Como os LLMs decidem quais marcas recomendar? Estudo Inédito

Modelos de linguagem como ChatGPT, Gemini, Perplexity e Claude recomendam marcas com base em uma combinação de padrões aprendidos durante o treinamento, busca web em tempo real e sinais de autoridade de terceiros — não por posicionamento pago. Segundo projeção da McKinsey, US$ 750 bilhões em gastos do consumidor nos EUA passarão por buscas com IA até 2028, mas apenas 16% das marcas monitoram sua performance em buscas generativas. Na GeoStack, monitoramos semanalmente como marcas brasileiras aparecem no ChatGPT, Gemini e Perplexity — e a maioria das empresas sequer sabe se está sendo mencionada ou ignorada por esses motores.

Os dois sistemas de conhecimento que determinam a seleção de marcas

Todo LLM (Large Language Model, ou modelo de linguagem de grande escala) opera por meio de dois mecanismos distintos ao recomendar marcas: o conhecimento paramétrico e o conhecimento aumentado por recuperação.

O conhecimento paramétrico é o que o modelo aprendeu durante o pré-treinamento em enormes volumes de dados da web. O ChatGPT, por exemplo, foi treinado em aproximadamente 570 GB de dados incluindo Common Crawl, Wikipédia, livros e fóruns. Isso cria associações estatísticas entre marcas, categorias e atributos. Marcas com décadas de presença digital acumulada têm uma vantagem estrutural aqui — o modelo simplesmente encontrou essas marcas mais vezes, em mais contextos. Somente a Wikipédia representa 47,9% das 10 fontes mais citadas pelo ChatGPT, o que dá a qualquer marca com uma página bem referenciada na Wikipédia uma vantagem de base no conhecimento do modelo.

O segundo mecanismo é o RAG (Retrieval-Augmented Generation), ou geração aumentada por recuperação, combinado com busca web em tempo real. Esse sistema é o que domina a seleção de marcas na prática. Cerca de 46% das interações com o ChatGPT já utilizam busca web integrada. O Perplexity faz uma busca nova em tempo real para cada consulta. O Gemini do Google utiliza o “Grounding with Google Search”, em que o modelo gera autonomamente múltiplas consultas de busca, recupera resultados do índice do Google e sintetiza respostas com citações inline. Isso significa que a presença web em tempo real importa tanto quanto — ou mais do que — os dados de treinamento para a visibilidade de marcas.

Cada plataforma consulta índices de busca diferentes, criando recomendações de marcas dramaticamente distintas. O ChatGPT depende primariamente da API do Bing, com 87% de suas citações correspondendo aos principais resultados orgânicos do Bing (Seer Interactive). O Perplexity usa seu próprio índice seletivo com forte ponderação por atualidade. O Google AI Mode consulta o índice completo de busca do Google. A consequência prática é marcante: apenas 12% das fontes citadas se sobrepõem entre ChatGPT, Perplexity e Google AI. Uma marca visível em uma plataforma pode ser invisível em outra — e é exatamente por isso que a GeoStack monitora todas elas simultaneamente para seus clientes no mercado brasileiro.

O que a pesquisa de Princeton sobre GEO revelou

O trabalho acadêmico fundacional sobre este tema é “GEO: Generative Engine Optimization” de Pranjal Aggarwal (IIT Delhi), Vishvak Murahari, Ameet Deshpande e Karthik Narasimhan (Princeton University), publicado no ACM KDD 2024 (arXiv:2311.09735, novembro de 2023). Esse paper cunhou o termo “Generative Engine Optimization” — GEO, ou Otimização para Motores Generativos — e forneceu o primeiro framework sistemático para entender como a visibilidade de conteúdo funciona em respostas geradas por IA.

Os pesquisadores criaram o GEO-bench, um benchmark de 10.000 consultas em domínios diversos, e testaram nove estratégias de otimização. A conclusão principal: métodos de GEO podem aumentar a visibilidade de fontes em até 40% nas respostas de motores generativos. No motor real Perplexity.ai, alcançaram 37% de melhoria em sua métrica de impressão subjetiva. O achado mais relevante para profissionais de marketing: o método “Cite Sources” (citar fontes) produziu um aumento de 115,1% na visibilidade para sites originalmente ranqueados em 5º lugar na busca tradicional — enquanto sites no topo do ranking tiveram sua visibilidade reduzida. Isso sugere que GEO pode nivelar o campo de jogo para marcas menores.

As nove estratégias testadas, classificadas por efetividade, foram: (1) citar fontes confiáveis, (2) adicionar citações relevantes, (3) incluir estatísticas, (4) melhorar a fluência textual e (5) adotar um tom autoritativo. O keyword stuffing tradicional, ao contrário, reduziu a visibilidade — um achado crítico para profissionais que ainda aplicam táticas antigas de SEO. A abordagem mais eficaz combinou otimização de fluência com inclusão de estatísticas. A efetividade também variou por domínio: estatísticas funcionaram melhor para consultas sobre leis e governo, citações dominaram em temas sobre pessoas e sociedade, e o tom autoritativo performou melhor em perguntas de debate.

André HP, fundador da GeoStack e um dos primeiros especialistas em GEO no Brasil, acompanha essa pesquisa desde sua publicação e aplica esses achados de forma adaptada ao mercado brasileiro — onde os padrões de citação e autoridade de domínio têm nuances próprias.

Vieses de marca: LLMs favorecem marcas globais sobre locais

Além dos mecanismos técnicos, pesquisas recentes revelam vieses sistemáticos na forma como LLMs tratam marcas. O estudo de Kamruzzaman, Nguyen e Kim (EMNLP 2024, University of South Florida) demonstrou que LLMs exibem viés consistente de marca: associam marcas globais com atributos positivos enquanto marginalizam marcas locais, e recomendam marcas de luxo para países de alta renda em 88–100% das vezes versus marcas não-luxo para países de baixa renda em 84–98%.

O estudo de Kumar e Lakkaraju (Harvard, 2024) mostrou que adicionar uma sequência estratégica de texto a uma página de produto pode manipular significativamente as recomendações de LLMs — mesmo quando o texto parece incoerente para leitores humanos. E Filandrianos et al. (EMNLP 2025) descobriram que vieses cognitivos estão profundamente embutidos nos LLMs: prova social (social proof) aumenta consistentemente as recomendações de produtos, enquanto sinais de escassez surpreendentemente as reduzem.

Um estudo particularmente relevante de Chen et al. (University of Toronto, 2025) analisou tipos de fontes comparando busca com IA versus busca tradicional. Motores de busca com IA mostram viés sistemático em favor de mídia conquistada (earned media): para carros elétricos nos EUA, o Google mostrou um mix equilibrado (45% mídia conquistada, 40% conteúdo da marca, 15% social), enquanto o ChatGPT mostrou 81,9% de mídia conquistada e 0% de conteúdo social. Esse padrão de “dominância da mídia conquistada” foi consistente entre setores e mercados.

Para o cenário brasileiro, onde a GeoStack acompanha a evolução desses vieses, isso tem implicação direta: marcas brasileiras que investem exclusivamente em conteúdo próprio estão negligenciando a fonte que os LLMs mais valorizam.

Os nove fatores que determinam a visibilidade de marca em respostas de IA

Cruzando pesquisa acadêmica com estudos de mercado em larga escala (análise da BrightEdge de dezenas de milhares de prompts, estudo da Seer Interactive com mais de 300.000 palavras-chave, e análise do Ahrefs de 36 milhões de AI Overviews), emerge uma hierarquia clara de fatores de seleção de marcas:

1. Autoridade de terceiros é o sinal dominante. Menções em listas autoritativas — compilações de “melhores”, rankings de indústria, roundups de especialistas — representam 41% da lógica de recomendação do ChatGPT, segundo a quantificação da Onely. Conteúdo de terceiros é citado 3x mais frequentemente do que conteúdo da própria marca. Prêmios e acreditações contribuem com 18%, e avaliações online adicionam 16%.

2. Rankings de busca continuam sendo fundamentais. A Seer Interactive encontrou uma correlação de 0,65 entre ranking na primeira página do Google e menções de marca por LLMs. Os 20 primeiros resultados do Bing têm 87% mais probabilidade de citação no ChatGPT. Porém, essa relação está se flexibilizando: 28% das páginas mais citadas pelo ChatGPT têm zero de visibilidade orgânica na busca do Google.

3. Atualidade do conteúdo é agressivamente ponderada. O Perplexity extrai 50% de suas citações apenas de conteúdo do ano corrente. O ChatGPT extrai 71% de conteúdo de 2023–2025. Quase 65% da atividade de crawl de bots de IA mira conteúdo publicado no último ano. Para o Perplexity especificamente, o ponto ideal de atualidade é aproximadamente 30 dias.

4. Presença na Wikipédia. A Wikipédia funciona como uma âncora de entidade para o conhecimento paramétrico dos modelos.

5. Recência e velocidade de avaliações. Pesquisa do G2 descobriu que 8–12 avaliações por mês performam consistentemente melhor do que 400 avaliações estagnadas.

6. Dados estruturados e schema markup. O Principal Product Manager da Microsoft confirmou em março de 2025 que schema ajuda LLMs a entender conteúdo de forma mais precisa.

7. Co-ocorrência de entidade com líderes do setor. Quando uma marca aparece frequentemente nos mesmos contextos que líderes reconhecidos do setor, os LLMs absorvem essa associação.

8. Presença em Reddit e fóruns. O Reddit é o domínio mais citado em respostas de LLMs em geral.

9. Otimização no nível de passagem. Parágrafos autônomos de 120–180 palavras com cabeçalhos claros, respostas diretas e informação autossuficiente têm 50% mais probabilidade de serem selecionados para respostas de IA.

Como cada plataforma de IA seleciona marcas: comparação plataforma por plataforma

Cada motor generativo tem lógica e fontes distintas. A tabela abaixo sintetiza as diferenças fundamentais:

ChatGPT menciona marcas em 99,3% das respostas sobre eCommerce, com média de 5,84 marcas por resposta, mas usando apenas 2.127 domínios únicos — o pool mais concentrado entre todos os motores. A Amazon aparece em 61,3% das citações de produtos. O ChatGPT detém aproximadamente 80% do market share entre chatbots de IA, com 900 milhões de usuários ativos semanais em fevereiro de 2026 (DemandSage).

Perplexity cita marcas em 85,7% das respostas de eCommerce, mas usa 8.027 domínios únicos — o pool mais diverso. Produz 8,79 citações por resposta (o maior entre todos os motores) e apresenta o viés de recência mais forte. O Perplexity abandonou seu programa de publicidade em fevereiro de 2026 (Search Engine Land), o que significa que marcas não têm acesso pago à visibilidade — apenas citações orgânicas importam.

Google AI Overviews são extremamente conservadores, mencionando marcas em apenas 6,2% das respostas. O Google AI Mode é muito mais generoso, com 81,7% de menções. Os AI Overviews dependem fortemente de YouTube (62,4% das citações) e Reddit (25,4%). Um achado crítico: o AI Mode apresenta extrema volatilidade, com apenas 9,2% de sobreposição de URLs ao rodar a mesma consulta três vezes. O Google usa uma técnica de “query fan-out”, gerando múltiplas sub-consultas em subtópicos simultaneamente antes de sintetizar respostas.

Microsoft Copilot é essencialmente um motor de síntese GPT-4 alimentado pelo Bing. Otimizar para o Bing é otimizar para o Copilot. O Bing pondera sinais sociais e meta descriptions mais pesadamente que o Google, e conteúdo do LinkedIn recebe impulsos de confiança algorítmica pela integração com o ecossistema Microsoft. Com mais de 400 milhões de usuários empresariais através do Microsoft 365, o Copilot influencia decisões de compra em escala.

Claude (Anthropic) opera primariamente a partir de conhecimento paramétrico, sem busca web nativa em sua versão base. Seu treinamento com Constitutional AI — guiado por uma constituição de 80 páginas baseada na Declaração Universal dos Direitos Humanos e outros frameworks — o torna inerentemente cauteloso, favorecendo marcas bem estabelecidas e de menor risco em recomendações.

Consumidores já usam IA para comprar — e a confiança está crescendo

A mudança para decisões de compra baseadas em IA não é emergente — é presente. Segundo estudo da McKinsey de agosto de 2025 (n=1.927), 50% dos consumidores agora buscam intencionalmente motores de busca com IA, e a maioria os chama de sua principal fonte digital para decisões de compra, abrangendo todas as faixas etárias incluindo baby boomers. O uso de IA generativa para compras cresceu 35% entre fevereiro e novembro de 2025, tornando-se a terceira aplicação de IA mais popular (BCG, 9.000+ respondentes em 9 países). Dados da Salesforce indicam que 39% dos consumidores — e 54% da Geração Z — já usam IA para descoberta de produtos.

A confiança ainda é dividida, mas com tendência de alta. A Gartner identificou que 53% dos consumidores não confiam em resultados de busca por IA para pesquisa de produtos. Porém, entre usuários ativos de IA especificamente, a confiança chega a 68% (Attest, n=5.000). Um comportamento revelador: 44% dos usuários de busca por IA dizem que ela é sua fonte principal e preferida de insights, superando busca tradicional (31%), sites de varejistas (9%) e sites de avaliação (6%), segundo a McKinsey.

No ambiente B2B, o movimento é igualmente acelerado: 73% dos compradores B2B já utilizam ferramentas de IA em pesquisa de compra (Yahoo Finance, análise multi-fontes).

A economia de tráfego favorece dramaticamente visitantes referidos por IA. Visitantes de busca por IA convertem a uma taxa de 14,2% versus 2,8% do orgânico do Google — uma vantagem de 5x. Visitantes de IA passam 68% mais tempo nos sites do que visitantes orgânicos tradicionais. No entanto, o tráfego de referência por IA ainda representa menos de 1% do total, tornando a otimização precoce uma vantagem estratégica de primeiro movimento.

A realidade do zero-click intensifica a urgência. Entre 58% e 65% das buscas no Google agora terminam sem nenhum clique. Quando AI Overviews estão presentes, as taxas de clique orgânico caem 61%. Para o Google AI Mode, aproximadamente 93% das buscas terminam sem clique. Marcas precisam otimizar para visibilidade dentro da resposta gerada pela IA, não apenas para gerar cliques.

Se você quer entender como sua marca é percebida por essas plataformas, a GeoStack oferece um diagnóstico de visibilidade em IA que mapeia a presença da sua empresa no ChatGPT, Gemini, Perplexity e Google AI Mode.

Como saber se minha marca aparece no ChatGPT?

O teste mais simples é fazer perguntas ao ChatGPT que um cliente faria antes de comprar seu produto ou serviço e verificar se sua marca é mencionada. Na GeoStack, usamos um processo sistemático que envolve submeter centenas de prompts comerciais em múltiplas plataformas e rastrear as respostas ao longo do tempo. O ponto crítico é que não basta testar uma vez: o AI Mode do Google, por exemplo, mostra apenas 9,2% de sobreposição de URLs ao rodar a mesma consulta repetidas vezes, o que significa que os resultados variam significativamente entre sessões.

Para uma verificação manual rápida, formule perguntas como um comprador real faria: “qual a melhor agência de marketing digital em São Paulo?”, “qual software de gestão financeira é mais indicado para PMEs?” ou “qual marca de tênis de corrida tem melhor custo-benefício?”. Compare as respostas entre ChatGPT, Perplexity e Google Gemini. Se sua marca não aparece em nenhum deles, o diagnóstico é claro: você está invisível para o canal de descoberta que mais cresce no mundo.

Quais estratégias de GEO realmente funcionam — e o que não funciona

Com base na convergência de pesquisa acadêmica e dados de mercado, estas são as estratégias de maior impacto para visibilidade de marca em respostas de LLMs, acompanhadas da evidência que sustenta cada uma:

Investir em mídia conquistada sobre conteúdo próprio. Motores de IA citam fontes de terceiros 3x mais do que conteúdo da marca. Chen et al. encontraram que busca por IA extrai 82% de mídia conquistada versus 18% de conteúdo de marca. Relações públicas digitais, roundups de especialistas, rankings de indústria e menções editoriais em publicações autoritativas carregam peso desproporcional.

Adicionar estatísticas, citações e referências ao conteúdo. O estudo de Princeton sobre GEO encontrou que essas três estratégias entregaram os maiores ganhos de visibilidade. Combinar otimização de fluência com adição de estatísticas produziu performance máxima. Conteúdo com dados incorporados, fontes citadas e citações de especialistas é estruturalmente preferido por motores generativos.

Manter a atualidade do conteúdo de forma implacável. Com o Perplexity extraindo 50% das citações do conteúdo do ano corrente e o ChatGPT 71% dos últimos dois anos, conteúdo com mais de 12–18 meses rapidamente perde visibilidade em IA. Atualizações regulares com timestamps atuais são essenciais.

Otimizar para extração no nível de passagem, não no nível de página. Motores de IA avaliam conteúdo no nível do trecho, não da página inteira. Parágrafos autônomos de 120–180 palavras com cabeçalhos claros, respostas diretas e informação autossuficiente têm 50% mais probabilidade de serem selecionados para respostas de IA.

Construir clareza de entidade entre plataformas. Nome de marca, posicionamento e associações de categoria consistentes na Wikipédia, LinkedIn, Reddit, diretórios do setor e plataformas de avaliação fortalecem o reconhecimento de entidade tanto nos dados de treinamento quanto nos sistemas de recuperação.

O que não funciona: keyword stuffing, que segundo a pesquisa de Princeton reduz a visibilidade; conteúdo genérico sem dados ou fontes; e dependência exclusiva de conteúdo da própria marca sem validação de terceiros.

Com mais de 17 anos em SEO, a equipe da GeoStack testou essas estratégias extensivamente no contexto do mercado brasileiro, onde os padrões de autoridade de domínio, as plataformas de avaliação relevantes e os fóruns de referência têm particularidades próprias.

FAQ — Perguntas frequentes sobre recomendação de marcas por LLMs

Os LLMs são pagos para recomendar marcas? Não. Nenhum dos principais LLMs (ChatGPT, Gemini, Claude, Perplexity) aceita pagamento direto para favorecer marcas em suas respostas orgânicas. O Perplexity inclusive abandonou seu programa de publicidade em fevereiro de 2026. As recomendações são baseadas em dados de treinamento e sinais de autoridade na web.

Minha marca precisa ter uma página na Wikipédia para ser recomendada? Não é obrigatório, mas a Wikipédia constitui 47,9% das fontes mais citadas pelo ChatGPT. Ter uma página bem referenciada cria uma âncora forte de entidade que aumenta significativamente a probabilidade de recomendação.

Qual a diferença entre SEO e GEO? SEO (Search Engine Optimization) otimiza para rankings em motores de busca tradicionais. GEO (Generative Engine Optimization) otimiza para citação e recomendação em respostas geradas por IA. Embora compartilhem fundamentos como autoridade de domínio e qualidade de conteúdo, GEO prioriza extração no nível de passagem, atualidade agressiva e validação de terceiros.

O ChatGPT recomenda as mesmas marcas que o Google? Não. Apenas 12% das fontes citadas se sobrepõem entre ChatGPT, Perplexity e Google AI. Cada plataforma consulta índices diferentes e aplica critérios distintos de seleção.

Com que frequência devo atualizar meu conteúdo para visibilidade em IA? O Perplexity tem um ponto ideal de aproximadamente 30 dias para atualidade de conteúdo, e extrai 50% de suas citações apenas do ano corrente. Atualizações mensais ou quinzenais de conteúdo estratégico são recomendadas.

Avaliações em plataformas como G2 e Google Reviews influenciam recomendações de IA? Sim. Pesquisa do G2 demonstrou que 8–12 avaliações por mês consistentemente superam 400 avaliações estagnadas. Volume recente e constante importa mais do que volume total.

O que é RAG e por que importa para minha marca? RAG (Retrieval-Augmented Generation) é o processo pelo qual LLMs buscam informações em tempo real na web para complementar seu conhecimento de treinamento. Cerca de 46% das interações do ChatGPT já usam busca web, o que significa que a presença online atualizada da sua marca influencia diretamente as recomendações.

Marcas brasileiras estão em desvantagem em LLMs? Pesquisas acadêmicas (Kamruzzaman et al., EMNLP 2024) demonstram que LLMs favorecem marcas globais sobre locais em 88-100% das recomendações para determinadas categorias. Isso torna a estratégia de GEO ainda mais crítica para marcas do mercado brasileiro que competem com players internacionais.

Schema markup ajuda na visibilidade em motores de IA? Sim. O Principal Product Manager da Microsoft confirmou em março de 2025 que dados estruturados ajudam LLMs a entender e processar conteúdo de forma mais eficiente, aumentando a probabilidade de citação.

O Reddit influencia o que os LLMs recomendam? Significativamente. O Reddit é o domínio mais citado em respostas de LLMs em geral, e aparece em 25,4% das citações do Google AI Overviews. Discussões orgânicas e autênticas sobre sua marca em comunidades relevantes do Reddit impactam diretamente as recomendações.

Como o Google AI Mode é diferente dos AI Overviews? O AI Mode menciona marcas em 81,7% das respostas versus apenas 6,2% nos AI Overviews. Porém, o AI Mode é extremamente volátil: apenas 9,2% de sobreposição de URLs ao rodar a mesma consulta três vezes. Ele usa uma técnica de “query fan-out” que gera múltiplas sub-consultas simultaneamente.

Qual é o impacto real do zero-click para marcas? Entre 58% e 65% das buscas no Google terminam sem clique. Quando AI Overviews estão presentes, o CTR orgânico cai 61%. No AI Mode, 93% das buscas terminam sem clique. A visibilidade dentro da resposta da IA se torna o objetivo, não o clique.

Visitantes vindos de busca por IA convertem mais? Sim, dramaticamente. Visitantes de busca por IA convertem a 14,2% versus 2,8% do orgânico do Google — uma vantagem de 5x. Eles também passam 68% mais tempo nos sites.

Como o Perplexity seleciona suas fontes? O Perplexity usa um sistema de reranking de três camadas com um filtro de qualidade XGBoost que prefere não citar do que citar fontes de baixa qualidade. Ele extrai de 8.027 domínios únicos — o pool mais diverso entre os motores — com forte viés para conteúdo atualizado.

O que é knowledge cutoff e como afeta recomendações de marca? Knowledge cutoff é a data limite dos dados de treinamento de um LLM. Eventos, produtos ou marcas que surgiram após essa data não existem no conhecimento paramétrico do modelo. Por isso, o RAG e busca web em tempo real são essenciais para marcas mais novas.

Posso manipular LLMs para favorecer minha marca? Pesquisa de Harvard (Kumar e Lakkaraju, 2024) mostrou que é tecnicamente possível manipular recomendações de LLMs com sequências estratégicas de texto. Porém, essa é uma abordagem de curto prazo e eticamente questionável. A GeoStack foca em estratégias sustentáveis baseadas em autoridade real e conteúdo de qualidade.

O LinkedIn influencia recomendações do Microsoft Copilot? Sim. Conteúdo do LinkedIn recebe impulsos algorítmicos de confiança no Copilot devido à integração com o ecossistema Microsoft. Com mais de 400 milhões de usuários empresariais no Microsoft 365, o Copilot influencia decisões de compra corporativas em escala.

Quantas marcas os LLMs normalmente recomendam por resposta? O ChatGPT menciona em média 5,84 marcas por resposta de eCommerce, o Google AI Mode 5,44 e o Perplexity 4,37. A disputa é por estar entre esses 4-6 slots de recomendação.

Qual o primeiro passo para melhorar a visibilidade da minha marca em IA? Realizar um diagnóstico de visibilidade em IA: submeter prompts comerciais relevantes ao ChatGPT, Perplexity, Gemini e Google AI Mode, registrar se e como sua marca é mencionada e comparar com concorrentes. A partir daí, priorizar ações de GEO conforme os nove fatores de visibilidade documentados neste artigo.

GEO substitui SEO? Não. SEO e GEO são complementares. A Seer Interactive encontrou correlação de 0,65 entre ranking na primeira página do Google e menções em LLMs. SEO forte é a base; GEO é a camada adicional que otimiza para o novo canal de descoberta que cresce mais rapidamente.

Quer saber se sua marca está sendo recomendada — ou ignorada — pela IA? Fale com a GeoStack e solicite seu diagnóstico gratuito de visibilidade em motores generativos. Mapeamos a presença da sua empresa no ChatGPT, Gemini, Perplexity e Google AI Mode, com dados concretos sobre quem está sendo recomendado no seu lugar.