Share of voice em IA: cálculo, exemplos e limites

De onde vem o share of voice e o que muda nas respostas de IA

O conceito nasceu no planejamento de mídia. Na definição que a Nielsen ainda usa, share of voice é a parcela de uma marca no investimento total em mídia da categoria, em determinado mercado, canal e período. A métrica ganhou peso ao ser ligada à participação de mercado: a pesquisa de Binet e Field sobre 171 campanhas associou um share of voice acima da participação de mercado ao crescimento da marca. O denominador ali é dinheiro gasto, um número que existe independentemente de quem mede.

O SEO adaptou o termo para a busca orgânica. Como não há investimento em mídia, o share of voice orgânico é estimado a partir das posições em um conjunto de palavras-chave, combinando cada posição com uma curva de cliques esperados e com o volume de buscas. O denominador passou a ser o tráfego possível do conjunto de termos. Continua sendo uma estimativa, mas apoiada em duas grandezas externas: posição e volume.

Nas respostas de IA, nenhuma das duas grandezas existe da forma como o SEO as conhece. Não há posição fixa: a marca aparece dentro de um texto, às vezes em uma lista, às vezes em uma frase de ressalva. Para ponderar a cesta da sua empresa, falta um volume de prompts que seja ao mesmo tempo primário, publicado pelos donos das plataformas, auditado e específico da sua audiência no nível de pergunta ou categoria. Existem estimativas terceiras segmentadas por tópico e plataforma, produzidas a partir de painéis licenciados e modelagem; elas dependem da amostra, do consentimento, da cobertura e do método adotados. O volume de palavras-chave, por sua vez, não representa quantas pessoas fazem aquela pergunta a uma IA, e a resposta muda de execução para execução.

O denominador do share of voice em IA, portanto, é uma amostra que você mesmo constrói: quais prompts, em quais plataformas, em qual idioma, em qual período, com quais marcas comparadas. Um share of voice em mídia descreve o mercado; um share of voice em IA descreve a sua coleta. O número só é interpretável junto com a descrição da coleta, e só é comparável com outra coleta feita nas mesmas condições.

Visibilidade e share of voice não são a mesma conta

As duas métricas aparecem juntas e medem coisas diferentes. Visibilidade responde a uma pergunta sobre alcance: em quantas das respostas válidas a marca apareceu? Share of voice responde a uma pergunta sobre concorrência: de todas as menções a marcas nessas respostas, quantas foram à sua?

Dimensão	Visibilidade	Share of voice
Pergunta	Em quantas respostas a marca aparece?	Qual é a fatia da marca entre as marcas mencionadas?
Numerador	Respostas válidas com menção à marca	Menções à marca (uma por resposta)
Denominador	Total de respostas válidas	Total de menções a todas as marcas consideradas (uma por marca por resposta)
Soma entre marcas	Não soma 100%; várias marcas podem aparecer na mesma resposta	Soma 100% entre as marcas do conjunto
O que a altera	Mudança na resposta da IA ou no conjunto de prompts	Também a lista de marcas comparadas, mesmo sem nenhuma mudança na resposta

"Resposta válida" merece definição. Uma coleta que falhou, uma resposta vazia ou um resultado do Google em que não apareceu AI Overview não são respostas em que a marca foi omitida; são observações sem resposta de IA. O Google só exibe AI Overviews quando o sistema considera que acrescentam algo à busca e, por isso, eles frequentemente não aparecem. Contar essas ausências como respostas sem a marca rebaixa a visibilidade sem motivo; deixá-las fora e relatar quantas foram é a prática honesta.

A distinção de denominador vale também para o termo "menção". Nas definições deste verbete, cada marca conta no máximo uma vez por resposta, mesmo que seja citada três vezes no texto. Isso evita que uma resposta longa e repetitiva pese mais do que dez respostas curtas. É uma escolha, não uma lei; outras ferramentas contam cada ocorrência, e uma métrica com o mesmo nome pode ter outro denominador.

Exemplo 1: uma coleta, duas métricas e um denominador que muda

O exemplo a seguir é hipotético. Suponha um painel de 50 prompts sobre plataformas de assinatura eletrônica, executado em quatro plataformas de IA, totalizando 200 coletas. Dez falharam ou voltaram sem resposta, então há 190 respostas válidas. Quatro marcas são acompanhadas: a sua (Marca A) e três concorrentes.

Marca	Respostas com menção	Visibilidade (÷ 190)	Share of voice (÷ 285)
Marca A (sua)	57	30,0%	20,0%
Marca B	95	50,0%	33,3%
Marca C	85	44,7%	29,8%
Marca D	48	25,3%	16,8%
Total de presenças	285	—	100% (99,9% por arredondamento)

A visibilidade da Marca A é 57 ÷ 190 = 0,30, ou 30,0%. O share of voice é 57 ÷ 285 = 0,20, ou 20,0%, porque 285 é a soma de todas as presenças (57 + 95 + 85 + 48). As visibilidades somam 150%, o que não é erro: 285 presenças em 190 respostas dão, em média, 1,5 marca por resposta. Os valores de share of voice somam 100% por construção.

Agora suponha que a equipe descobre, lendo as respostas, que uma quinta marca aparece com frequência e decide acompanhá-la. A Marca E tem 57 presenças, as mesmas da Marca A. Nada mudou nas respostas; mudou a lista de marcas. O total de presenças passa a 342 (285 + 57), e o share of voice da Marca A cai para 57 ÷ 342 = 16,7%. A visibilidade continua 30,0%.

A queda de 20,0% para 16,7% é de 3,3 pontos percentuais, o que equivale a uma variação relativa de −16,7% ((57 ÷ 342) ÷ (57 ÷ 285) − 1). Um relatório que apresentasse isso como "perdemos 17% de share of voice" estaria descrevendo uma mudança de cadastro, não uma mudança no comportamento da IA. Essa é a razão para registrar a composição do conjunto de marcas junto com o número.

Qual denominador usar: marcas cadastradas ou todas as marcas que a IA cita?

Há duas famílias de denominador, e cada uma tem um preço.

O conjunto fechado usa apenas as marcas que você decidiu acompanhar: a sua e um grupo definido de concorrentes. É reproduzível, fácil de explicar e estável entre períodos, desde que a lista não mude. O custo é não enxergar o que não foi cadastrado: se a IA passa a recomendar uma marca nova que não está na lista, seu share of voice não registra a perda. É por isso que a leitura das respostas continua necessária mesmo com a métrica automatizada.

O conjunto aberto tenta contar toda marca que a IA menciona, o que exige extrair entidades do texto. Ele captura marcas novas e inesperadas e descreve melhor a conversa completa, mas depende de uma classificação que erra: nomes genéricos, produtos citados como exemplo negativo, marcas de outra categoria mencionadas de passagem. O denominador cresce e encolhe conforme a IA divaga, e uma comparação entre períodos passa a refletir também a instabilidade do extrator.

No Lastfind, a definição é fechada e específica do produto: a visibilidade divide as respostas válidas com menção pelo total de respostas válidas, e o share of voice divide as menções à marca pelo total de presenças das marcas cadastradas no projeto, contando cada marca uma vez por resposta. A comparação considera até dez concorrentes escolhidos por você, não o mercado inteiro, e a menção é detectada pelo nome da marca no texto final da resposta, sem contar o endereço dos links, resumos de raciocínio nem os resultados orgânicos ao lado de um AI Overview. As configurações de marca e concorrentes ficam gravadas com cada resposta, então editar o projeto hoje não reescreve o que foi observado ontem. Se sua pergunta for "quem mais a IA está recomendando que eu ainda não acompanho", a resposta não está na métrica; está na leitura das respostas armazenadas e no cadastro do concorrente que aparecer. Esse processo de descoberta pertence ao monitoramento de concorrentes nas respostas de IA.

Independentemente da família escolhida, a regra é não misturar. Um share of voice calculado com quatro marcas não pode ser comparado com um calculado com cinco, e um extraído por reconhecimento aberto de entidades não pode ser comparado com um de lista fechada.

Ponderações possíveis e o que cada uma distorce

A fórmula básica trata toda menção como igual. Há três ponderações comuns, e cada uma responde a uma dúvida legítima ao custo de introduzir uma distorção que precisa ser conhecida.

Ponderar por posição na resposta parte da ideia de que ser a primeira marca citada vale mais do que ser a quinta. Um esquema comum atribui peso decrescente à ordem de aparição. O problema é que respostas de IA nem sempre ordenam por preferência: a primeira marca pode ser a que o usuário mencionou no prompt, a que serve de contraexemplo ("diferente da Marca B, que não oferece...") ou a que abre uma lista alfabética. A ponderação por posição premia a ordem sem verificar o motivo da ordem, e pune marcas que aparecem no fim de listas longas mesmo quando são as recomendadas. Se for usada, a posição deve ser reportada separadamente, e uma amostra de respostas deve ser lida para confirmar que a ordem significa preferência naquele tipo de prompt.

Ponderar por plataforma tenta refletir que uma plataforma tem mais usuários do que outra. Há estimativas terceiras de volume por tópico e plataforma, mas elas não são uma medida primária, auditada e específica da audiência da sua empresa. Transformá-las automaticamente em peso importa as escolhas de painel e modelagem para dentro da métrica. Além disso, uma plataforma que responde com muitas marcas dilui todo mundo, enquanto outra que responde com uma marca só concentra o share em quem ganhou; somar as duas em um número único mistura mecanismos diferentes. Uma alternativa auditável é apresentar o share of voice por plataforma, lado a lado, e deixar a agregação para uma leitura explícita, como "a média simples das quatro plataformas" ou "somente a plataforma prioritária".

Ponderar por tópico faz sentido quando um grupo de prompts importa mais para o negócio do que outro: prompts de comparação de compra, por exemplo, valem mais do que perguntas de definição. A distorção aparece quando o peso é definido depois de ver os resultados, favorecendo o tópico em que a marca foi melhor. A ponderação por tópico só é defensável se os pesos forem definidos antes da coleta e mantidos entre períodos.

Há ainda a escolha silenciosa de contar cada ocorrência da marca em vez de uma presença por resposta. Contar ocorrências favorece respostas longas e repetitivas e transforma um texto que cita a marca cinco vezes em cinco "vozes". Uma presença por resposta é mais conservadora e mais próxima do que o comprador experimenta: ele leu uma resposta, não cinco.

Exemplo 2: dois períodos, mesma cesta — visibilidade sobe e share of voice cai

Este exemplo também é hipotético e continua o anterior, com as quatro marcas originais e 190 respostas válidas por período. No período 2, a Marca A passou a aparecer em mais respostas, mas a Marca B cresceu ainda mais.

Marca	Período 1: menções	Período 1: SOV	Período 2: menções	Período 2: SOV
Marca A (sua)	57	20,0%	66	19,6%
Marca B	95	33,3%	120	35,7%
Marca C	85	29,8%	95	28,3%
Marca D	48	16,8%	55	16,4%
Total	285	100%	336	100%

A visibilidade da Marca A subiu de 57 ÷ 190 = 30,0% para 66 ÷ 190 = 34,7%, um ganho de 4,7 pontos percentuais. O share of voice caiu de 57 ÷ 285 = 20,0% para 66 ÷ 336 = 19,6%, uma perda de 0,4 ponto percentual. As duas leituras estão corretas e contam histórias diferentes: a marca está em mais respostas, mas as respostas estão citando mais marcas (336 ÷ 190 = 1,77 marca por resposta, contra 1,5 antes), e a Marca B capturou a maior fatia desse espaço adicional (25 das 51 presenças a mais).

Reportar só o share of voice esconderia um avanço real de alcance. Reportar só a visibilidade esconderia que um concorrente está avançando mais rápido. Nenhuma das duas métricas substitui a outra, e a leitura das respostas em que a Marca B entrou e a Marca A não entrou é o que transforma os dois números em uma hipótese de trabalho.

Amostra e ruído: o que 2 para 3 em 10 permite concluir

O exemplo é hipotético. Uma equipe roda 10 prompts em uma plataforma em setembro e vê a marca em 2 respostas. Em outubro, vê a marca em 3. A visibilidade foi de 20% para 30%: 10 pontos percentuais a mais, ou um crescimento relativo de 50%. Parece muito, mas é uma resposta.

Um intervalo de confiança mostra o tamanho da incerteza. Usando o intervalo de Wilson para proporções, adequado a amostras pequenas, 2 em 10 corresponde a um intervalo de 95% de aproximadamente 5,7% a 51,0%; 3 em 10, de aproximadamente 10,8% a 60,3%. Os dois intervalos se sobrepõem quase por inteiro. Com esses dados, a taxa verdadeira em setembro poderia ser maior do que a de outubro sem contradizer nada do que foi observado.

Repita a comparação com 200 respostas por período: 40 em 200 (20%) e 60 em 200 (30%). Os intervalos passam a ser aproximadamente 15,0%–26,1% e 24,1%–36,7%: ainda há uma sobreposição estreita, mas a incerteza é muito menor do que no exemplo com 10 respostas. A mesma diferença de 10 pontos percentuais passa a ser estimada com mais precisão e merece investigação com 200, embora a comparação dos intervalos, sozinha, não prove que a taxa mudou. Mais observações reduzem a incerteza; o desenho da coleta e o método de análise ainda determinam o que é possível concluir.

Uma observação mensal de 10 prompts é esparsa demais para atribuir uma tendência por si só. Antes de interpretar a variação, defina o desenho: mesma cesta, cadência e períodos comparáveis, regra para respostas ausentes ou com falha e um método prévio para quantificar a incerteza. Depois, examine uma série recorrente. A oscilação histórica ajuda a diagnosticar ruído, mas não é um limiar binário: uma mudança sustentada pode ser menor do que a amplitude anterior, e um pico maior ainda pode ser aleatório. Sem um desenho que isole intervenções, a sequência temporal entre uma publicação e uma alta não demonstra efeito do conteúdo.

O share of voice é ainda mais sensível do que a visibilidade, porque o numerador e o denominador variam juntos: uma resposta a mais que cita três concorrentes move o denominador em três e o numerador em zero. Em amostras pequenas, o share of voice de uma marca pode variar vários pontos por causa de uma única resposta.

A resposta muda entre execuções, e isso não é falha da coleta

Uma parte do ruído vem de algo que o SEO não tinha: a mesma pergunta, feita duas vezes à mesma plataforma, pode receber respostas diferentes. A Thinking Machines mostrou que 1.000 execuções do mesmo prompt no modelo Qwen3-235B-A22B, com temperatura zero, produziram 80 respostas distintas, por causa da forma como os servidores agrupam requisições. Um estudo de 2024 sobre configurações supostamente determinísticas encontrou variações de acurácia de até 15% entre execuções repetidas dos mesmos modelos nas mesmas tarefas. Na API da OpenAI, fixar uma semente (seed) torna as saídas apenas em grande parte determinísticas, e mudanças que a OpenAI faz nas configurações dos modelos podem afetar esse determinismo.

Para quem mede share of voice, a conclusão é que uma execução é uma amostra de uma distribuição, não a resposta da plataforma. No Google, AI Mode e AI Overviews podem usar modelos e técnicas diferentes, e por isso o conjunto de respostas e links que mostram varia: a mesma pergunta pode receber respostas diferentes conforme a experiência do Google.

Três práticas reduzem o problema sem eliminá-lo. Coletar de forma recorrente, em dias diferentes, para que o período tenha várias observações de cada prompt em vez de uma. Tratar cada plataforma como uma série própria, porque as distribuições são diferentes. E guardar a resposta original de cada coleta, porque uma variação só pode ser explicada lendo o que mudou: se a marca sumiu porque a resposta ficou mais curta, porque a IA trocou de fontes ou porque passou a recomendar outra coisa.

Como comparar períodos sem se enganar

Uma comparação honesta entre períodos mantém constantes as quatro coisas que definem o denominador: o conjunto de prompts, o conjunto de plataformas, o conjunto de marcas e o critério de resposta válida. Se qualquer um deles mudou, a comparação precisa ser refeita apenas com a interseção, ou o número anterior precisa ser recalculado com o novo critério. Adicionar 20 prompts a um painel de 50 e comparar o mês seguinte com o anterior compara painéis diferentes.

O comprimento dos períodos também deve ser igual, e a comparação deve informar quantas respostas válidas cada período tem. Um período com 190 respostas e outro com 90, porque a coleta falhou em uma plataforma durante uma semana, não são equivalentes, e as falhas precisam aparecer no relatório como falhas, não desaparecer no denominador.

Ao descrever a variação, use pontos percentuais para a diferença entre duas porcentagens e variação relativa para a proporção entre elas, e diga qual das duas está usando. Na definição da Eurostat, ponto percentual é o termo para comparar duas porcentagens, grandeza diferente da variação relativa: de 20% para 25% são 5 pontos percentuais e um aumento relativo de 25% (25 ÷ 20 − 1). Os dois são corretos; escolher o maior para parecer melhor, ou o menor para parecer estável, é o erro.

Por fim, compare segmentos antes de comparar o total. Um share of voice agregado pode ficar estável enquanto a marca ganha em uma plataforma e perde em outra, ou cresce em prompts de definição e recua em prompts de compra. Como as ponderações são difíceis de justificar, a segmentação é o substituto: mostre o número por plataforma e por tópico, e deixe o agregado como resumo, não como resultado.

Como reportar share of voice para uma diretoria

Quem decide quer um número e uma direção. É possível entregar isso sem enganar, desde que o número venha com o seu contexto na mesma linha, e não em uma nota de rodapé.

Um relatório defensável apresenta, para cada plataforma e para o total, a visibilidade e o share of voice do período, a variação em pontos percentuais em relação ao período anterior de mesma duração, o número de respostas válidas e de falhas, e a lista de marcas comparadas. Quando a lista de marcas mudou, o relatório diz isso antes do número, e apresenta o período anterior recalculado com a lista nova. Quando o método não permite distinguir mudança de variação, o relatório apresenta a incerteza em vez de rotular o movimento como tendência.

O que o número não pode prometer também precisa ser dito. Share of voice em IA mede presença em uma amostra de respostas; não mede recomendação, não mede tráfego e não mede receita. Uma marca pode ter share of voice alto porque a IA a cita como exemplo do que evitar. A distinção entre menção, recomendação e citação de fonte é assunto para outra leitura; aqui basta lembrar que a métrica conta menções.

A prova de que o número é real é a resposta original. Um relatório que permite abrir a resposta em que a marca apareceu ou deixou de aparecer é auditável; um que apresenta só o percentual pede confiança. A evidência da resposta original também é o que permite a alguém da diretoria fazer a pergunta certa: "em qual resposta entramos e por quê", em vez de "por que caímos dois pontos".

Como testar o share of voice de um relatório que você não produziu

Cedo ou tarde chega um relatório de agência, fornecedor ou outra equipe com um share of voice pronto. Os testes abaixo cabem em uma reunião e não exigem acesso aos dados brutos; cada um é independente dos demais e detecta um problema específico.

• Pergunte qual é o denominador. Se a resposta for "o total de respostas", o número é visibilidade, não share of voice; se for "o total de menções a marcas", pergunte quais marcas.
• Peça a lista de marcas do período atual e a do anterior. Se as listas forem diferentes e o período anterior não tiver sido recalculado com a lista nova, a variação não é interpretável.
• Pergunte quantas coletas falharam e como uma busca sem AI Overview foi tratada. Se falhas e ausências entraram no denominador como "resposta sem a marca", a visibilidade está subestimada.
• Peça o número por plataforma antes do total. Se só existir o agregado, pergunte como as plataformas foram somadas; "ponderado por audiência" sem fonte e método divulgados não é auditável.
• Pergunte quantas execuções cada prompt teve no período. Uma por prompt por mês significa que o relatório mede uma amostra de uma resposta por pergunta.
• Peça a variação em pontos percentuais e a relativa, lado a lado. Se só uma delas aparece, verifique qual foi omitida e se a omitida é a que impressiona menos.
• Pergunte quantas respostas válidas sustentam a variação e peça a série recorrente, o desenho constante e o método definido antes de ver os resultados para quantificar a incerteza. Use a oscilação entre semanas como diagnóstico de ruído, não como fronteira automática entre tendência e não tendência.
• Pergunte se a métrica conta uma presença por resposta ou cada ocorrência do nome. Contagem por ocorrência favorece respostas longas e infla quem aparece repetido.
• Pergunte quando os pesos por tópico ou por posição foram definidos. Se foi depois de ver os resultados, o peso serve ao resultado.
• Peça para abrir uma resposta em que a marca entrou e uma em que saiu. Se o relatório não permite, o percentual não pode ser auditado, e qualquer leitura de "recomendação" ou de "resultado comercial" a partir dele é extrapolação.

Por onde começar

Antes de calcular qualquer coisa, escreva em uma página o que define o seu denominador: os prompts, as plataformas, o idioma, o critério de resposta válida, as marcas comparadas e a regra de contagem, uma presença por marca por resposta. Decida se o conjunto de marcas é fechado ou aberto e aceite o custo da escolha. Defina antes da coleta como a incerteza será quantificada e quais evidências da série, do desenho e do método sustentam relatar uma tendência; não escolha o critério depois de ver os resultados.

Depois, colete de forma recorrente, guarde cada resposta e compare períodos iguais com a mesma cesta. Apresente visibilidade e share of voice lado a lado, por plataforma, com a variação em pontos percentuais e o tamanho da amostra na mesma linha. O valor pode subir ou cair; o ganho desse processo é tornar o denominador e os limites do método transparentes, para que o leitor consiga refazer a conta e avaliar a conclusão.

Documentação das plataformas conferida em outubro de 2026.