Medir a visibilidade da sua marca só no ChatGPT é ver menos da metade do quadro quando parte do seu público pesquisa no Gemini ou no Perplexity antes de comprar. Visibilidade em múltiplos modelos significa rodar o mesmo conjunto de prompts nos três, registrar o resultado separado por modelo e só depois juntar os números com uma regra de peso explícita, nunca a média simples dos três.
No Brasil, o ChatGPT concentra 99% do tráfego de IA generativa e o país já é o terceiro maior mercado do produto no mundo (Cadastra/Similarweb via Mobile Time, nov/2025). Isso não torna o Gemini e o Perplexity irrelevantes: os dois processam a mesma pergunta de um jeito diferente do ChatGPT, e ignorar essa diferença deixa um ponto cego sobre como a sua marca aparece para quem já usa essas duas plataformas para pesquisar.
Por que ChatGPT, Gemini e Perplexity respondem diferente para a mesma marca?
Cada um desses três é construído sobre um modelo de fundação próprio, treinado num corpus diferente e com uma lógica distinta de quando buscar informação na web antes de responder. Isso muda o que aparece na tela mesmo quando a pergunta é idêntica, e é o mesmo tipo de variação que faz duas rodadas no mesmo modelo já darem respostas diferentes entre si.
O ChatGPT decide sozinho quando vale buscar na internet antes de responder: em algumas respostas usa só o que aprendeu no treinamento, em outras aciona uma busca e cita as fontes que encontrou. A central de ajuda da OpenAI descreve esse comportamento como parte do funcionamento padrão da busca no produto. No Gemini a lógica é parecida: a documentação do Google para desenvolvedores chama o recurso de "grounding with Google Search" e explica que o modelo avalia se uma busca melhora a resposta antes de gerar e executar a consulta. Já o Perplexity não faz essa escolha: por definição de produto, ele busca na web em tempo real a cada pergunta, e a própria central de ajuda do Perplexity descreve a ferramenta como um "answer engine" que sempre parte de uma busca.
| Modelo | Busca antes de responder? | Como cita a fonte |
|---|---|---|
| ChatGPT | Decide caso a caso, ou sempre busca no modo de busca dedicado do produto | Citação inline com link para a página |
| Gemini | Decide caso a caso se a busca melhora a resposta | Lista as fontes usadas na busca que gerou a resposta |
| Perplexity | Sempre busca, é a base do produto | Numera as fontes no texto, como [1] e [2] |
O resultado prático: a mesma pergunta pode receber uma resposta só de memória no ChatGPT, uma resposta ancorada em busca no Gemini e uma resposta sempre ancorada em busca no Perplexity. A presença da sua marca em cada uma reflete um mecanismo diferente, não sorte ou azar na rodada. É por isso que o mindshare, a frequência com que um modelo cita a marca por conta própria, costuma ser acompanhado modelo a modelo em vez de virar um número único cedo demais.
O que precisa ser idêntico entre as rodadas em cada modelo?
O ponto de partida é usar exatamente o mesmo conjunto de prompts nos três modelos, não perguntas parecidas nem adaptadas caso a caso. Se um prompt pergunta "quais as melhores opções de X para Y", ele entra assim no ChatGPT, no Gemini e no Perplexity, sem reescrever para soar melhor em cada interface.
Três coisas precisam ficar fixas entre os modelos:
- O conjunto de prompts. Reaproveite os mesmos prompts que já cobrem recomendação, comparação e reputação, o tipo de conjunto usado para medir um modelo só.
- A cadência. Rode os três modelos na mesma janela de tempo, de preferência no mesmo dia ou na mesma semana, para a comparação entre eles não misturar períodos diferentes.
- O registro por modelo. Cada resposta vai para uma linha própria, identificada pelo modelo que a gerou, nunca somada às respostas de outro modelo antes da hora de consolidar.
Esse último ponto é o que mais gente erra. Juntar tudo numa média cedo demais esconde de qual modelo vem o problema quando a visibilidade cai: se o ChatGPT segue estável e o Gemini despenca, uma média única mostra só uma queda genérica, sem apontar onde agir.
Como registrar e normalizar os resultados antes de comparar?
Antes de comparar os três números, vale separar dois conceitos tratados como sinônimos com frequência: menção e taxa de citação. Menção é a marca aparecer em algum ponto da resposta, com ou sem busca na web. Citação, no sentido mais estrito, é o modelo apontar o seu site como fonte, com link ou referência explícita.
Essa distinção importa porque nem toda resposta passa por uma busca. Quando o ChatGPT responde só com o que já sabia, sem acionar a busca, não existe citação possível, só menção. O mesmo vale para o Gemini quando decide que buscar não é necessário. Já o Perplexity, que busca sempre, tem citação disponível em praticamente toda resposta. Comparar a taxa de citação bruta entre os três sem considerar isso favorece estruturalmente o Perplexity e pune o ChatGPT e o Gemini por um comportamento que é do produto, não da sua marca.
A normalização prática é registrar as duas métricas separadamente por modelo: taxa de menção, sobre o total de respostas, e taxa de citação, sobre o subconjunto de respostas em que houve busca. Só depois de ter as duas por modelo faz sentido pensar em consolidar. Para o mapa completo de métricas de visibilidade e como elas se relacionam, veja as métricas que importam para medir visibilidade em IA.
Qual critério usar para decidir o peso de cada modelo?
Peso igual é a opção mais simples: um terço para cada modelo. Mas na maioria dos casos ela trata um modelo que concentra quase todo o uso de IA generativa no Brasil como equivalente a um modelo residual, o que distorce a leitura para a maioria dos negócios locais.
Há três critérios defensáveis, cada um com uma lógica diferente:
- Peso igual. Razoável como primeira leitura, antes de você ter qualquer dado sobre qual modelo o seu público de fato usa.
- Peso por participação de uso. Cada modelo pesa proporcionalmente ao volume de uso da sua audiência. No Brasil de hoje isso empurra a maior parte do peso para o ChatGPT, dado o domínio de 99% já citado. É o critério mais defensável quando você não tem dado de público próprio.
- Peso por relevância de público. Ajusta o critério anterior pelo seu segmento específico. Uma empresa B2B com clientes que usam Gemini via Google Workspace no dia a dia, ou uma base de usuários técnicos que pesquisa mais no Perplexity, pode justificar um peso maior do que a média nacional sugere.
A recomendação direta: comece por peso por participação de uso, com o ChatGPT carregando a maior fatia. Migre para peso por relevância de público só quando tiver dado próprio (pesquisa com clientes, analytics de referral) que justifique o ajuste. Peso igual serve como diagnóstico inicial, não como critério permanente.
Como chegar num número único sem perder o detalhe por modelo?
Depois de ter a taxa de menção por modelo e o peso definido, o consolidado é uma média ponderada simples. Suponha, de forma ilustrativa, uma marca com taxa de menção de 40% no ChatGPT, 25% no Gemini e 15% no Perplexity numa mesma rodada, com pesos de 0,7, 0,2 e 0,1. O número consolidado é (40 x 0,7) + (25 x 0,2) + (15 x 0,1) = 28 + 5 + 1,5 = 34,5%.
O número único serve para acompanhar tendência ao longo do tempo e para reportar num só lugar. Mas ele não substitui o detalhe por modelo no painel, só resume. Mantenha as três taxas visíveis ao lado do consolidado: é o que permite responder por que o número caiu, em vez de só constatar que caiu. Um painel que mostra apenas o composto e esconde os componentes tira justamente a informação que motivou medir em vários modelos.
Vale medir em modelos com pouco uso no Brasil, como o Perplexity?
Depende do seu público, não do tamanho médio do mercado. Não existe uma quebra pública e confiável de como o 1% restante do tráfego de IA generativa no Brasil se divide entre Gemini, Perplexity e outros modelos, então tratar essa fatia pequena como corte binário, medir ou não medir, é menos útil do que decidir por segmento.
O Perplexity tende a concentrar um público que já pesquisa de forma ativa e compara fontes antes de decidir, comum em compras B2B e em decisões técnicas. Se esse é o perfil do seu comprador, vale medir mesmo com volume geral baixo. O Gemini tende a aparecer com mais força onde o Google Workspace já faz parte da rotina de trabalho do cliente. Se o seu público é majoritariamente consumo geral, sem esses sinais, o retorno de medir ali é menor, e uma revisão trimestral costuma bastar em vez de acompanhamento contínuo.
Se ainda não tem nenhuma medição rodando, o guia prático de visibilidade da marca nas IAs cobre o básico antes de chegar neste ponto. A Promptis mede a visibilidade da sua marca no ChatGPT, hoje o modelo com a fatia dominante desse tráfego no Brasil. O método é um conjunto fixo de prompts e média móvel de três ciclos, sem planilha manual. O raciocínio deste artigo, mesmo conjunto de prompts, mesma cadência, peso explícito antes de somar, é o que você aplica por conta própria para estender a mesma leitura a Gemini e Perplexity. A primeira análise é gratuita e não pede cartão.
