A discussão sobre Generative Engine Optimization, ou GEO, avançou rapidamente no Brasil. Empresas começaram a buscar maneiras de aparecer nas respostas produzidas por ferramentas como ChatGPT, Claude, Gemini e Perplexity. O problema é que boa parte das análises ainda circula sem informações suficientes sobre a coleta, o tamanho da amostra e os critérios utilizados.
Um percentual isolado ou uma captura de tela mostra apenas o resultado de determinado momento. Sem o denominador, o modelo consultado, a pergunta utilizada e a data da execução, não é possível saber se aquele número representa um padrão ou apenas uma resposta pontual.
Foi para enfrentar essa limitação que estruturei um programa de pesquisa voltado à visibilidade de entidades brasileiras nos modelos de linguagem. O trabalho reúne papers, estudos em desenvolvimento, código aberto e um dataset atualizado continuamente.
GEO, neste caso, significa otimização para motores generativos. O conceito não tem relação com geografia, geomarketing ou geoprocessamento. Seu objetivo é estudar como marcas, empresas, produtos e outras entidades aparecem nas respostas geradas por sistemas de inteligência artificial.
Um índice para acompanhar as respostas das IAs
O principal conjunto de dados do programa é o Brasil GEO Index. Em 9 de setembro de 2026, o índice acumulava 88.911 respostas produzidas por seis modelos de linguagem sobre 127 entidades. Desse total, 32.094 respostas mencionaram alguma entidade da amostra, resultando em uma taxa agregada de citação de 36,1%.
O intervalo de confiança de 95% ficou entre 35,8% e 36,4%. Esse dado é importante porque evita que a taxa seja apresentada como uma medida absoluta e permite estimar a margem de variação do resultado.
Das 127 entidades monitoradas, 111 são reais e 16 são fictícias. As entidades fictícias funcionam como controles de calibração, ajudando a identificar situações nas quais os modelos citam organizações que não existem. Elas não entram nos rankings públicos.
As entidades reais estão distribuídas entre quatro verticais: fintech, varejo, saúde e tecnologia. A metodologia utiliza perguntas relacionadas à compra ou à escolha de empresas dentro dessas categorias.
A unidade de medida é a menção nominal da entidade na resposta. O índice não mede tráfego, clique, posição no Google ou conversão. Ele registra exclusivamente se a organização foi citada pelo modelo diante de uma pergunta previamente definida.
Cada modelo produz um cenário diferente
Os resultados mostram por que não se deve falar em visibilidade nas IAs como se todos os motores funcionassem da mesma maneira.
No recorte de setembro, o Perplexity apresentou taxa de citação de 74,7%. O Claude chegou a 42,5%, enquanto o ChatGPT registrou 35,2%. O Groq ficou em 29% e o Gemini, em 20,4%. O Grok, incorporado posteriormente à série, apresentou 46,6% em uma base ainda menor.
A diferença entre os extremos ultrapassa 50 pontos percentuais. Parte dessa distância pode ser explicada pelo funcionamento de cada plataforma. O Perplexity, por exemplo, realiza buscas na web antes de elaborar a resposta, enquanto outros modelos podem depender mais intensamente de conhecimento previamente incorporado ou de diferentes mecanismos de recuperação.
Isso significa que uma marca pode ser frequentemente recomendada por um sistema e praticamente invisível em outro. Uma taxa geral, sem a separação por motor, esconde esse comportamento.
Também é necessário informar o modelo exato utilizado. Atualizações de versão podem alterar as respostas, as fontes recuperadas e a frequência com que determinadas entidades aparecem. O nome comercial da plataforma, sozinho, não descreve completamente a medição.
Como os dados são coletados
A coleta segue um protocolo pré-registrado. A taxonomia, as consultas e a temperatura são definidas antes da execução das rodadas. Isso reduz o risco de modificar o experimento depois que os resultados já são conhecidos.
A janela confirmatória v2 foi iniciada em 23 de abril de 2026. O protocolo contempla quatro verticais, 48 consultas por vertical, cinco modelos simultâneos e duas coletas diárias. Uma rodada completa pode produzir cerca de 960 observações.
Cada coleta gera um commit acompanhado de um manifesto SHA-256. Esse procedimento cria uma trilha de integridade e permite verificar se os arquivos foram modificados. O código, os protocolos e os dados brutos ficam disponíveis em um repositório público.
Dias sem coleta permanecem em branco. Os valores não são projetados nem preenchidos por interpolação. Essa escolha preserva o que efetivamente foi observado, mesmo que produza uma série com lacunas.
A abertura dos dados também permite que outras pessoas refaçam os cálculos, questionem os critérios ou desenvolvam análises diferentes a partir do mesmo material. Pesquisa verificável não exige concordância com todas as conclusões. Exige acesso às evidências utilizadas para chegar até elas.
Os estudos produzidos a partir do índice
O programa de pesquisa reúne trabalhos em diferentes estágios de desenvolvimento. Entre eles estão papers com DOI publicados na SSRN, um registro no Zenodo e working papers disponibilizados para consulta.
O primeiro trabalho, Algorithmic Authority, documentou um ciclo de implementação realizado em março de 2026. Durante sete dias, o projeto acumulou 206 commits em oito repositórios, além de 92 páginas indexáveis e 29 tipos de marcação Schema.org.
O estudo também apresentou conceitos relacionados à citabilidade algorítmica, à consistência das entidades e ao chamado paradoxo da excelência invisível. Esse paradoxo ocorre quando uma organização possui qualidade reconhecida em sua área, mas não fornece sinais digitais suficientes para ser recuperada e citada por sistemas generativos.
Outro trabalho, Three Ways to Fail to Conclude, analisou 7.052 respostas de quatro modelos sobre 69 entidades. Em vez de esconder as limitações encontradas, o estudo publicou os problemas que impediam determinadas conclusões.
Essa etapa revelou três falhas no pipeline inicial: baixa potência estatística para testar uma hipótese, desativação de uma entidade fictícia utilizada como controle e instrumentação assimétrica. A versão seguinte foi reimplementada com 217 testes automatizados.
Publicar resultados nulos e erros metodológicos é parte do processo. Em um campo recente, explicar por que uma conclusão não pode ser sustentada é tão relevante quanto divulgar um resultado positivo.
O efeito da entidade-âncora
Um dos achados mais importantes surgiu no working paper The Anchor-Entity Effect, elaborado com 62.820 observações.
O estudo identificou que uma única empresa pode concentrar uma parcela muito grande das menções de determinada categoria. No segmento de fintechs, uma entidade respondeu por 49,7% das citações. Quando ela foi retirada da análise, a aparente vantagem do setor se reduziu de forma significativa.
Esse resultado mostra que médias por segmento devem ser interpretadas com cuidado. Uma categoria pode parecer muito visível porque uma única marca domina as respostas, enquanto as demais empresas continuam pouco mencionadas.
Para quem toma decisões de negócio, essa diferença é relevante. A liderança de uma vertical não significa necessariamente que todas as organizações daquele mercado estejam bem representadas nas inteligências artificiais.
O que os dados permitem concluir
O Brasil GEO Index não pretende explicar sozinho toda a relação entre marcas e modelos generativos. Ele oferece um recorte definido, com perguntas, entidades, plataformas e períodos documentados.
Dentro desse recorte, os dados já permitem observar alguns padrões. A taxa de citação varia consideravelmente entre os modelos. Os resultados também mudam conforme a vertical, o idioma e a presença de entidades dominantes.
Por isso, qualquer afirmação sobre visibilidade em IA deveria informar, no mínimo, a pergunta realizada, a plataforma, a versão do modelo, a data da coleta, o número de respostas e o critério usado para reconhecer uma citação.
Sem essas informações, o resultado pode servir como exemplo, mas dificilmente deve ser tratado como evidência de um comportamento recorrente.
Uma base brasileira para uma discussão global
Ferramentas internacionais já trabalham com centenas de milhões de prompts. Elas oferecem uma visão ampla do mercado global, mas nem sempre disponibilizam um recorte brasileiro acompanhado de protocolo pré-registrado e dados brutos abertos.
O Brasil GEO Index ocupa essa lacuna em uma escala menor e mais específica. Seu foco está em entidades brasileiras, perguntas relacionadas ao mercado nacional e um processo que possa ser auditado por pesquisadores, profissionais e empresas.
Outras iniciativas também ajudam a ampliar o campo. O naia Index, por exemplo, oferece rankings mensais de marcas recomendadas pelo ChatGPT e pelo Gemini no Brasil. Essa leitura de mercado complementa a abordagem acadêmica e experimental do Brasil GEO Index.
Quanto mais bases transparentes existirem, melhor será a discussão. Nenhuma fonte deve ser tratada como suficiente para responder sozinha a todas as perguntas sobre GEO.
GEO não pode depender de prints
A visibilidade de uma marca em sistemas generativos não é fixa. Ela pode mudar com a atualização de um modelo, a reformulação de uma pergunta, a entrada de novas fontes na web ou alterações nos mecanismos de busca e recuperação.
Por isso, GEO precisa ser acompanhado como uma série, não como uma fotografia isolada.
O objetivo de manter papers, código, protocolo e dados disponíveis é permitir que os números sejam conferidos antes de serem reproduzidos. Uma medição útil deve mostrar não apenas o percentual final, mas também o caminho percorrido até ele.
O campo ainda está sendo construído. Quanto mais cedo adotarmos critérios verificáveis, menor será o espaço para conclusões baseadas apenas em exemplos convenientes. GEO pode se tornar uma disciplina relevante para estratégia, comunicação e tecnologia, mas sua credibilidade dependerá da qualidade e da transparência dos dados que sustentam cada afirmação.
