Duas famílias de indicadores
Todo o dispositivo assenta numa distinção simples. Os indicadores de presença medem o seu lugar nas respostas dos LLM: reagem depressa e orientam o trabalho do dia a dia. Os indicadores de resultados medem o efeito real no negócio: leads, registos, vendas, com semanas de atraso. Os primeiros justificam o esforço, os segundos justificam o orçamento. São precisos os dois.
Indicadores de presença: o acompanhamento de prompts
Comece por construir uma biblioteca de prompts representativa do seu negócio e dos seus objetivos de produto, por exemplo a faturação eletrónica. Uma ferramenta de acompanhamento de prompts, como Peec, Profound ou Otterly, executa-os todos os dias nos diferentes modelos e recolhe três coisas: as menções (a sua marca aparece na resposta), as citações (a sua marca é citada como fonte) e a posição (a ordem média da sua menção nas respostas).
Destes três dados brutos, extraio cinco indicadores.
| Indicador | Cálculo | O que diz |
|---|---|---|
| Quota de voz | As suas menções sobre o total de menções | O seu desempenho face aos outros. Não significa nada em termos de negócio por si só, mas a sua tendência valida ou não os seus esforços. |
| Visibilidade | Taxa de menção sobre o conjunto de prompts executados | A sua cobertura do perímetro definido pela biblioteca de prompts. Bom indicador de trabalho. |
| Posição | Ordem da sua menção face aos concorrentes | O mais precioso a meu ver: ser citado primeiro traduz provavelmente uma credibilidade superior. |
| Menção ponderada | Média do inverso da ordem sobre todos os prompts, numa escala de 100 (fórmula abaixo da tabela) | Seguida todos os dias, é um verdadeiro indicador de pilotagem, o mais expressivo do conjunto. |
| Quota de voz ponderada | O mesmo cálculo, aplicado a cada concorrente | Compara cobertura e posição face ao mercado. Mais rica do que a quota de voz clássica, e complementar. |
A menção ponderada merece a sua fórmula, porque é ela que orienta o trabalho. Para cada prompt, a sua menção vale o inverso da sua ordem: 1 se for citado primeiro, 0,5 em segundo, 0,33 em terceiro, 0 se estiver ausente. A média destes valores sobre toda a biblioteca, multiplicada por 100, dá o indicador. Exemplo com 100 prompts: citado 30 vezes primeiro, 20 vezes segundo e 10 vezes terceiro, ou seja (30 × 1 + 20 × 0,5 + 10 × 0,33) / 100 × 100 ≈ 43 em 100.
Acrescente duas leituras qualitativas. As citações primeiro: como um endereço citado influencia a narrativa do modelo, aprofunde quais funcionam, use-as para justificar investimentos ou definir prioridades, por exemplo os fios de discussão a influenciar primeiro ou os criadores de vídeo a contactar, e observe o que fazem os concorrentes. O sentimento depois: a forma como os modelos falam de si. Se alimenta regularmente terceiros que falarão da sua marca, siga o efeito de cada evento, como um novo selo obtido, no sentimento global ou por produto.
Quatro fontes complementares
| Fonte | O que traz |
|---|---|
| Os dados dos motores | O Bing e a Google publicam os seus próprios dados ligados à IA. Servem sobretudo para justificar uma alocação de orçamento, ou para aprofundar um ponto preciso. |
| Os registos do servidor | A atividade dos robôs de exploração nos seus registos responde a perguntas concretas: implementou uma melhoria técnica para ajudar os modelos a compreender o site, qual foi o efeito do lado da exploração? |
| Os dados de fornecedores terceiros | Alguns painéis, como a Similarweb, sabem dizer se um internauta visitou um LLM no mesmo dia que o seu site. A tomar com prudência, mas o ângulo de visão é precioso. |
| O acompanhamento dos AI Overviews | Um bom indicador de trabalho para medir o efeito das táticas ou das alterações feitas ao site: conteúdo novo, formatação nova. |
Indicadores de resultados: o impacto real
Primeiro, o declarativo. A pergunta «como nos conheceu?» mede o impacto comercial real, e o seu veredicto diverge muitas vezes do modelo de atribuição. Sem ela, perde o cenário mais comum: alguém lê uma recomendação num LLM, escreve a sua marca no Google, clica num link pago ou orgânico. Nenhum modelo de atribuição vê essa cadeia.
Depois, a analítica. No GA4, filtre os padrões de origem próprios dos LLM (chatgpt.com, perplexity.ai, copilot.microsoft.com, gemini.google.com, claude.ai): quando um visitante chega ao clicar num link de uma resposta, pode atribuí-lo. Complete com os cookies: se um potencial cliente visita o seu site, passa por um LLM e volta, deverá vê-lo, segundo a sua filosofia de atribuição, primeiro clique, último clique ou mista.
Por fim, os sinais indiretos. Uma subida inexplicada do tráfego de marca e do tráfego direto segue a mesma lógica que o declarativo. Analise todos os dias as transcrições das suas equipas comerciais para detetar os potenciais clientes que citam um LLM como fonte, uma pequena automatização basta. E mantenha um olho nos estudos declarativos, públicos ou pagos, que documentam como as pessoas pesquisam: sempre instrutivo.
| Sinal | O que capta | O seu limite |
|---|---|---|
| Declarativo | O canal real pelo qual os potenciais clientes o conheceram | Depende da memória e da sinceridade de quem responde |
| Analítica (GA4) | Os cliques diretos a partir das respostas dos LLM | Cega à recomendação seguida de uma pesquisa de marca |
| Sinais indiretos | Tráfego de marca, transcrições comerciais, estudos | Correlações, nunca provas por si sós |
Reunir tudo
O último elo é o mais simples: reúna todos estes dados num só lugar e confie ao Claude uma análise semanal, com um breve resumo da evolução das tendências entregue numa mensagem Slack. A medição só vale se alguém a ler todas as semanas.
Em 2026, o impacto dos LLM na geração de leads não se lê em nenhum painel pronto a usar. Reconstrói-se, indicador de presença após indicador de resultados, até que as duas curvas contem a mesma história.
Perguntas frequentes
Outras análises sobre medição e pesquisa generativa estão disponíveis no diário.