Uma queda de menção da marca em respostas de IA é real quando três condições se cumprem ao mesmo tempo: as duas leituras usam as mesmas perguntas, na mesma formulação e nos mesmos motores; os intervalos de confiança das duas taxas não se sobrepõem; e a diferença se repete numa segunda leitura. Fora disso, a variação costuma vir da composição da amostra. No monitor da Brasil GEO, a taxa de menção caiu de 23,5% na semana para 7,6% na rodada de 20/10/2026, e a comparação correta, com as mesmas perguntas de 13/10, mostrou estabilidade.
Por que a taxa de menção oscila tanto de um dia para o outro?
A taxa de menção oscila de um dia para o outro por três motivos alheios à reputação da marca: composição, tamanho da amostra e aleatoriedade do modelo. O primeiro é a composição: se a rodada de hoje tem mais perguntas educativas e menos perguntas de compra, a taxa cai, porque perguntas educativas raramente citam fornecedores. O segundo é o tamanho da amostra: com 144 respostas, uma diferença de 3 ou 4 menções muda a taxa em mais de 2 pontos percentuais. O terceiro é a aleatoriedade do modelo: a mesma pergunta, repetida minutos depois, pode devolver outra lista de nomes. No estudo da SparkToro publicado em 28/01/2026, 600 voluntários rodaram 12 prompts 2.961 vezes no ChatGPT, no Claude e na IA do Google, e a chance de o ChatGPT ou a IA do Google repetirem a mesma lista de marcas ficou abaixo de 1 em 100. Na mesma pesquisa da SparkToro, de 2026, o hospital City of Hope apareceu em 69 de 71 respostas (97%) e ficou em primeiro lugar em só 25: a lista muda e a presença pode continuar estável. Ruído é a variação da taxa que vem desses três motivos, sem mudança na presença real da marca.
Como era o caso de 20/10/2026?
A janela de 14 a 20/10/2026 somou 912 respostas com busca e a marca apareceu em 214 delas (23,5%). A rodada de 20/10, sozinha, teve 144 respostas e a marca apareceu em 11 (7,6%). Um alerta ingênuo dispararia uma queda de 16 pontos.
A rodada, porém, tinha uma composição própria: 92 respostas de perguntas de compra numa formulação, 36 de perguntas educativas e 16 de perguntas de controle em outra formulação. A janela de sete dias reunia outras perguntas e formulações. A comparação certa é com a última rodada de mesma composição, a de 13/10/2026:
| Medida | 13/10/2026 | 20/10/2026 |
|---|---|---|
| Página própria citada | 23 de 144 (16,0%) | 27 de 144 (18,8%) |
| Nome da marca citado | 12 de 144 (8,3%) | 11 de 144 (7,6%) |
Com as mesmas perguntas, formulações e motores, nada caiu.
Como decidir com o intervalo de confiança?
Decida pela separação das faixas: a queda só é real quando o intervalo de confiança da leitura nova fica inteiro abaixo do intervalo da leitura antiga. Intervalo de confiança é a faixa onde a taxa real provavelmente está, dado o número de respostas e um grau de certeza escolhido, em geral 95%. Para proporções, o método de Wilson é uma escolha comum em amostras pequenas, porque não produz limites abaixo de 0% nem acima de 100%; Brown, Cai e DasGupta o recomendaram para amostras pequenas na Statistical Science, em 2001.
No exemplo, a página própria foi citada em 16,0% das respostas de 13/10, com intervalo de 10,9% a 22,8%, e em 18,8% das de 20/10, com intervalo de 13,2% a 25,9%. As faixas se sobrepõem em quase toda a extensão, então a leitura é de estabilidade. Um alerta só deveria disparar se a faixa nova ficasse inteira abaixo da antiga.
Que regras um alerta automático de variação deve seguir?
- Mesma população. Compare só leituras com as mesmas perguntas, formulações, motores e modo de busca. Trocar de motor muda a amostra: segundo a Ahrefs, em estudo de 15/12/2025 com 540 mil pares de consultas, o AI Mode e o AI Overviews do Google citaram as mesmas URLs em 13,7% das vezes. Se algum desses itens mudou, o alerta vira nota de mudança de série.
- Intervalo, além da taxa. Calcule o intervalo de Wilson das duas leituras e exija separação entre as faixas.
- Mínimo de respostas. Abaixo de algumas dezenas de respostas por grupo, os intervalos ficam largos demais para separar qualquer coisa.
- Confirmação. Exija que a diferença apareça em duas leituras seguidas antes de acionar alguém.
- Registro de quebras. Anote cada mudança de perguntas, de modelo ou de classificador, com data. O monitor da Brasil GEO registra, por exemplo, a entrada de 8 perguntas de descoberta em 30/09/2026 e o início de uma nova série em 05/10/2026, para que ninguém compare períodos de regras diferentes.
O capítulo Medir a presença da marca com o mesmo teste todo mês, do curso gratuito de gestão de projetos de GEO, mostra como montar esse teste e guardar as condições de cada rodada.
Perguntas frequentes
Uma queda de 10 pontos sempre é real?
Não necessariamente. Com 144 respostas por leitura, os intervalos de 95% têm cerca de 10 a 13 pontos de largura nas taxas entre 10% e 20%. Uma diferença de 10 pontos pode caber dentro da variação esperada.
Posso comparar a semana inteira com o dia de hoje?
Só se a composição for a mesma. Na maioria dos monitores, a semana reúne perguntas que o dia não tem, e a comparação mistura amostras diferentes.
O que fazer quando o alerta é real?
Leia as respostas da pergunta que caiu, veja quais fontes o motor passou a citar e verifique se a sua página continua indexada e acessível. Mudança de modelo do provedor também explica quedas bruscas; registre a versão do modelo em cada resposta.
Ferramentas de monitoramento já fazem isso?
Algumas mostram a taxa diária sem intervalo nem controle de composição. Antes de contratar, pergunte quantas vezes cada pergunta roda, se as perguntas mudam entre leituras e como o alerta trata essas mudanças.
Fontes
- Monitor de citações da Brasil GEO (llm_citation_log, painel /admin/geo): janela de 14 a 20/10/2026, rodadas de 13/10/2026 e 20/10/2026 e registro de quebras de série. Leitura de 20/10/2026.
- Wilson, E. B. “Probable inference, the law of succession, and statistical inference”. Journal of the American Statistical Association, 22(158), 209-212, 1927.
- Brown, L. D.; Cai, T. T.; DasGupta, A. “Interval Estimation for a Binomial Proportion”. Statistical Science, 16(2), 101-133, 2001: https://projecteuclid.org/euclid.ss/1009213286
- SparkToro, Rand Fishkin, com Gumshoe, “AIs are highly inconsistent when recommending brands or products”, 28/01/2026: https://sparktoro.com/blog/new-research-ais-are-highly-inconsistent-when-recommending-brands-or-products-marketers-should-take-care-when-tracking-ai-visibility/
- Ahrefs, Despina Gavoyannis, “Are AI Mode and AI Overviews Just Different Versions of the Same Answer?”, 15/12/2025: https://ahrefs.com/blog/ai-overviews-vs-ai-mode/
