Empresas não sabem o que a inteligência artificial responde sobre elas

A equipe de estratégia digital de uma plataforma de investimentos da Nova Zelândia notou, ao longo de 2025, que um canal novo havia aparecido nos relatórios. No meio do ano, o ChatGPT já gerava cerca de 700 sessões de referência por mês para o site, contra um punhado um ano antes. E os visitantes que chegavam por ali tinham taxa de rejeição menor e viam mais páginas por visita do que os de outras fontes de referência.

A parte desconfortável veio depois. Quando o time passou a consultar o ChatGPT de forma sistemática com as perguntas que os clientes reais faziam — sobre taxas, escolha de fundos e comparação com concorrentes —, encontrou respostas confiantes, fluentes e frequentemente erradas. Uma afirmação incorreta repetida com frequência dizia que a plataforma oferecia cinco fundos no produto de aposentadoria KiwiSaver, quando na verdade eram sete. As estruturas de taxas apareciam mal descritas. Um mecanismo de proteção do investimento era apresentado como restritivo.

O caso, de uma empresa identificada pelo pseudônimo Stakewise, abre um estudo publicado no MIT Sloan Management Review em 13 de outubro de 2026. Os autores são Shahper Richter, docente sênior de marketing na University of Auckland Business School; Alla Lvovich, líder de produto orgânico na Atlas Digital; Wietske Van Osch, professora titular de tecnologias da informação na HEC Montréal; e Alexander Richter, professor de inteligência artificial centrada no humano e diretor da iniciativa de IA da University of Auckland.

O achado não é sobre perda de tráfego

A discussão pública sobre busca e inteligência artificial costuma girar em torno de uma métrica: quanto tráfego orgânico as empresas estão perdendo para respostas geradas por modelos de linguagem. O estudo desloca o problema para outro lugar, e esse deslocamento é o que há de mais interessante nele.

O que os autores descrevem não é um canal que encolheu. É um canal que já está em operação, trazendo visitantes aparentemente mais qualificados, e sobre o qual a empresa não tem instrumento de leitura. O painel de marketing continua medindo sessões, cliques e posição na página de resultados. Nada nesse painel responde à pergunta que passou a importar: o que os modelos estão dizendo quando alguém pergunta sobre esta empresa?

É uma falha de instrumentação, não de tática.

Três padrões em 15 entrevistas

A base empírica do estudo são entrevistas com 15 líderes seniores de marketing e de digital em setores que incluem serviços financeiros, software como serviço, varejo, mídia, ensino superior e serviços profissionais, mais a análise em profundidade do caso de um provedor de investimentos regulado.

Segundo os autores, três temas apareceram de forma consistente: pontos cegos relevantes nas métricas de visibilidade em inteligência artificial; inércia organizacional na adaptação dos fluxos de SEO (otimização para mecanismos de busca) já estabelecidos; e uma subestimação da velocidade com que a inteligência artificial amplifica informação incorreta sobre a marca.

O terceiro é o mais concreto dos três, e o menos discutido. Informação errada sobre produto, preço e condição comercial circula em respostas de IA sem que exista, na empresa, qualquer processo de detecção. Não é um risco futuro: no caso narrado, a informação errada já estava sendo entregue a quem perguntava.

Os autores tratam a otimização para motores generativos, ou GEO, na sigla em inglês para generative engine optimization, como um enquadramento emergente — a prática de SEO passa a conviver com a preocupação de como os modelos representam a marca. A recomendação central que fazem é consultar sistematicamente os modelos sobre a própria empresa, registrar o que é dito e corrigir o conteúdo de origem. No caso do provedor de investimentos, o time trabalhou com uma agência especializada para rastrear a informação incorreta até URLs específicas e corrigir o conteúdo subjacente.

A origem do erro quase sempre é o conteúdo da própria empresa

Esse detalhe do rastreamento merece atenção, porque muda a natureza do problema. Quando um modelo afirma algo errado sobre uma empresa, a tentação é tratar o caso como falha do algoritmo, e portanto como algo fora de alcance. O procedimento descrito no estudo sugere outra leitura, mais plausível e bem menos confortável: o erro tende a ter origem rastreável em conteúdo publicado, desatualizado, ambíguo ou simplesmente ausente.

Uma página de preços que não foi revisada depois de uma mudança de tabela, um material antigo que descreve uma condição que não existe mais, uma informação que a empresa nunca publicou de forma clara e que acabou sendo preenchida por terceiros. Modelos de linguagem resumem o que encontram. Quando o que existe é ambíguo, a saída é confiante e ambígua ao mesmo tempo — e é essa saída que chega ao comprador.

É o mesmo movimento que aparece quando uma organização decide corrigir a fonte de dados em vez do modelo: o ponto de intervenção fica a montante, no material que alimenta a resposta, não na resposta em si.

Gestão de informação, não marketing de performance

Visto assim, o problema deixa de ser de marketing de performance. E é aqui que ele toca a estrutura da empresa, porque a consequência operacional é uma rotina que, na maioria dos organogramas, não existe: alguém precisa consultar os modelos com periodicidade definida, registrar as respostas, identificar o conteúdo que produziu o erro e corrigi-lo. Isso tem dono, cadência e registro. É desenho de processo, não campanha.

Para empresa de serviço, a aposta é maior do que parece. A descoberta mediada por IA costuma ser o primeiro contato com um comprador qualificado, e acontece sem que a empresa veja a conversa. Se o painel mede sessões e posição em SERP, ele deixou de descrever o que está acontecendo nesse primeiro contato.

O que o estudo não demonstra

Vale ser explícito sobre o peso da evidência, porque ele é modesto. São 15 entrevistas e um estudo de caso: pesquisa qualitativa, amostra pequena, sem pretensão estatística. Nada no material permite afirmar quanto de receita depende de visibilidade em respostas de IA, nem quantas empresas enfrentam o problema, nem com que frequência modelos erram sobre marcas em geral. O caso do provedor de investimentos descreve uma situação real, não uma proporção.

Mais importante: a eficácia da solução proposta não é testada. O estudo recomenda a auditoria sistemática e a correção do conteúdo de origem, mas não mede se isso efetivamente altera o que os modelos passam a responder, em quanto tempo ou de forma durável. Trata-se de uma recomendação dos autores a partir do que observaram, não de um resultado verificado — distinção que vale para boa parte do que se promete hoje em nome da inteligência artificial. A parte publicamente acessível do artigo também não traz seção de limitações, o que é informação útil para o leitor calibrar a leitura.

Há ainda um risco de mercado que o estudo não discute e que convém antecipar. Uma categoria nova com sigla própria, um problema real e nenhum método comprovado é exatamente a combinação que produz oferta antes de evidência. O SEO já passou por esse ciclo: anos de serviço vendido com promessa de controle sobre um sistema que ninguém controlava de fora. A chance de GEO repetir o roteiro é considerável, e a ressalva vale para qualquer fornecedor que passe a vender o serviço — inclusive para quem publica este texto.

Isso não invalida o diagnóstico. Separar as duas coisas é o trabalho do leitor: o estudo descreve bem um problema de capacidade interna, e descrever bem um problema já é mais do que a maior parte da conversa sobre IA e busca tem oferecido. O que ele não faz é entregar a solução validada, e tomar a recomendação como método testado seria ir além do que o material sustenta.

A leitura mais útil, então, é a mais barata de executar. Antes de contratar qualquer coisa, uma empresa pode fazer o que o time do caso fez no início: abrir um modelo de linguagem, digitar as dez perguntas que seus clientes realmente fazem e ler as respostas com atenção. Se o que aparecer estiver errado, o problema não é teórico nem futuro, e o primeiro responsável a procurar é o conteúdo da própria casa.