Porque é que o Perplexity cita a sua marca e o ChatGPT não

Se já leu o nosso artigo complementar sobre monitorização e métricas de citação em IA, este artigo responde a uma pergunta diferente. Esse guia trata da frequência com que se deve verificar e do que registar. Este trata de porque é que os dois assistentes ocidentais mais citados discordam tantas vezes sobre a mesma marca, e o que essa discordância deveria mudar na forma como lê um relatório, dá indicações a uma agência ou aprova um fornecedor de GEO.

#Como se manifesta na prática a divergência entre Perplexity e ChatGPT

O padrão não é subtil quando se separam os motores em vez de os fazer a média. No nosso próprio conjunto de prompts monitorizados, os dois produtos comportam-se de forma suficientemente diferente para que reportar um único número de “visibilidade em IA” esconda a história mais útil.

Duas coisas nesta tabela importam mais do que a própria lacuna em destaque. Primeiro, a linha do prompt de identidade é idêntica para ambos os motores, o que significa que o zero do ChatGPT não é uma incapacidade geral de encontrar ou descrever a marca. Está concentrado numa família de consultas específica, o mesmo segmento transacional e informativo em que o nosso artigo de referência anterior documentou um zero mais amplo. Segundo, a linha da renderização também é idêntica, o que exclui a desculpa técnica mais comum. Seja o que for que explique a divergência, não é o facto de o ChatGPT não conseguir analisar a página e o Perplexity conseguir.

#Porque é que os dois motores fundamentam respostas de forma diferente

A resposta honesta mantém-se próxima do comportamento observado e evita adivinhar uma arquitetura interna que nenhum de nós consegue ver. O que podemos descrever é o padrão, repetido ao longo dos nossos próprios ciclos de medição: o Perplexity está construído e comercializado como um produto de pesquisa, e o seu comportamento por defeito na maioria das consultas factuais ou comparativas é executar uma pesquisa web em direto e citar o que encontra, mesmo para páginas restritas ou recentemente atualizadas que ainda não acumularam muita autoridade de terceiros. Essa é a proposta de valor central do produto, por isso a obtenção em direto é a regra, não a excepção.

O comportamento de consumo por defeito de um assistente de uso geral, no mesmo período de medição, seguiu um caminho diferente. Não porque seja incapaz de navegar, mas porque a própria consulta, o contexto da sessão ou o encaminhamento do próprio produto determinaram que uma obtenção em direto não era o caminho por defeito para esse prompt em particular. O efeito prático é o mesmo independentemente da causa exata: uma página que o Perplexity obteria e citaria hoje pode simplesmente nunca ser consultada numa sessão equivalente do ChatGPT, o que significa que a oportunidade de citação nunca chega a abrir-se.

Isto é uma diferença na invocação de obtenção, não uma diferença de compreensão ou de renderização. O teste da CitationOne/Alpar de junho de 2026 confirma diretamente a segunda parte desta afirmação: ambos os motores leem, quando de facto obtêm uma página, apenas HTML em bruto, sem uma lacuna significativa na forma como interpretam o que encontram. A lacuna está mais atrás no processo, em saber se ocorre sequer uma obtenção para uma dada consulta, o que é exatamente a razão pela qual fazer a média dos dois motores numa única pontuação de visibilidade destrói o sinal que lhe diria onde direcionar o esforço de correção.

Um último ponto mecânico que merece ser dito com clareza: a fundamentação por pesquisa em direto premeia a atualidade e a indexabilidade restrita de uma forma que a fundamentação por conhecimento treinado não faz. Uma página atualizada no mês passado, que descreve um serviço específico, com sinais de entidade claros e sem ambiguidade sobre quem o oferece, é exatamente o tipo de resultado que um produto de pesquisa em direto mostra bem. Essa mesma página, se o assistente que responde à pergunta nunca ativar uma obtenção para essa consulta, não tem nenhuma oportunidade de ser avaliada. Isso é uma lacuna de oportunidade de obtenção, e explica os nossos dados melhor do que qualquer teoria sobre a qualidade do conteúdo.

#Prova em primeira mão da nossa referência do Geoboard

Não publicamos esta afirmação como uma teoria geral retirada da auditoria de outra pessoa. Medimo-la no nosso próprio site. A nossa referência do Geoboard, datada de 2026-06-11 e descrita na íntegra em como acompanhámos as nossas próprias citações de IA durante 90 dias, executou o mesmo conjunto fixo de prompts contra seis modelos. Dois resultados dessa única execução são particularmente relevantes para este artigo.

O primeiro resultado: no prompt de identidade restrito “agência polaca para clientes de WordPress estrangeiros”, a wppoland.com ficou em primeiro lugar em cinco de seis modelos. O segundo resultado, da mesma execução, da mesma data, das mesmas páginas subjacentes: o ChatGPT mostrou presença zero em oito prompts monitorizados no segmento de ponto cego desse conjunto de prompts, enquanto o Perplexity foi o mais forte dos seis motores testados. Ambos os resultados provêm do mesmo lote, por isso nenhum deles pode ser explicado por uma diferença na atualidade do conteúdo, alterações de página ou desalinhamento no momento da medição entre eles. A variável que mudou foi a família de consultas e o motor, não o site.

Essa combinação é a verdadeira descoberta que merece ser levada a sério, mais importante do que qualquer um dos dois números isoladamente. Uma marca pode ser corretamente identificada e até classificada em primeiro lugar por um motor num tipo de consulta, sendo ao mesmo tempo invisível para outro motor noutro tipo de consulta, usando exatamente a mesma presença web. Nenhuma abordagem de monitorização que reporte uma única pontuação agregada entre motores e famílias de consultas pode representar essa realidade. Ou vai suavizar o zero do ChatGPT numa média de aspeto aceitável, ou, com menos generosidade, vai escondê-lo detrás de uma vitória do Perplexity que um cliente ou interessado nunca chega a ver detalhada.

#Quando a monitorização por API lhe mente

A divergência entre motores agrava-se, não melhora, quando se acrescenta o método de medição à imagem. O nosso ciclo de medição do segundo trimestre de 2026, documentado na íntegra em medir as nossas próprias citações de IA, executou três capturas ao longo de um trimestre e expôs um segundo eixo de discordância que está por detrás da divergência entre motores: os resultados de proxy de API e os resultados reais do produto de consumo não coincidem, e a lacuna entre eles pode ser maior do que a lacuna entre motores.

Em abril, uma captura de proxy de API reportou uma taxa de menção de marca de 7,7 por cento e uma taxa de citação de URL de 0 por cento para o ChatGPT em 26 consultas, com diretórios e sites de ofertas de emprego citados em vez das próprias páginas da marca. Em maio, uma segunda captura de proxy devolveu um resultado indeterminado para as 20 consultas testadas, o que é o instrumento a admitir que não conseguia determinar se a fundamentação tinha sequer ocorrido. Só em junho, quando a mesma equipa passou a ler resultados reais do produto de consumo em vez de um proxy de API, é que a imagem coincidiu com o que a referência do Geoboard posterior viria a confirmar: ChatGPT mais fraco, Perplexity mais forte, para a mesma marca.

A lição generaliza-se além do nosso próprio site. Um proxy de API chama um endpoint do modelo e inspeciona a resposta de texto em bruto. Isso é barato, repetível e fácil de programar num painel. Também é frequentemente um produto diferente daquele que um cliente real utiliza, e os dois podem divergir o suficiente para que citar um número de proxy como “visibilidade em IA” sem indicar o método seja quase sem sentido. Se um relatório afirma uma taxa de citação no ChatGPT ou no Perplexity, a primeira pergunta a fazer é se o número vem da interface de consumo real ou de uma chamada de API que a substitui. Os nossos próprios números moveram-se mais entre métodos de medição no mesmo trimestre do que depois se moveram entre os dois motores mais relevantes. Isso devia preocupar qualquer pessoa que compre um relatório de monitorização com base num único gráfico de aspeto agradável.

#A quem deve importar esta divergência

Isto não é uma preocupação de nicho apenas para profissionais de SEO. Três grupos tomam decisões que a divergência entre Perplexity e ChatGPT afeta diretamente, e cada um deles está atualmente mais propenso a ver um número misturado do que a divergência que na verdade deveria informar a sua decisão.

Avaliadores técnicos B2B que investigam um fornecedor perguntam cada vez mais a um assistente antes de sequer abrir um motor de pesquisa. Se esse avaliador recorre por defeito ao ChatGPT e o comportamento de citação da sua marca está concentrado no Perplexity, é invisível para uma parte significativa do seu próprio funil de investigação, e nenhuma quantidade de polimento on-page altera isso enquanto a própria lacuna de oportunidade de obtenção não for resolvida.

As equipas de compras que avaliam um fornecedor de GEO ou de visibilidade em IA são o público mais exposto ao problema da média, porque um fornecedor que vende um produto de monitorização tem todos os incentivos para reportar um único número tranquilizador em vez de dois números em que um é incómodo. As compras devem tratar qualquer número de visibilidade em IA que não nomeie o motor, o prompt exato, a data e o método como não verificável, pela mesma razão que rejeitariam uma afirmação financeira sem fonte.

As agências que reportam resultados de citação em IA aos seus próprios clientes carregam aqui o risco profissional direto. Reportar uma única linha de “a visibilidade em IA melhorou” quando a realidade subjacente é “o Perplexity melhorou, o ChatGPT ficou em zero” é o tipo de afirmação que fica bem num diapositivo e se desmorona na primeira pergunta de acompanhamento de um cliente. A versão honesta desse relatório é mais longa e menos favorável, e é também a versão que sobrevive ao escrutínio.

#O que corrigir quando o Perplexity o cita mas o ChatGPT não

Esta é a direção mais comum desta divergência nos nossos próprios dados, e provavelmente na maioria das marcas que ainda estão a construir autoridade específica de IA em vez de autoridade web geral. Há três coisas que vale a pena verificar, por ordem.

Primeiro, confirme que a lacuna é real e não um artefacto de medição. Repita exatamente os mesmos prompts, não paráfrases, no produto de consumo real do ChatGPT, não num proxy de API, e registe a data, a redação do prompt e o resultado. O nosso próprio ciclo do segundo trimestre mostrou o quanto uma captura de proxy sozinha pode enganar.

Segundo, separe as famílias de consultas antes de assumir que toda a marca é invisível para o ChatGPT. A nossa referência mostrou a lacuna concentrada em famílias de consultas transacionais e informativas, enquanto um prompt de identidade que usava as mesmas páginas continuou a dar um resultado forte. Um problema do ChatGPT à escala de toda a marca e um problema do ChatGPT específico de uma família de consultas exigem correções diferentes, e misturá-los desperdiça esforço na correção errada.

Terceiro, e esta é a correção que realmente move o indicador para a lacuna transacional em particular, invista em corroboração fora da página em vez de mais uma ronda de conteúdo on-page. Um produto de pesquisa em direto como o Perplexity premeia diretamente uma página bem estruturada e atual. Um assistente de uso geral, que se apoia numa associação mais ampla, premeia uma marca que o resto da web aberta já corrobora, menções de terceiros, respostas técnicas independentes, listagens de diretórios verificáveis e contribuições nomeadas em locais em que o treino ou a obtenção do assistente já confiam. O trabalho on-page é a base. Não é a palanca que fecha esta lacuna em particular.

#O que corrigir quando acontece o inverso

O padrão inverso, o ChatGPT a citar uma marca que o Perplexity não cita, surge com menos frequência em famílias de consultas impulsionadas pela atualidade ou por uma correspondência de nicho restrita, mas merece uma breve nota porque a correção é diferente. Se uma marca tem forte associação web geral, ligações de entrada, menções na imprensa, um nome conhecido, mas as suas próprias páginas são pobres, desatualizadas ou lentas a atualizar, um assistente de uso geral que se apoia numa associação treinada mais ampla ainda pode resgatar a marca da memória ou de uma corroboração ampla, enquanto um produto de pesquisa em direto que obtém a página atual real encontra ali menos para citar e passa para o resultado mais recente de um concorrente.

A correção nessa direção é praticamente o espelho do primeiro caso: menos sobre a autoridade fora da página, que já está presente, e mais sobre garantir que a versão em direto e obtível da página reflete verdadeiramente a autoridade que a marca tem noutros locais. Atualize a página, torne explícitas e atuais as afirmações concretas que uma obtenção de pesquisa em direto quereria citar, e confirme que o conteúdo que sustenta a reputação da marca não reside apenas na cobertura de imprensa ou em perfis de terceiros que uma rastreabilidade em direto não associaria diretamente ao domínio consultado. Esta direção da divergência é mais rara na nossa própria medição, mas é a que mais provavelmente surpreende uma marca que assumiu que a reputação geral se transferiria automaticamente para o comportamento de citação por pesquisa em direto.

#Como monitorizar ambos sem fazer a média

Nada do que foi dito acima é aplicável sem uma abordagem de monitorização que mantenha os dois motores, e os dois métodos de medição, separados em cada passo. O nosso guia complementar sobre monitorização e métricas de citação em IA cobre em detalhe a tabela completa de cadência e a lista de métricas; o resumo relevante aqui é mais restrito.

Registe cada resultado com quatro campos: o motor, o prompt exato, a data e se a fonte foi o produto de consumo ou um proxy de API. Nunca junte os resultados do Perplexity e do ChatGPT numa única média, e nunca cite um número de proxy sem indicar que veio de um proxy. Repita uma lista fixa de prompts semanalmente nas interfaces de consumo reais para detetar rapidamente alterações de produto, e reserve ferramentas de lote multimodelo mais pesadas, do tipo que produziu a nossa própria referência do Geoboard, para uma cadência de seis a oito semanas em que a comparação de tendências realmente signifique algo.

Se está a construir ou a auditar este tipo de monitorização pela primeira vez, comece por confirmar que o conteúdo do seu site é sequer elegível para ser citado. A maioria dos assistentes de IA ocidentais lê apenas HTML em bruto, não JavaScript executado, o que é uma condição prévia que está por detrás de cada resultado específico de motor descrito neste artigo. Um zero causado pela renderização do lado do cliente parece idêntico a um zero causado por uma lacuna de obtenção genuína até verificar qual dos dois está de facto a ver.

#Nota final

A coisa mais útil que os nossos próprios dados produziram até agora não é uma pontuação. É uma divergência: um motor que nos cita, e outro que, no mesmo dia, nas mesmas páginas, não o fez. Essa divergência não é um defeito a esconder de um cliente ou interessado. É a informação mais aplicável que um programa de monitorização pode produzir, porque lhe diz precisamente qual mecanismo corrigir, corroboração fora da página para a lacuna com a forma do ChatGPT, atualidade e especificidade de página para o caso inverso mais raro, em vez de o mandar de volta a reescrever uma página que nunca foi o verdadeiro problema. Estamos a acompanhar se esta divergência se estreita ao longo dos próximos noventa dias como parte da nossa própria série de citações de IA de 90 dias, e vamos reportá-la da mesma forma que a estamos a reportar aqui: por motor, por data e por método, nunca feita a média para um número que favorece um resultado e esconde o outro. Se quiser que este diagnóstico seja executado no seu próprio site, com a divergência detalhada por motor e família de consultas em vez de comprimida numa única pontuação, esse é o ponto de partida do nosso manual de visibilidade em IA e LLM e do programa que o nosso serviço de otimização GEO e LLMO disponibiliza.