas. Há sobreposição — alguns nomes muito consolidados aparecem em todos —, mas cada modelo traz também marcas que os outros não mencionam, e em ordens diferentes. Uma marca pode ser a primeira recomendação de um modelo e nem aparecer em outro.
A lição é direta: não existe "a recomendação da IA" no singular. Existem recomendações, no plural, e elas divergem. Avaliar a sua presença olhando para um único modelo dá um retrato enviesado da realidade.
Padrão 2: os nomes consolidados aparecem em quase tudo
Apesar da divergência, há uma camada de estabilidade. As marcas mais estabelecidas no mercado de CRM — aquelas com presença massiva em fontes, reviews e cobertura — tendem a aparecer em todos os modelos, em quase todas as rodadas. Elas são o "piso" da resposta.
Isso ilustra o efeito da autoridade consolidada: quando uma marca atinge um certo nível de presença distribuída, ela se torna difícil de não citar. É a recompensa de longo prazo da construção de presença, e também o desafio de quem tenta entrar nesse grupo.
Padrão 3: a variação dentro do mesmo modelo é real
Repetir a mesma pergunta no mesmo assistente, em momentos diferentes, não produz exatamente a mesma resposta. A ordem muda, alguns nomes entram e saem nas posições menos firmes, a redação varia. Os nomes do "piso" tendem a permanecer; as posições de baixo são mais voláteis.
Essa observação tem uma consequência prática importante: uma única checagem é uma amostra ruidosa. Se você rodar a pergunta uma vez e tirar conclusões, pode estar lendo o acaso daquela rodada. Padrão confiável exige repetição.
Padrão 4: o enquadramento da pergunta muda tudo
Quando trocamos "qual o melhor CRM para uma pequena empresa?" por variações — "para uma equipe de vendas", "para quem está começando", "com bom custo-benefício" —, os conjuntos de marcas mudaram. Cada qualificador empurra a recomendação numa direção, favorecendo marcas associadas àquele atributo.
Isso confirma uma ideia central do AEO: a IA personaliza pela intenção. Estar associado de forma clara a um caso de uso específico é o que faz uma marca aparecer nas perguntas qualificadas, não só nas genéricas.
O que o experimento ensina sobre a sua marca
Os quatro padrões, juntos, montam uma lição. A sua presença em IA não é um número único — é um conjunto de realidades por modelo, por enquadramento e por rodada. Para entendê-la de verdade, você precisa de volume (muitas perguntas e variações), de repetição (várias rodadas) e de cobertura (vários modelos). Uma checada esperta não substitui isso.
Repare também no que o experimento não fez: não fabricamos estatísticas nem declaramos vencedores absolutos, porque o ponto não era esse, e porque dado inventado não ajuda ninguém. O valor está nos padrões de comportamento, que são robustos e replicáveis.
De experimento manual a medição contínua
A força desse experimento é também o seu limite. Ele é ótimo para criar consciência — rodá-lo uma vez já muda como você pensa sobre presença em IA. Mas fazê-lo com rigor, em escala, para o seu setor e os seus concorrentes, ao longo do tempo, é trabalho que a mão não dá conta. As respostas mudam, o volume necessário é grande, e a consistência da medição se perde se for manual.
É essa transição — do experimento revelador para o acompanhamento sistemático — que a Genoma automatiza. Rode a versão manual hoje, com uma pergunta do seu mercado, em três modelos, algumas vezes. Você vai ver os quatro padrões na prática. E vai entender por que medir presença em IA precisa ser contínuo, não uma curiosidade de um dia.