Monitoramento de concorrentes nas respostas de IA

A resposta é um conjunto, e o conjunto muda

Não existe "primeiro lugar" estável em uma resposta de IA. Na pesquisa da SparkToro publicada em janeiro de 2026, 600 voluntários executaram 12 prompts de recomendação no ChatGPT, no Claude e na IA do Google — AI Overview ou AI Mode quando o Overview não aparecia —, num total de 2.961 execuções, entre novembro e dezembro de 2025. Às vezes a resposta trazia duas ou três recomendações; com a mesma frequência, dez ou mais. A chance de o ChatGPT ou a IA do Google devolverem a mesma lista de marcas em duas execuções ficou abaixo de 1 em 100. Os autores, num trabalho não revisado por pares, concluem que a ordem dentro da resposta é quase aleatória e, por isso, não é métrica, e que a porcentagem de presença, medida em dezenas ou centenas de prompts repetidos várias vezes, é provavelmente uma métrica razoável.

O líder também muda de modelo para modelo. Um preprint exploratório no arXiv, na versão 2, revisada em 23 de setembro de 2026, fez 250 perguntas escritas pelos pesquisadores, em cinco setores, a três modelos por meio das APIs, cada pergunta repetida cinco vezes em duas rodadas, em fevereiro e em setembro de 2026, com 3.614 e 3.750 respostas analisadas. Os três modelos nomearam a mesma marca líder, entre as 50 marcas amostradas pelos pesquisadores, em 143 das 250 perguntas, ou 57,2%, em fevereiro, e em 60,8% delas na repetição de setembro; pergunta em que um modelo não nomeou nenhuma marca amostrada conta como desacordo. Em cerca de quatro perguntas em dez, portanto, a marca que lidera em um modelo não é a que lidera em outro.

A consequência para quem mede é direta. O concorrente precisa ser observado nas mesmas respostas em que a sua marca é observada: mesma pergunta, mesma plataforma, mesma execução. Uma coleta feita em outro dia, com perguntas parecidas, mede outro conjunto. Só a coleta pareada permite dizer "nesta resposta, ele entrou e eu não", e só a repetição permite dizer com que frequência isso acontece.

O que só se enxerga com o concorrente no mesmo denominador

Medir a própria marca produz um número. Medir a marca e os concorrentes nas mesmas respostas produz quatro coisas que o número sozinho não mostra.

A primeira é a lacuna acionável: as respostas em que o concorrente aparece e a sua marca não. Esse é o subconjunto que vale ler primeiro, porque cada resposta dele contém uma pergunta que o comprador fez, uma opção que a IA ofereceu e a sua ausência, tudo na mesma página. A segunda é o critério de diferenciação: nas respostas em que as duas marcas aparecem, a IA pode separá-las por alguma coisa, tamanho de equipe, preço, um recurso, um público, e esse critério é a hipótese mais barata sobre como a sua categoria está sendo explicada. A terceira são os atributos associados a cada marca, que podem estar corretos, desatualizados ou trocados entre concorrentes. A quarta é a mudança de composição do conjunto ao longo do tempo: quem entrou, quem saiu, e se o conjunto ficou maior ou menor enquanto a sua presença ficou igual.

O exemplo a seguir é hipotético. Uma empresa vende uma plataforma para criar e vender cursos online, a Marca A. Ela acompanha 20 prompts de categoria em duas plataformas de IA, com três coletas de cada prompt no período, o que dá 120 respostas válidas. Dois concorrentes que a equipe comercial conhece bem, Marca B e Marca C, são acompanhados nas mesmas respostas.

Marca	Respostas com menção (de 120)	Visibilidade
Marca A (sua)	36	30,0%
Marca B	72	60,0%
Marca C	48	40,0%

Sozinha, a visibilidade de 30,0% (36 ÷ 120) da Marca A não diz nada. Ao lado dos 60,0% (72 ÷ 120) da Marca B, diz que a categoria é respondida com a Marca B duas vezes mais. O cruzamento é o que importa: das 120 respostas, 24 mencionam A e B, 12 mencionam A sem B, 48 mencionam B sem A e 36 não mencionam nenhuma das duas (24 + 12 + 48 + 36 = 120). As 48 respostas com B sem A são 40,0% do período (48 ÷ 120) e são a lacuna.

Ler as 48 respostas muda a conversa. Suponha que 30 delas vêm de um único tópico, seis prompts sobre venda de cursos por assinatura recorrente, que somam 36 respostas no período (6 prompts × 2 plataformas × 3 coletas); nesse tópico, a Marca B aparece em 33 e a Marca A em 3, sempre ao lado da B, o que deixa 30 respostas com B sem A. A lacuna não está espalhada pela categoria: está concentrada em um assunto que a Marca A talvez nem trate no próprio site. Nas 24 respostas em que as duas aparecem, a leitura mostra o critério: a IA apresenta a Marca A "para quem está começando" e a Marca B "para escolas com equipe". Se a Marca A atende escolas com equipe, esse é um atributo a corrigir na informação pública, não uma opinião da IA a lamentar.

No período seguinte, com os mesmos 20 prompts, a Marca A continua em 36 respostas. Mas uma leitura por amostra mostra um nome novo, a Marca D, um marketplace de cursos, em 40 respostas. Ninguém a cadastrou, então nenhum número a registrou; a visibilidade da Marca A ficou em 30,0% enquanto o conjunto ganhou um participante. Cadastrá-la faz o share of voice da Marca A, a participação dela nas menções entre as marcas comparadas, cair a partir do período seguinte, porque o conjunto passa a ter quatro marcas e a Marca A continua nas mesmas 36 respostas. A conta, e o tamanho de amostra necessário para uma variação significar algo, pertencem ao verbete sobre share of voice em IA; a consequência prática é que o número se move com a lista, e a lista precisa ser registrada com data.

O ponto cego da lista fechada

Uma lista fechada de marcas cadastradas é o que torna a comparação reproduzível de um mês para o outro, ao custo de não ver quem ficou de fora. Por que extrair toda marca que a IA cita não resolve está no verbete sobre share of voice em IA. A saída não é trocar de método: é revisar a lista no momento certo.

A cegueira vira problema em três situações. Quando a categoria está em movimento, com entrantes, fusões ou produtos novos de empresas grandes. Quando a sua visibilidade fica estável, mas as respostas ficam mais longas ou passam a citar mais nomes; algo entrou, e não foi você. E quando um tópico novo é adicionado ao conjunto de prompts, porque perguntas novas trazem conjuntos novos.

A revisão é humana, e deve ser. Uma vez por mês, ou a cada mudança no conjunto de prompts, leia uma amostra das respostas originais, sobretudo as que não mencionam nenhuma marca cadastrada, e anote os nomes que se repetem. Um nome que aparece em uma resposta é ruído; um que aparece em várias, em mais de uma plataforma, é candidato. Ao cadastrar, registre a data, porque o número passa a ser calculado com outra lista.

Quais concorrentes acompanhar

Os concorrentes que a equipe comercial enfrenta nem sempre são os concorrentes que a resposta apresenta. A IA responde à pergunta do comprador, não ao mapa competitivo da empresa, e a pergunta "qual plataforma para vender cursos" pode ser respondida com um marketplace, um comparador que lista dez opções, um agregador de avaliações, uma ferramenta de uma categoria vizinha que "também serve" ou uma recomendação de fazer sem plataforma nenhuma. Essas opções ocupam a vaga que a sua marca disputa. Um concorrente de resposta é qualquer nome que a IA oferece ao comprador na mesma resposta em que a sua marca deveria estar, mesmo que ele não venda o que você vende.

O critério de seleção tem quatro perguntas, em ordem: o nome aparece de fato nas respostas originais dos seus prompts, e não só na sua apresentação comercial? Ele disputa a mesma decisão do comprador, ou aparece por acaso, como contraexemplo ou por outra necessidade? Você consegue agir sobre a diferença, corrigindo um atributo, cobrindo um tópico ou conseguindo presença na fonte que a IA cita? E ele aparece com constância, em mais de uma plataforma e mais de um prompt, ou apareceu uma vez? Um nome que passa nas quatro entra na lista; um que passa só na primeira é candidato a observar, não a cadastrar.

Acompanhar demais tem custo, e não é só o custo de vaga. Cada marca a mais aumenta o denominador do share of voice e encolhe a participação de todas, o que torna as variações menores e mais difíceis de ler. Cada marca a mais é também um subconjunto a mais de respostas para ler. Cinco concorrentes escolhidos por importância dizem mais do que quinze escolhidos por completude, porque a lacuna que interessa é a lacuna contra quem ganha a resposta com frequência. Comece com dois ou três nomes vindos da leitura das respostas, não da planilha de vendas, e reserve as vagas restantes para o que a revisão mensal revelar.

O que um monitoramento de concorrentes precisa entregar

Os requisitos gerais de um monitoramento, conjunto estável de prompts, coleta fora do navegador, resposta original preservada e denominador explícito, estão na página sobre monitoramento de GEO. A comparação com concorrentes acrescenta requisitos próprios, e cada um pode ser conferido em uma conta de teste antes de decidir por qualquer produto.

Requisito	Por que importa	Como conferir
Concorrente medido na mesma resposta	Coleta separada mede outro conjunto; a comparação exige a mesma pergunta, plataforma e execução	Abra uma resposta e veja todas as marcas detectadas nela, juntas
Uma presença por marca por resposta	Contar cada ocorrência do nome favorece respostas longas e infla quem aparece repetido	Peça a regra de contagem por escrito
Lacuna como lista de respostas, não como número	O que se lê e se corrige é a resposta; o percentual só aponta onde olhar	Filtre as respostas em que o concorrente aparece e você não, e abra uma
Filtro por plataforma, tópico e prompt	A lacuna concentrada em um tópico pede uma ação; a espalhada pede outra	Confira se o mesmo filtro vale para a lacuna e para o total
Lista de marcas datada e guardada com cada resposta	Sem isso, não dá para saber qual lista produziu o número do mês passado	Pergunte qual lista produziu cada número e se a leitura original é mantida depois de uma mudança
Exportação com as marcas mencionadas por linha	Permite cruzar presença por marca com tópico, plataforma e data fora do painel	Exporte um período e procure a coluna de marcas
Declaração do que a métrica não diz	Menção não é recomendação nem sentimento; um painel que não diz isso induz ao erro	Peça a definição de menção e o que ela exclui

Nota de sentimento e selo de "recomendado" ficam fora da lista porque cada um é uma medição separada, uma classificação automática do texto, e não um requisito da comparação de concorrentes. Quem oferece um deles deve mostrar a resposta original que o sustenta.

Como o Lastfind faz a comparação

No Lastfind, um projeto tem a sua marca e até dez concorrentes. A coleta depende de onde o Lastfind roda: a conta gratuita no Cloud coleta cada prompt uma vez por semana, às segundas-feiras às 4h (horário de Brasília), apenas no ChatGPT, e a instalação independente coleta todos os dias na sua própria infraestrutura, nos canais que a sua conta de provedor permitir. Cada resposta registra quais das marcas cadastradas foram mencionadas. Menção é a detecção do nome da marca no texto final da resposta, com limite de palavra e sem contar o endereço dos links; o critério que a resposta usa para separar as marcas, assim como os atributos de cada uma, é lido na resposta original, não classificado pela contagem. Avaliação de sentimento e branding semântico são recursos separados e opcionais, desligados por padrão, fora desta comparação; o sentimento lê a sua marca e os cinco primeiros concorrentes, enquanto os demais ficam sem leitura de sentimento.

O resumo do projeto mostra um ranking com a sua marca e os concorrentes rastreados, a visibilidade de cada uma, o share of voice, que é a participação nas menções entre as marcas cadastradas contando cada marca uma vez por resposta, e a comparação com o período anterior de mesma duração. A análise separa o resultado por canal, tópico e prompt e lista as oportunidades: as respostas que mencionam outra marca rastreada e não mencionam a sua. É a lacuna do exemplo acima, filtrável e abrível, porque cada resposta pode ser aberta e o texto original e as fontes, lidos na íntegra.

O histórico é paginado, e a exportação em CSV cobre todo o período filtrado, com as marcas mencionadas em cada linha, para quem prefere cruzar os dados fora do painel. Relatórios cobrem de 1 a 90 dias; dados mais antigos continuam guardados no projeto.

O texto original de cada resposta e as configurações da coleta ficam preservados. Quando você altera as marcas ou os concorrentes acompanhados, o Lastfind recalcula as menções nas respostas guardadas dos últimos 90 dias (até as 10.000 mais recentes), sem pedi-las de novo: o relatório passa a seguir a lista atual e o registro original da coleta é mantido, por isso anote a data de cada mudança. O ranking e o share of voice comparam as marcas que você cadastrou, não o mercado inteiro, e a marca que você não cadastrou não aparece em nenhum número. O Lastfind sugere nomes encontrados em contextos de resposta comparáveis, cada um com a sua evidência, e você escolhe quais acompanhar; ler uma amostra das respostas originais continua sendo a forma de conferi-los.

Quando o Lastfind não é a ferramenta certa

O Lastfind não monitora Copilot nem Grok, porque o provedor de coleta não documenta endpoint para eles, não gera recomendações automáticas do que fazer com a lacuna e não tem API pública nem integração de saída com Slack, planilhas, Zapier ou webhooks de alerta. Se a sua necessidade central é uma dessas, outra ferramenta atende melhor.

Primeiro passo

Escreva dez perguntas de categoria, sem o nome da sua marca, na língua em que o comprador pergunta, e cadastre a sua marca e os dois ou três nomes que você acredita que ocupam a resposta. A conta gratuita do Lastfind no Cloud, com um tópico, dez prompts e só o ChatGPT, roda essas perguntas toda segunda-feira às 4h (horário de Brasília), sem exigir dados de pagamento, e entrega ranking, oportunidades e resposta original; prompts novos entram na próxima janela de segunda-feira. Depois de duas coletas de segunda-feira, abra as respostas em que nenhuma marca cadastrada aparece e leia quem está lá. A hipótese inicial dá lugar à lista de marcas observada nessas dez perguntas, no ChatGPT e nesse período, não a uma lista geral da IA. Quem precisa de outros canais ou de coleta diária pode instalar a própria versão, que é AGPL-3.0-only e roda na própria infraestrutura, com credenciais de provedor próprias; nela, o Gemini exige projeto em inglês, e a conclusão da coleta depende de cada provedor, com até 72 horas no Claude.

Documentação das plataformas conferida em outubro de 2026.