Para reduzir alucinações de IA sobre a sua empresa, publique uma versão oficial, datada e recuperável dos fatos em vez de corrigir cada resposta errada. O protocolo da Brasil GEO tem cinco frentes: página de entidade com fundação, fundador, oferta e área de atuação; evidência curta e citável em cada página; a mesma descrição em todas as superfícies da marca; desambiguação de homônimos; e medição das respostas dos motores em cadência.
A própria Brasil GEO convive com dois riscos de confusão desde que nasceu. A forma invertida do nome, com as duas palavras trocadas de ordem, pertence a outra empresa, sem relação com a consultoria. O fundador, Alexandre Caramaschi, tem homônimos, entre eles um engenheiro civil que ensina Revit. Nenhum dos dois riscos se resolve discutindo com um chatbot; os dois estão escritos na descrição que o site publica da empresa e da pessoa.
A tese deste texto é que alucinação sobre empresa é, antes de tudo, falta de fonte, e se trata na fonte. O modelo completa com o provável o que não encontra escrito, e a resposta corrigida à mão volta a errar na execução seguinte se a lacuna continuar aberta.
Por que a IA inventa fatos sobre uma empresa?
Porque não encontra uma versão única e recuperável dos fatos e completa a lacuna com a estatística da língua. Quando a descrição muda de página para página, o ano de fundação aparece de três jeitos e nenhum documento reúne os dados básicos em texto visível, o modelo preenche o vazio com o que soa provável. Colisão com homônimos agrava o quadro, porque o motor tende a ficar com a entidade mais documentada.
O erro tem duas origens. Na camada paramétrica, o modelo responde de memória, com o que absorveu no treino. Na camada de recuperação, busca na web enquanto responde e usa o que consegue ler naquele instante, e é nessa segunda camada que a empresa age diretamente.
“O problema dos erros da IA, as famosas alucinações, é que, pelo modo como os LLMs funcionam, os erros tendem a ser muito plausíveis. Por isso, as alucinações são muito difíceis de detectar.”
Ethan Mollick, professor associado da Wharton School, Universidade da Pensilvânia, em 15 Times to use AI, and 5 Not to (2024). Tradução livre.
O risco comercial está na palavra plausível. Um fundador trocado ou um serviço inexistente, descrito com fluência, passa pelo cliente sem alarme.
Corrigir cada resposta ou publicar fatos de referência?
Publicar. Corrigir resposta a resposta trata o sintoma de uma execução e ignora que a próxima vai reconsultar as mesmas fontes. O null-report Three Ways to Fail to Conclude (SSRN 6636298), publicado em 2026, reuniu 7.052 respostas de quatro modelos em produção sobre 69 entidades e documentou variação de citação entre motores e entre janelas de tempo. Intervenção pontual não sobrevive a essa variação; fonte publicada e consistente sobrevive.
A fonte própria é o ponto de partida, e sozinha cobre pouco. A McKinsey observou em outubro de 2025 que, em muitos casos, os sites próprios de uma marca respondem por apenas 5% a 10% das fontes que a busca com IA consulta ao responder sobre ela. A página de entidade fixa a versão oficial; imprensa, diretórios e perfis precisam repetir a mesma versão para que o motor a encontre em mais de um lugar.
Os cinco passos, na ordem em que funcionam
A ordem importa porque cada passo depende do anterior. Sem página de entidade não há versão oficial para repetir, sem descrição única a desambiguação fica sem referência e sem medição ninguém sabe se o erro caiu. A lista segue a sequência que a Brasil GEO aplica, do fato de base à medição em cadência, e cada item tem um critério de pronto.
- Página de entidade. Nome oficial, quem fundou e quando, quem responde pela gestão, o que a empresa faz e em qual território, tudo em texto visível, como na página de entidade da Brasil GEO.
- Evidência citável. Uma pergunta como título, duas a quatro frases que respondam sozinhas e um número ou data com a origem na mesma frase.
- Descrição única. A mesma frase sobre a empresa no site, nos perfis, no press kit e nos dados estruturados. O Entity Consistency Score mede isso numa matriz de dez fatos por oito plataformas, com alvo acima de 0,9.
- Desambiguação. Homônimos e marcas parecidas nomeados de forma explícita, com a razão de não se confundirem, como a Brasil GEO faz com a forma invertida do nome e com os homônimos do fundador.
- Medição em cadência. Banco fixo de perguntas nos quatro motores principais, rodado na mesma frequência, com janela de tempo declarada.
O que cada camada técnica resolve e o que não resolve
Texto visível é o que o modelo lê e parafraseia, dados estruturados desambiguam, arquivos de descoberta sinalizam acesso e presença fora do domínio dá o volume de fontes independentes. Nenhuma camada amplifica citação sozinha, e vender schema ou llms.txt como causa de citação é promessa sem lastro. A tabela traz, para cada camada, o número que sustenta essa leitura.
| Camada | Papel real | Número de referência |
|---|---|---|
| Texto visível da página | Fonte que o modelo lê e parafraseia | Sites próprios respondem por 5% a 10% das fontes da busca com IA sobre a marca (McKinsey, outubro de 2025) |
| Dados estruturados | Desambiguação de entidade e coerência com o texto | Sem ganho material de citação em 1.885 páginas comparadas a cerca de 4.000 controles (Ahrefs, maio de 2026) |
| Arquivos de descoberta | Sinalização de acesso: robots, sitemap e llms.txt | Cerca de 0,1% dos acessos de bots de IA miram o llms.txt (medição da OtterlyAI) |
| Presença fora do domínio | Cobertura editorial e listas de terceiros | 84% das citações de IA vêm de mídia conquistada (Muck Rack, maio de 2026) |
Um dado de outro contexto mostra por que fato organizado reduz erro. No benchmark da data.world publicado em 2023, o GPT-4 acertou 16% das perguntas corporativas feitas direto sobre um banco SQL e 54% quando as mesmas perguntas foram feitas sobre um grafo de conhecimento. O teste mede perguntas internas, e não citação em busca aberta, mas indica que o modelo erra menos quando os fatos chegam com as relações explícitas.
Como medir se o erro caiu?
Medindo distribuição, e não uma resposta. A régua da Brasil GEO pede pelo menos cinco execuções por consulta no monitoramento contínuo e pelo menos trinta para comparar antes e depois de uma intervenção, com a janela de tempo declarada. Três indicadores bastam para começar: presença da marca na resposta, proporção de fatos corretos numa amostra lida por duas pessoas e fontes citadas pelo motor.
“Essas ferramentas são motores de probabilidade: foram projetadas para gerar respostas únicas a cada vez. Tratá-las como fontes de verdade ou de consistência é comprovadamente absurdo.”
Rand Fishkin, cofundador e CEO da SparkToro, em NEW Research: AIs are highly inconsistent when recommending brands or products (2026). Tradução livre.
Se cada execução gera uma resposta nova, uma captura de tela prova pouco; prova a proporção de respostas corretas numa amostra grande o bastante. O post Alucinação vs. fatos: como tornar seu negócio a fonte de verdade para IAs aprofunda a construção dessa fonte, e o guia completo sobre alucinações de IA reúne o protocolo com todas as fontes.
No caso da Brasil GEO, os dois avisos de desambiguação passam pela mesma régua. As perguntas sobre a consultoria e sobre o fundador rodam em cadência, e a contagem que interessa é quantas respostas trocam a empresa pela homônima ou o fundador pelo engenheiro. O aviso é o começo; a série de medições diz se ele funcionou.
Perguntas frequentes
Quantas execuções provam que o erro caiu?
Pela régua da Brasil GEO, pelo menos trinta execuções por consulta para comparar antes e depois de uma intervenção, com a janela de tempo declarada. Abaixo disso, a variação normal do modelo se confunde com efeito do trabalho.
O que fazer quando o erro é sobre o fundador?
Publicar uma página de referência da pessoa com cronologia de cargos, cada linha com data e fonte externa, e alinhar a descrição usada pela imprensa, como detalha o guia de PR digital para citação em IA. Cargo antigo com data antiga é registro histórico; o erro aparece quando o cargo circula sem data.
Uma consultoria pode garantir que a IA pare de errar?
Não. Nenhum fornecedor controla a resposta de um modelo. O trabalho reduz a lacuna que produz o erro e mede, em série, se a proporção de respostas corretas subiu.
Alexandre Caramaschi é Chief Strategy Officer da Nuvini (Nasdaq: NVNI). As opiniões deste texto são emitidas na condição de Founder da Brasil GEO e não representam posição da Nuvini.
