A maioria das ferramentas de visibilidade IA vende um único score. Não o compre. Um número que mistura o quão bem se posiciona num prompt de identidade com marca com o quão invisível é num prompt de compra transacional não é uma métrica, é uma média que esconde a lacuna que está a pagar para fechar. A minha própria baseline Geoboard, datada de 2026-06-11, colocou wppoland.com em primeiro em cinco de seis modelos no prompt estreito de identidade «Polish agency for foreign WordPress clients» e mostrou zero de presença nas famílias transacionais WooCommerce e de implementação IA na mesma corrida. Um score teria reportado isso como «forte visibilidade IA». A divisão diz a verdade: o mecanismo que produz uma lacuna não é o mecanismo que produz a outra, e precisam de correcções diferentes. Este guia é a camada de monitorização desse programa: que famílias de consultas acompanhar, que métricas realmente preveem receita, a stack que corro no meu próprio site, e uma tabela de cadência que pode entregar a um fornecedor ou a um responsável de procurement.
O material em bruto em que este guia se apoia já o publiquei: o lançamento de acompanhamento de 90 dias que definiu a baseline, e o ciclo de medição Q2 2026 que mostrou quanto o próprio instrumento de medição pode mover o número reportado. Este artigo transforma ambos num manual operativo: o que acompanhar, com que frequência, e o que exigir de quem lhe vende um relatório de «visibilidade IA».
Porque um único score de visibilidade IA engana
Um score composto existe para um slide parecer limpo, não para uma decisão ser defensável. Comprime pelo menos quatro sinais diferentes (reconhecimento de identidade, presença em consultas informativas, taxa de citação transacional e share of voice da concorrência) num único número, e a média através deles destrói exactamente a informação de que um comprador precisa.
Aqui está o problema mecânico. O meu resultado de prompt de identidade (primeiro em cinco de seis modelos) e o meu resultado transacional (zero de presença) sentam-se na mesma corrida de baseline Geoboard, na mesma data, para o mesmo domínio. Faça a média e obtém um score médio que parece «espaço para melhorar». Reporte-os como divisão e obtém a história exacta: uma posição defensável que custa pouco a manter, ao lado de uma lacuna real que custa trabalho off-page real a fechar. Um fornecedor que lhe entrega um único número ou não separou as famílias de consultas ou não quer que veja a divisão.
No contexto português de procurement, o mesmo erro aparece quando agências colocam um «score de visibilidade IA» ao lado de exports de SEMrush ou Ahrefs e o tratam como mais um KPI na tabela do concurso. O procurement deve tratar um único score de visibilidade IA como trataria um único «SEO score» de uma extensão de browser: um artefacto de marketing, não um input de auditoria. Peça a tabela em vez do número, sempre.
Que prompts monitorizar nas citações de IA
Separe os prompts por intenção antes de contar qualquer coisa. Quatro famílias cobrem a maior parte do comportamento de compra B2B em torno de WordPress e WooCommerce, e cada uma responde a uma pergunta de negócio diferente.
Prompts de identidade e posicionamento são perguntas estreitas, com marca, que um comprador faz quando já sabe que pode estar no âmbito: «Polish agency for foreign WordPress clients», posicionamento nearshore a partir da Polónia, entrega em fuso horário da UE. Esta família mede se os modelos resolvem quem é. Ganhar aqui é necessário e, sozinho, vale muito pouco para um pipeline de vendas.
Prompts informativos e de practitioner espelham como um avaliador técnico pesquisa antes de existir um RFP: trade-offs de WordPress headless, abordagens de integração WooCommerce com ERP, Core Web Vitals em catálogos grandes. As respostas IA substituem cada vez mais os primeiros resultados de pesquisa que um practitioner teria aberto, por isso a ausência aqui significa que não está na conversa de shortlist mesmo quando o prompt de identidade está em primeiro. Para lojas portuguesas, vale a pena testar esta família com consultas sobre Multibanco, MB Way, PHC ou Primavera ERP.
Prompts transacionais WooCommerce são onde os orçamentos realmente sentam: contratar um developer WooCommerce, parceiro de integração WooCommerce e ERP, corrigir checkout lento numa loja grande, agência para Woo mais automação IA. A minha própria baseline mostrou zero de presença aqui.
Prompts de implementação IA correm em paralelo ao WooCommerce: integração IA com WordPress, feeds de produto prontos para agentes, governance de plugins IA, exposição MCP para dados da loja. O mesmo resultado de baseline, zero em 2026-06-11, e cada vez mais empacotados em pacotes de procurement enterprise que emparelham trabalho de plataforma com «AI readiness».
| Família de consultas | O que testa | O meu sinal de baseline (2026-06-11) | O que exigir do relatório do fornecedor |
|---|---|---|---|
| Identidade / posicionamento | Resolução de entidade para o seu nicho | #1 em 5/6 modelos no prompt âncora | Confirme a formulação exacta do prompt, não uma paráfrase |
| Informativa / practitioner | Shortlist técnica antes de um RFP | Misto, não a métrica de cabeçalho | Pergunte que perguntas de practitioner foram testadas |
| Transacional (ex. WooCommerce) | Intenção de contratação próxima da receita | Zero de presença | Peça os domínios de concorrentes citados em vez de si |
| Implementação IA | Procurement de agentes e automação | Zero de presença | Pergunte se esta família foi testada de todo |
Se um relatório não separa estas quatro linhas, não é um relatório de monitorização, é um resumo desenhado para ser acreditado em vez de auditado.
Que métricas de visibilidade IA medir
Quando as famílias de consultas estão separadas, quatro métricas carregam o sinal real. Tudo o resto é um agregado de vaidade vestido de dados.
Menção da marca. O assistente nomeou a sua marca em algum lado da resposta, independentemente de link. Este é o sinal mais frouxo e o mais fácil de atingir, por isso trate uma taxa de menções a subir sozinha como evidência fraca.
Citação de URL. O assistente ligou à sua página específica. Isto está mais perto de um referral real e muito mais difícil de ganhar do que uma menção nua, especialmente em famílias transacionais onde os modelos tendem a citar directórios em vez de especialistas.
Domínios de concorrentes citados. Que outros domínios apareceram em vez de si, registados por nome, não resumidos como «concorrentes». Nas minhas próprias verificações transacionais, os domínios que surgiram foram lojas SEO ou SEM gerais a anunciar «AI SEO», não especialistas WooCommerce, e isso é em si um achado: a lacuna é associação e autoridade, não qualidade de conteúdo.
Share of voice. A sua contagem de citações dividida pelo total de citações no conjunto de prompts acompanhado, calculada por família de consultas, por motor. Esta é a única das quatro que se comporta como um KPI real ao longo do tempo, porque é relativa e comparável entre reexecuções, desde que a lista de prompts se mantenha fixa.
O que está deliberadamente ausente: uma única «percentagem de visibilidade IA», um «score AI SEO» de 0 a 100, ou qualquer métrica que não possa ser rastreada até um prompt, motor e data específicos. Se um dashboard não consegue mostrar o prompt por trás de um número, o número não é evidência.
Como monitorizar citações da marca em assistentes de IA
Corro quatro camadas no meu próprio site, e cada uma cobre um modo de falha que as outras falham.
Reexecuções batch Geoboard dão cobertura multi-modelo repetível contra um conjunto de prompts declarado. A minha baseline congelada de 2026-06-11 produziu a divisão identidade-versus-transacional descrita acima, juntamente com o skew de motores entre ChatGPT e Perplexity. Ferramentas batch são a camada certa para comparação de tendência, não para monitorização diária, porque o polling multi-modelo diário mede sobretudo ruído de interface.
Verificações manuais semanais em interfaces de consumidor (ChatGPT, Perplexity, Copilot e Claude onde aplicável) captam mudanças de produto depressa. Registo quatro campos de cada vez: data, motor, família de prompt e resultado (menção da marca, URL citado, domínios de concorrentes ou nenhum). Esta camada é o sistema de aviso precoce quando um modelo adiciona ou remove browsing ao vivo. Nos meus clientes de Gdańsk e Varsóvia, estas verificações captam também a deriva local do Copilot no Microsoft 365, que as corridas batch nem sempre mostram na mesma janela.
Tracking estilo brand-radar para domínios de citação de concorrentes. Geoboard e verificações manuais dizem se apareceu. Esta camada diz quem apareceu em vez de si: é o input que o plano de autoridade off-page realmente precisa. Saber que lojas SEO generalistas, não especialistas Woo, estão a ganhar a família transacional muda para onde o orçamento de remediação deve ir.
O portão de renderização. Nada do acima importa se os factos de suporte de carga não estiverem na resposta HTML em bruto desde o início. A experiência de Andre Alpar de junho de 2026, publicada via CitationOne, descobriu que seis de sete assistentes IA ocidentais lêem apenas HTML em bruto, não JavaScript executado. Antes de confiar num resultado de zero citações como problema de conteúdo ou autoridade, confirme que o conteúdo estava realmente visível para o fetch do assistente. Um zero causado por renderização do lado do cliente é uma correcção completamente diferente de um zero causado por corroboração off-page em falta. Sob a CNPD e requisitos de cookies, vale também verificar se banners de consentimento escondem factos críticos atrás de JS do cliente, um padrão que vejo em temas de loja PT mais vezes do que em setups puramente server-rendered.
Uma camada de registos gratuita, testada em setembro de 2026. A Brainlabs testou as funcionalidades de visibilidade em IA do Microsoft Clarity no próprio site, de 1 a 28 de setembro de 2026, com os registos do servidor ligados através de um plugin de WordPress. O Clarity contou cerca de 27 190 pedidos de bots de IA, 13,15% do tráfego nessa vista, e um rácio médio entre recolhas e visitas encaminhadas de 90:1, com 105 visitas: 34:1 para a OpenAI, 117:1 para a Google e 776:1 para a Anthropic. O Topic Insights, ainda em beta, acompanha citações para um máximo de 15 prompts por tema e não sugere prompts, pelo que herda as lacunas da sua própria lista. Um site e um mês: leia-o como descrição da ferramenta, não como referência de mercado.
Com que frequência monitorizar citações em IA
A cadência é onde a maioria dos programas de monitorização ou queima orçamento em ruído ou perde deriva real. Três intervalos, mapeados para aquilo em que cada um é bom:
| Cadência | O que corre | Porque este intervalo |
|---|---|---|
| Semanal | Verificações manuais, lista fixa de prompts, UIs de consumidor | Captura mudanças de modelo ou UI depressa; barato o suficiente para sustentar indefinidamente |
| A cada 6-8 semanas | Reexecução batch multi-modelo estilo Geoboard | Longo o suficiente para mudanças off-page e on-page terem sido crawled e associadas; curto o suficiente para captar regressões antes do fecho do trimestre |
| Trimestral | Leitura ao nível do programa para stakeholders, ligada a orçamento ou revisão de fornecedor | Alinha com ciclos de reporting de procurement e marketing; evita overclaim de tendência a partir de ruído |
O polling diário ou mesmo a cada poucos dias através de muitos modelos mede sobretudo variância de interface, não mudança real em como os modelos associam a sua marca a uma consulta. Aprendi isto directamente: o meu ciclo de medição Q2 2026 mostrou que um snapshot de proxy e um snapshot de UI de consumidor discordavam o suficiente nas mesmas semanas para que o instrumento, não a realidade subjacente, explicasse a maior parte da diferença. A disciplina de cadência existe para impedir que esse tipo de ruído seja confundido com uma tendência. Nas equipas de procurement portuguesas, a leitura trimestral costuma encaixar nos mesmos ciclos de revisão de fornecedores IT e aprovações de orçamento após o ano fiscal, não nos stand-ups semanais de SEO.
Um prompt, três execuções, setembro de 2026. Hoa Cong, da Seer Interactive, enviou o mesmo prompt de 148 caracteres ao ChatGPT a 3, 16 e 17 de setembro de 2026 e gravou o fluxo de rede em cada execução. Duas execuções com oito minutos de intervalo não partilharam nenhuma das pesquisas geradas pelo ChatGPT, e a 16 de setembro 34 dos 40 URLs recolhidos nunca apareceram como citação. Entre 3 e 16 de setembro, parte dos dados das pesquisas deixou de aparecer no fluxo. É um único prompt do conjunto de um cliente: mostra a dimensão do ruído, não uma taxa. Na prática, registe as pesquisas e os URLs recolhidos sempre que a interface os mostre e trate uma execução isolada como amostra, nunca como posição. Como configuro isto para clientes: otimização GEO e LLMO.
Porque medir Perplexity e ChatGPT em separado
Tratar «visibilidade IA» como um único número através de motores esconde um modo de falha concreto e mensurável. Na minha própria corrida de baseline, o ChatGPT mostrou zero de presença em oito prompts acompanhados no corte blind-spot do conjunto de consultas, enquanto o Perplexity foi o motor mais forte na mesma corrida. Não é coincidência de uma semana má. O Perplexity fundamenta-se fortemente em pesquisa web ao vivo, por isso tende a fazer surface de matches mais frescos e mais estreitos. O comportamento default do ChatGPT no mesmo período inclinava-se de forma diferente, e a lacuna entre os dois foi grande o suficiente para mudar toda a leitura da saúde de citações da marca consoante o motor que acontecia estar a verificar.
A consequência prática para o âmbito da monitorização: nunca reporte ChatGPT sozinho como «visibilidade IA», e nunca faça a média de resultados ChatGPT e Perplexity numa única figura. Um âmbito que para no ChatGPT vai sub-reportar uma marca que o Perplexity já cita, e um âmbito que para no Perplexity vai exagerar o quão visível é para a audiência que ainda faz default ao ChatGPT. Acompanhe ambos, reporte ambos, e se o orçamento força uma escolha entre adicionar um terceiro motor ou corrigir esta divisão, corrija a divisão primeiro. A decomposição informativa completa de porque a divisão acontece está em porque o Perplexity cita a sua marca e o ChatGPT não.
O que exigir a um fornecedor de visibilidade IA
Antes de assinar qualquer fornecedor de monitorização de visibilidade IA ou GEO, exija respostas a todos os pontos seguintes. Se um fornecedor não conseguir responder a um deles por escrito, trate os números dele como material de marketing, não como medição.
- A lista exacta de prompts, não um rótulo de categoria como «consultas WooCommerce». A formulação muda resultados.
- Que motores foram testados, e se os resultados são reportados por motor ou misturados num único score.
- Se cada número veio de uma interface virada ao consumidor ou de um proxy API. O meu próprio ciclo Q2 mostrou que estes discordam o suficiente para que misturar seja enganador por defeito.
- A data em que cada figura foi produzida. Um snapshot de citações de há três meses não é um estado actual.
- Domínios de concorrentes citados no seu lugar, não só a sua própria presença ou ausência.
- Famílias de consultas reportadas em separado: identidade, informativa, transacional, e qualquer família de implementação ou específica de agentes relevante para o seu negócio.
- Se a monitorização teve em conta a renderização. Se o seu site ou o conjunto de concorrentes usa renderização pesada do lado do cliente, pergunte se o método do fornecedor consegue sequer detectar conteúdo atrás de JavaScript.
Como corrigir a falta de citações em IA
A monitorização diz-lhe qual família está partida. Não corrige nada sozinha, e a correcção depende do tipo de lacuna que está a ver.
Lacunas de identidade e informação respondem normalmente a trabalho on-page: HTML renderizado no servidor com factos de suporte de carga presentes na resposta em bruto, dados estruturados, blocos de conteúdo densos em factos, e sinais claros de entidade que resolvem quem é e o que faz. Este é o piso, e é table stakes precisamente porque a maioria dos assistentes IA ocidentais só lê HTML em bruto em vez de executar JavaScript do lado do cliente. Se os seus factos-chave carregam atrás de um script, nenhum polimento on-page corrige a lacuna, porque o assistente nunca viu o conteúdo para começar.
A Semrush relatou a 21 de outubro de 2026 como a Feature Upvote corrigiu uma resposta errada do AI Overview da Google: perante a pergunta sobre se o produto tinha API, o AI Overview respondia que não e citava um par de artigos antigos do blogue com comentários de passagem nesse sentido, em vez da nova documentação de ajuda da API REST pública. O fundador corrigiu essas páginas e submeteu-as para indexação a 28 de julho de 2026, e em menos de uma hora o AI Overview passou a responder que sim. O próprio guia da Semrush conta com semanas a meses para alterações deste tipo, por isso essa hora é um caso isolado. A 10 de setembro a resposta continuava certa, mas citava outras páginas, e é por isso que um prompt assim fica na lista de verificações periódicas.
Lacunas transacionais e de implementação IA raramente fecham com mais um bloco FAQ ou uma landing page reescrita. Os modelos citam o que a web aberta corrobora: respostas técnicas independentes, listagens verificáveis em directórios, menções de terceiros e sinais off-page que reforçam a entidade para além do seu próprio domínio. O meu zero de baseline em prompts WooCommerce e de implementação IA persistiu apesar de conteúdo on-page já maduro, e isso é em si o diagnóstico: quando a qualidade on-page não é o gargalo, a correcção tem de sair off-page. Em lojas Woo portuguesas isso significa muitas vezes visibilidade em comparações independentes de integradores ERP e case studies de parceiros, não mais um H2 na própria página de serviços.
O playbook de visibilidade AI e LLM ordena estas alavancas da forma como as implemento em programas de clientes: primeiro on-page como piso, depois off-page como a alavanca que realmente move taxas de citação transacional.
Nota de fecho
A monitorização não é a linha de chegada, é o instrumento que diz onde gastar. Um único score de visibilidade IA vai sempre lisonjear a sua vitória mais fácil e esconder a lacuna mais cara, que é exactamente o contrário do que o procurement precisa. Separe por família de consultas, acompanhe menção da marca, citação de URL, domínios de concorrentes e share of voice em vez de um agregado misturado, corra verificações semanais e reexecuções batch a cada seis a oito semanas, e nunca cite um número sem declarar o motor, a data e se veio de uma interface de consumidor ou de um proxy API. Uma checklist de implementação específica para WordPress está em prontidão WordPress para pesquisa IA (GEO/AEO). Se quiser esta instrumentação construída e operada contra a sua própria propriedade, ligada às correcções on-page e off-page que cada tipo de lacuna realmente precisa: esse é o programa que o meu serviço de otimização GEO e LLMO entrega.
