O AI Visibility Index revela por que marcas fortes no Google somem das respostas de IA

Marcas com um dos maiores footprints de SEO↳SEO4 conteúdosPor que a transição do SEO clássico para a Otimização de Motores Generativos (GEO) exige que se repense a modelagem semânticaMarketing Tech · mai 2026O impacto da pesquisa e do SEO no comércio eletrônico: insights da State of Search Brasil 5Marketing Tech · fev 2025SEO por Elas 2025: Impulsionando e promovendo mulheres no Marketing DigitalMarketing Tech · fev 2025Ver tudo em Marketing Tech → do mercado praticamente não aparecem nas respostas de IA↳Inteligência artificial440 conteúdosUX e IA: Transformando Experiências Digitais com Inteligência ArtificialProduto & UX · jan 2025MCP: O que é e por que você vai ouvir falar disso em breve?AI · jul 2025IA generativa e a urgência de reconstruir nossa relação com a verdadeAI · jun 2025Ver tudo em AI →. Outras, com portfólio de busca modesto, viram recomendação padrão. Esse descompasso é o centro do AI Visibility Index, estudo da Fractl publicado no Search Engine Land, que mediu como três modelos generativos recomendam marcas e onde a autoridade orgânica clássica deixa de valer.

O recado curto do estudo: autoridade orgânica ainda importa, mas não é o mapa inteiro. Mais de 9 em cada 10 marcas se comportaram como um SEO esperaria (mais autoridade tradicional, mais visibilidade em IA). O interessante mora nas exceções, e é nelas que a estratégia muda.

Como o estudo foi feito

A metodologia é direta o suficiente para replicar em escala menor. A Fractl rodou 96 prompts específicos por indústria em oito setores, usando GPT-4o, Gemini 2.5 Flash e Claude Sonnet 4.6. Cada prompt foi executado 15 vezes por modelo, gerando 4.320 respostas e mais de 8.500 referências únicas de marca.

Depois, cada marca citada foi cruzada com dados do Ahrefs: domain rating, tráfego orgânico, domínios de referência e volume de keywords. Isso permitiu comparar a autoridade de busca tradicional de cada marca com a frequência com que ela aparece nas respostas de IA. Quem aparecia menos do que os números de SEO sugeririam foi classificado como sub-representado; quem aparecia mais, como overperformer.

Para um dev ou time de conteúdo no Brasil, o método já é uma sugestão prática: rode um conjunto fixo de prompts por categoria, várias vezes, em cada modelo, e compare o recall com suas métricas de Ahrefs ou similar. É engenharia de medição, não achismo.

Respostas de IA têm marcas-padrão (e nem sempre as óbvias)

Todo setor analisado tinha uma lista curta de marcas que surgiam de novo e de novo, independentemente de como o prompt era escrito. E essas respostas padrão nem sempre eram as maiores empresas nem as de maior tráfego.

Alguns padrões concretos do estudo:

• Viagem foi a categoria mais concentrada: Booking.com (285 menções), Airbnb (227) e Expedia (215) somaram cerca de 20% do volume total do setor. Três marcas em uma a cada cinco recomendações.
• HealthTech teve líder isolado: Teladoc (275) na frente de Amwell (220) por cerca de 25%.
• Wellness tinha o banco mais equilibrado: Peloton, Headspace, Calm, Whoop e Oura todos acima de 168 menções. Ninguém domina, ou seja, a vaga de líder de categoria ainda está aberta.
• Seguros inverteram a lógica do mercado: Lemonade (213) acima de State Farm (172), e Root Insurance (165) acima de Progressive (114). Os modelos citaram as seguradoras digitais primeiro e trataram as tradicionais como alternativa.
• Lifestyle foi o sinal mais forte: marcas direct-to-consumer com narrativa de sustentabilidade (Patagonia, Allbirds, Eileen Fisher, Everlane) superaram Sephora, Samsung e Whirlpool.

A conclusão estratégica: o conjunto competitivo dentro de uma resposta de IA é bem menor que o de uma página de resultados do Google. Se a marca não entra no top 5 a 10 nomes que o modelo lembra para a categoria, ranquear bem no Google pode não bastar para entrar no consideration set gerado por IA.

O que a web diz de você pesa mais que o que você diz de si

Cerca de 5% das marcas (471) ficaram sub-expostas nos LLMs: DR alto, tráfego orgânico muito alto, portfólio de keywords profundo, e quase nenhuma referência dos modelos. Na infraestrutura de SEO parecem líderes; nas referências de LLM parecem empresas sobre as quais ninguém escreveu.

Do outro lado, cerca de 4% (377) foram overperformers, citadas muito mais do que os sinais tradicionais previam. E aproximadamente 9% das marcas se alinharam com a frequência com que apareciam em conteúdo de terceiros que elas não criaram: roundups, listas de especialistas, comparativos e reviews. Esse tipo de cobertura é ingerido nos dados de treino.

É o giro central para quem faz SEO no Brasil: para recall em IA, a camada de corroboração externa pesa mais que o conteúdo próprio. Conteúdo owned e SEO técnico continuam valendo, mas quem tem autoridade de busca e pouca cobertura de terceiros tende a cair no grupo sub-representado, seja qual for o setor. Como resume a autora Kelsey Libert (cofundadora da Fractl), a pergunta certa sobre um concorrente que aparece com metade do seu tráfego não é "qual a estratégia de SEO deles?", e sim "qual a cobertura de imprensa deles, e como conseguiram?".

Categorização: o modelo pode te conhecer e ainda te ignorar

Parte das marcas sub-representadas são blue chips: DR acima de 80, milhões de visitas orgânicas por mês, centenas de milhares de keywords. Mesmo assim, os modelos não as mencionam no próprio setor. O problema costuma ser categorização.

Exemplos do estudo:

• Microsoft e Spotify lideravam a lista de sub-representados em FinTech. Os modelos simplesmente não os classificam como fintechs. Microsoft é muito citada em produtividade e cloud, mas ficou de fora do que o modelo entende por fintech.
• Seguradoras tradicionais (Aetna, Cigna, Humana, Liberty Mutual) com DR 80+ e milhões de visitas foram deslocadas por Lemonade e Root.
• No varejo lifestyle, os modelos preferiram Patagonia e Allbirds a Sephora, Samsung e Whirlpool.

Recall baixo nem sempre significa que o modelo não conhece a marca; pode significar que ele a arquivou em outra categoria, diferente daquela que os compradores pesquisam. Mais conteúdo sozinho não resolve isso. O caminho é reforçar sinais de categoria onde os modelos encontram e reforçam associações: conteúdo de analistas, publicações do setor, páginas de comparação, páginas de parceiros, cases de clientes, sites de review.

Cada modelo é um mundo separado

O ponto que mais impacta medição: apenas 900 marcas (11%) foram citadas pelos três modelos. Outras 12% apareceram em dois. A esmagadora maioria, 77%, apareceu em apenas um modelo.

Cada modelo tem uma "impressão digital" própria:

• Claude puxou mais para SaaS e seguros (Notion, Linear, Lemonade).
• Gemini puxou para viagem e saúde (Booking.com, Teladoc, Livongo).
• ChatGPT foi o mais consensual, com maior sobreposição com os outros.

As diferenças não são sutis: Notion foi citada 17 vezes mais pelo Claude que pelo Gemini; Whoop apareceu quase quatro vezes mais no Claude. Por isso um score agregado de "visibilidade em IA" engana. Se um dashboard diz que sua visibilidade melhorou, a primeira pergunta é: onde? Você pode não ter um problema amplo, e sim um problema de Gemini, de Claude, de prompt de categoria ou de fonte. A recomendação é medir cada modelo separadamente e rastrear prompts por categoria e intenção.

O que fica para quem publica no Brasil

Alguns setores já foram reordenados pelos modelos; outros ainda espelham o Google. Seguros foi o menos representado (as tradicionais perdendo para digitais nativas), enquanto viagem teve o menor descompasso porque recall de IA e awareness tradicional coincidem. Educação teve a maior taxa de overperformers, com Stanford, MIT, Khan Academy e certificações gerando conteúdo de credibilidade.

De ações práticas, o estudo deixa cinco, ordenadas por rapidez de execução:

1. Meça autoridade tradicional e recall de IA separadamente e procure os descompassos, é neles que a estratégia vive.
2. Construa validação de terceiros, não só conteúdo próprio: roundups, comparativos, reviews de especialistas, podcasts, transcrições de YouTube, discussões de comunidade.
3. Rastreie cada modelo separadamente, quebrando prompts por categoria, intenção de compra e conjunto de comparação.
4. Corrija categorização antes de perseguir volume: se o modelo te conhece mas não te coloca no set certo, o problema é de associação de categoria.
5. Aja antes que a vaga de resposta padrão endureça: wellness, lifestyle e partes de HealthTech ainda estão abertos; viagem e SaaS grande já consolidaram.

A leitura final é que trabalho de visibilidade em IA se aproxima mais de PR digital, distribuição de conteúdo e construção de autoridade de categoria do que muita equipe gostaria de admitir. Não basta otimizar o próprio site: o jogo é moldar o conjunto de fontes que os sistemas de IA usam para entender quem pertence a cada categoria.

Fonte: Search Engine Land