Um cliente pergunta a um assistente de IA qual é o prazo de troca da sua loja e recebe “7 dias”. A política real é de 30. Outro pergunta se a sua marca é confiável e a resposta se apoia em uma reclamação antiga, já resolvida. Um terceiro recebe o nome de uma empresa homônima. Nenhum deles passou pelo seu site antes de formar uma opinião.
Esse é o novo ponto de contato de reputação: a resposta de uma IA sobre a sua marca. A pergunta prática não é se ela vai errar, e sim com que frequência, em quais plataformas e por qual causa. Este guia mostra como identificar os erros com um protocolo repetível, rastrear a causa na fonte e corrigir em camadas, sem prometer o que nenhuma plataforma garante.
Os estudos citados medem principalmente notícias, não marcas, e isso é dito em cada caso. Os exemplos numéricos são hipotéticos e estão identificados.
Por que a IA erra sobre marcas
Os erros têm causas diferentes, e a causa define a correção. Três explicam a maior parte dos casos.
Treino que premia o palpite
Segundo a OpenAI, em artigo sobre por que modelos de linguagem alucinam, os procedimentos padrão de treino e de avaliação premiam o palpite em vez de reconhecer a incerteza. Fatos arbitrários e raros, como a data de aniversário de um animal de estimação, não podem ser previstos apenas por padrões, e por isso levam a alucinações. A empresa afirma que isso não é inevitável, porque o modelo pode se abster. O ponto para a marca: um dado pouco divulgado sobre a sua empresa, como o prazo de uma política específica, é exatamente o tipo de fato que o modelo tende a “completar”.
Memória limitada e fontes recuperadas
O artigo que propôs a geração aumentada por recuperação (RAG, na sigla em inglês), de Lewis e colegas, reconhece que dar proveniência às respostas e atualizar o conhecimento dos modelos permanecem problemas de pesquisa em aberto, e propõe consultar uma memória externa como mitigação. Na prática, assistentes com busca na web respondem com base em páginas recuperadas na hora. Se a página recuperada está errada ou desatualizada, a resposta herda o erro.
O Google descreve esse comportamento nos seus recursos de IA na Pesquisa: AI Overviews e AI Mode podem usar o chamado query fan-out, emitindo várias buscas relacionadas por subtópicos e fontes de dados. Para uma página ser link de apoio, precisa estar indexada e elegível a snippet, e o Google afirma que não há dados estruturados especiais exigidos.
Fontes de terceiros e confusão de entidade
Uma marca raramente é descrita só pelo próprio site. Marketplaces, agregadores, notícias, perfis de reputação e cópias de conteúdo entram na recuperação. O estudo do Tow Center, publicado pela Columbia Journalism Review, observou um caso em que o ChatGPT citou uma cópia sindicada de uma matéria em outro portal, mesmo com o veículo original bloqueando o rastreador da OpenAI. A lição para marcas: o dado que a IA lê pode estar numa página que você não controla. Quando há outra empresa com nome parecido, a confusão de entidade piora o quadro, tema detalhado em Confusão de entidade: por que a IA não recomenda a sua marca.
O que os estudos mostram, e o que não mostram
O estudo News Integrity in AI Assistants, da União Europeia de Radiodifusão com a BBC, reuniu 22 emissoras públicas de 18 países, em 14 idiomas, e avaliou mais de 3.000 respostas de ChatGPT, Copilot, Gemini e Perplexity. Em 45% havia ao menos um problema significativo, em 31% problemas sérios de fonte e em 20% problemas graves de acurácia. O Gemini apresentou problema significativo em 76% das respostas. O escopo é jornalismo, não marcas.
O Tow Center avaliou 8 buscadores de IA com 200 trechos de matérias, de 20 editoras, totalizando 1.600 consultas, e registrou respostas incorretas em mais de 60% delas. Cada trecho foi testado uma vez, e o próprio estudo ressalva que os resultados podem variar. O texto resume o achado assim:
A maioria das ferramentas que testamos apresentou respostas incorretas com confiança alarmante.
Tow Center for Digital Journalism, Columbia Journalism Review
Não há, nas fontes primárias revisadas, um percentual confiável de erro específico para marcas de e-commerce. Desconfie de qualquer número do tipo “X% das marcas são descritas errado” que não traga metodologia. A forma segura de saber a sua situação é medir a sua marca.
Tipos de erro: uma taxonomia para registrar
Classificar o erro ajuda a priorizar e a escolher o canal de correção. Use seis tipos.
| Tipo | Exemplo | Risco para o negócio |
|---|---|---|
| Fato | Ano de fundação, sede ou número de lojas incorretos | Baixo a médio: afeta credibilidade |
| Preço ou oferta | Frete grátis que não existe mais; valor de produto antigo | Alto: gera pedido com expectativa errada |
| Política | Prazo de troca, garantia ou entrega diferentes do real | Alto: gera conflito e atendimento |
| Identidade | Resposta mistura sua empresa com homônima | Alto: perde ou desvia clientes |
| Reputação | Cita reclamação antiga já resolvida como situação atual | Médio a alto: afeta decisão de compra |
| Atribuição de fonte | Cita uma página que não diz aquilo, ou uma URL que não existe | Médio: dificulta a correção e a confiança |
Tabela: Analytikos
Como identificar: o protocolo de auditoria
A auditoria precisa ser repetível. Sem lista fixa de perguntas, não dá para comparar um mês com o outro.
Prompts por categoria
Monte de 20 a 40 perguntas que um cliente real faria, agrupadas por categoria. A medição mais ampla de visibilidade está na auditoria de GEO; aqui o foco é a exatidão.
| Categoria | Exemplos de prompt |
|---|---|
| Identidade | “Quem é a [marca]?”; “Onde fica a sede da [marca]?” |
| Produto e preço | “Quanto custa o [produto] na [marca]?”; “A [marca] vende [produto]?” |
| Políticas | “Qual o prazo de troca da [marca]?”; “A [marca] tem frete grátis?” |
| Reputação | “A [marca] é confiável?”; “Reclamações sobre a [marca]” |
| Comparação | “[marca] ou [concorrente]: qual é melhor?” |
| Local | “A [marca] tem loja física em [cidade]?” |
Tabela: Analytikos
Plataformas e repetição
Teste ChatGPT, Gemini, Google AI Overviews e AI Mode, Perplexity, Copilot e Claude. Rode cada prompt ao menos três vezes, em dias diferentes, em sessões limpas e com a busca na web ligada e desligada quando a plataforma permitir. A repetição existe porque a resposta varia: o próprio Tow Center ressalva que testou cada trecho uma vez uma vez.
A planilha de registro
Registre cada resposta com estes campos: data, plataforma, modo (busca ligada ou desligada), prompt, categoria, texto da resposta (com captura de tela), fato correto, status (correto, errado ou omitido), fonte citada, URL da fonte, tipo de erro, causa provável, severidade, alcance, facilidade de correção, responsável, ação, data da correção e data do reteste.
Fórmula de priorização
Use esta pontuação:
Prioridade = Severidade × Alcance × Frequência ÷ Esforço
Severidade e alcance vão de 1 a 5. Frequência é a proporção de repetições em que o erro apareceu. Esforço vai de 1 a 5. Exemplo hipotético: o erro “frete grátis” tem severidade 4, alcance 5, apareceu em 3 de 3 repetições (frequência 1,0) e esforço 2, o que dá 4 × 5 × 1,0 ÷ 2 = 10. O erro “ano de fundação” tem severidade 2, alcance 2, apareceu em 1 de 3 repetições (0,33) e esforço 1, o que dá 2 × 2 × 0,33 ÷ 1 = 1,3. Corrija primeiro o frete.
Para reunir esses registros com os dados de tráfego e conversão da loja, a Athena, plataforma de BI para e-commerce da Analytikos, reúne loja, GA4 e mídia em um só painel e oferece teste de 30 dias grátis.
Diagnosticar a causa: de onde veio o erro
Em plataformas que citam fontes, como Perplexity, AI Overviews e Copilot, abra cada link e compare com o fato correto. Cuidado: o estudo do Tow Center registrou URLs inventadas ou quebradas em mais da metade das respostas de dois dos buscadores avaliados, então sempre abra o link antes de concluir.
| Cenário | Como reconhecer | Ação |
|---|---|---|
| Fonte própria desatualizada | A fonte citada é uma página sua com o dado antigo | Atualizar a página e eliminar versões conflitantes |
| Fonte de terceiro errada | Marketplace, agregador ou matéria com dado errado | Pedir a correção ao terceiro e reforçar a versão correta no seu site |
| Fontes conflitantes | Duas páginas suas dizem coisas diferentes | Manter uma página canônica de política e redirecionar as antigas |
| Homônimo | A resposta descreve outra empresa | Reforçar dados de identidade: razão social, CNPJ, cidade e perfis oficiais |
| Sem fonte | Nenhuma citação e dado inventado | Publicar o fato em página clara e indexável; a correção direta não está ao seu alcance |
Tabela: Analytikos
No último cenário, a honestidade importa: quando o modelo responde sem apoio em fonte, não há uma página a corrigir. Resta publicar o dado correto em lugar claro e monitorar.
Como corrigir, em camadas
A ordem importa. A correção mais eficaz e mais controlável é a da fonte. Os canais de feedback das plataformas vêm depois e não garantem resultado.
1. Corrigir a fonte própria
Atualize o site com os fatos que a IA erra: política de troca, prazo, preço, formas de pagamento, quem somos. Prefira texto em HTML, e não em PDF ou imagem, e mantenha uma única página canônica por política, redirecionando as versões antigas. Para lojas, o preço no HTML precisa bater com o do feed, como exige a regra de preço divergente do Merchant Center. Para o feed de compras com IA, veja ChatGPT Shopping: feed de produtos.
2. Dados estruturados coerentes
Os dados estruturados de Organization aceitam nome, razão social, URL, logotipo, perfis oficiais (sameAs) e identificadores fiscais, e ajudam o Google a desambiguar a organização. Não são um botão que força a IA a mudar de resposta. O Google reforça que a marcação deve refletir o texto visível da página.
3. Entidades externas
O painel de conhecimento pode ser reivindicado por quem consegue se verificar em um perfil oficial, mas, segundo a ajuda do Google, nem todos são reivindicáveis. Quem não é o titular pode sugerir edições pelo botão de feedback, com links para fontes. Para negócio local com endereço, o caminho é o Perfil da Empresa. Mantenha ainda os perfis oficiais coerentes com o site e referenciados em sameAs.
4. Corrigir terceiros
Se o erro vem de marketplace, agregador ou matéria, peça a atualização na origem. Uma resposta de IA que cita uma página de terceiros só muda quando essa página muda ou quando deixa de ser recuperada.
5. Canais de feedback por plataforma
| Plataforma | Canal documentado | Limites |
|---|---|---|
| Google (AI Overviews e AI Mode) | Link “Send feedback” descrito na página de recursos de IA | O Google diz que pode usar o feedback para melhorar a Pesquisa e que nem sempre responde; não há prazo nem correção individual |
| Google, conteúdo por motivo legal | Formulário de remoção de conteúdo por razões legais | A página não afirma se cobre texto gerado por IA |
| OpenAI (ChatGPT) | Privacy Portal para remover dados pessoais das respostas | Voltado a pessoas, não a empresas; exige evidência; a OpenAI diz que não investiga fatos disputados por conta própria |
| Microsoft Copilot | Polegar para baixo com descrição do problema | A documentação analisada não descreve correção factual |
| Perplexity | Citações numeradas para checar a fonte | A página analisada não descreve canal de denúncia; o caminho prático é corrigir a página citada |
Tabela: Analytikos, com base na documentação oficial de cada plataforma
Para os produtos Claude e Gemini (aplicativo), não há documentação oficial verificada de correção factual, então a recomendação é usar o feedback do próprio produto. Segundo a ONG noyb, em queixa de proteção de dados, a OpenAI teria dito que não consegue corrigir certos dados e só pode filtrar ou bloquear. É a versão de uma das partes, ainda sem desfecho confirmado, e serve de alerta para não contar com o canal de feedback como solução.
6. O que não funciona
- Esperar que um único feedback corrija a resposta.
- Discutir com o chatbot na conversa: isso não treina o modelo para outros usuários.
- Acreditar que schema “força” a IA. O Google diz que não há dados estruturados especiais para recursos de IA.
- Bloquear rastreadores achando que isso corrige o erro. Os controles limitam o uso do conteúdo, não corrigem o que a IA diz.
Monitorar e definir prazos realistas
Nenhuma das plataformas analisadas publica prazo de correção. O Google fala em esperar o recrawl após mudanças e a OpenAI avalia pedidos caso a caso, sem prazo. Prometer data de correção a um cliente ou à diretoria é um erro. O que se pode prometer é o processo.
Ciclo de correção de erros da IA sobre a marca
- 1MedirRodar a lista de prompts nas plataformas, com repetição, e registrar cada resposta.
- 2DiagnosticarAbrir as fontes citadas e descobrir de onde vem o erro.
- 3Corrigir a fonteAtualizar site, políticas, dados estruturados, perfis e páginas de terceiros. É a etapa que mais pesa.
- 4ReportarEnviar o feedback de cada plataforma, com a evidência e a fonte correta.
- 5RetestarRepetir o mesmo conjunto de prompts a cada mês e comparar.
Repita o mesmo conjunto de prompts todos os meses e compare. O objetivo é ver a taxa de respostas corretas subir e os erros graves saírem da lista. Mantenha o histórico: ele serve de evidência se for preciso escalar.
Quando escalar: erro grave, jurídico e LGPD
Erros graves incluem acusação falsa, preço que causa prejuízo e informação sobre pessoa natural. Nesses casos: registre as evidências com data e captura de tela, use o canal legal e os formulários de cada plataforma, e procure um advogado.
A Lei Geral de Proteção de Dados (LGPD) protege pessoas naturais. O art. 18, inciso III, garante ao titular a correção de dados incompletos, inexatos ou desatualizados, e o art. 6, inciso V, trata da qualidade dos dados, conforme o texto da lei no Planalto. Isso vale para um sócio, fundador ou atendente citado com dado errado, e não para a marca como pessoa jurídica. A ANPD orienta o exercício desses direitos. Para informação enganosa ao consumidor, o caminho é jurídico: este texto não é parecer.
Erros comuns ao lidar com a IA e a marca
Os erros se dividem entre a fonte, a interpretação e a operação. Os números são ilustrativos.
Erros na fonte
| Erro | Por que acontece e qual o efeito | Como corrigir |
|---|---|---|
| Preço do feed diferente do HTML | O feed diz R$ 199 e a página R$ 179. A IA e o Shopping mostram valores diferentes | Igualar feed, HTML e dados estruturados |
| Política de troca só em PDF ou imagem | O texto não é lido com segurança e a IA completa com um palpite | Publicar a política em HTML claro |
| Políticas antigas ainda no ar | Uma página diz 7 dias e outra 30. As fontes conflitam | Manter uma página canônica e redirecionar as antigas |
| Ficha desatualizada em marketplace | A IA recupera a ficha do terceiro, que ainda mostra o dado velho | Atualizar a ficha na origem |
| Preço injetado só por JavaScript | O dado pode não estar no HTML lido pelo robô | Entregar o preço no HTML retornado |
| Dados estruturados que contradizem o texto | O JSON-LD tem uma informação e a página outra | Gerar a marcação a partir do mesmo dado exibido |
Tabela: Analytikos
Erros de interpretação
| Erro | Por que acontece e qual o efeito | Como corrigir |
|---|---|---|
| Testar cada prompt uma vez | A resposta varia. Uma única amostra mostra um acerto ou um erro que pode não se repetir | Rodar ao menos 3 vezes, em dias diferentes |
| Concluir sem abrir a fonte citada | URLs podem estar quebradas ou não dizer o que a IA afirma | Abrir cada link e comparar com o fato |
| Extrapolar estudos de notícias para a marca | EBU e Tow Center medem jornalismo, não marcas | Medir a sua marca e citar os estudos só como contexto |
Tabela: Analytikos
Erros de operação
| Erro | Por que acontece e qual o efeito | Como corrigir |
|---|---|---|
| Apostar só no feedback das plataformas | Não há prazo nem garantia. A fonte continua errada e o erro volta | Corrigir a fonte primeiro e depois reportar |
| Reputação baseada em reclamação antiga sem resposta | A IA lê a página e vê um problema que a empresa já resolveu | Responder publicamente e manter conteúdo recente; não prometer efeito |
| Negligenciar Business Profile e painel | Horário e endereço errados migram para respostas locais | Revisar os perfis a cada mudança |
| Bloquear crawler achando que corrige | Limita o uso do conteúdo e pode reduzir a presença, sem corrigir o erro | Usar controles só para decidir o que a IA pode usar |
Tabela: Analytikos
Checklist: IA errando sobre a marca
- Lista de 20 a 40 prompts por categoria definida.
- Seis plataformas testadas, com três repetições em dias diferentes.
- Planilha de registro preenchida, com captura de tela de cada resposta.
- Fontes citadas abertas e comparadas com o fato correto.
- Prioridade calculada com severidade, alcance, frequência e esforço.
- Página canônica por política publicada em HTML e indexável.
- Preço do feed, do HTML e dos dados estruturados iguais.
- Organization e sameAs revisados.
- Painel de conhecimento e Perfil da Empresa conferidos.
- Terceiros com dado errado contatados.
- Feedback das plataformas enviado, com evidência.
- Reteste mensal agendado e evidências arquivadas.
Perguntas frequentes
Posso pedir ao ChatGPT para corrigir informações sobre a minha marca?
Existe o Privacy Portal, mas a página oficial trata de dados pessoais e não de empresas. A OpenAI informa que avalia cada pedido e não investiga fatos disputados por conta própria.
Schema faz a IA parar de errar?
Não. O Google afirma que não há dados estruturados especiais para recursos de IA. A marcação Organization ajuda a desambiguar a empresa, mas não garante mudança de resposta.
Quanto tempo leva para a IA corrigir uma resposta?
Nenhuma das plataformas analisadas publica prazo. Evite prometer data e acompanhe a evolução com reteste mensal.
Bloquear o Google-Extended resolve o problema?
Não. O controle limita o uso do conteúdo para treino e grounding em outros sistemas do Google, mas não corrige o que a IA diz.
Existe botão para denunciar uma resposta dos AI Overviews?
A documentação de recursos de IA menciona o envio de feedback. O Google diz que nem sempre responde, então não conte com correção individual.
A LGPD protege a minha empresa de informação errada em IA?
A LGPD protege pessoas naturais, como um sócio ou atendente citado com dado inexato. Para a marca como pessoa jurídica, o caminho é a correção da fonte e, se necessário, orientação jurídica.
Por que cada plataforma diz uma coisa diferente?
Modelos, mecanismos de recuperação e fontes diferem. O próprio Google afirma que AI Overviews e AI Mode podem usar técnicas e modelos diferentes.
Preciso de advogado?
Para erros graves, como acusação falsa ou prejuízo direto, sim. Registre as evidências e consulte um profissional.
