Ninguém pede a um assistente de IA "liste todas as empresas da categoria X ordenadas por relevância". Compradores reais perguntam como perguntariam a um amigo que entende do assunto: "qual é a melhor ferramenta de gestão de projetos para um time de 5 pessoas", "você recomenda um bom clube de pickleball em Austin", "quais são os tosadores de cães mais bem avaliados perto de mim". Essas perguntas são curtas, conversacionais, formuladas em torno de uma situação específica e — o ponto crucial — nunca mencionam uma marca específica, porque o comprador ainda não sabe sobre qual marca perguntar. Esse é o objetivo da pergunta: descoberta, não confirmação.
Isso importa porque é um teste fundamentalmente diferente de digitar o nome da sua própria marca no ChatGPT e perguntar "fale sobre a Acme Co.". Essa pergunta só testa se o modelo sabe quem você é. Não testa se o modelo teria citado você espontaneamente — que é o único cenário que realmente importa para conquistar novos clientes.
Por que um prompt não é um teste confiável
Os modelos de IA são não determinísticos por projeto — a mesma pergunta feita duas vezes pode gerar duas respostas diferentes, às vezes citando um conjunto diferente de marcas, mesmo sem nada mais ter mudado. Se você testa com um único prompt e recebe um bom resultado, aprendeu que o modelo citou você uma vez. Se recebe um resultado ruim, aprendeu que não citou, uma vez. Nenhum dos dois diz muito sobre o que uma distribuição real de compradores fazendo uma distribuição real de perguntas veria de fato.
Também há variação real na forma como a mesma intenção é formulada. Quem está com pressa digita "melhor clube pickleball austin". Quem é mais cuidadoso escreve "estou procurando um clube de pickleball em Austin — quais devo considerar?". Quem compara opções pergunta "qual clube de pickleball você escolheria e por quê?". É a mesma intenção de compra com palavras diferentes, e uma marca que aparece numa formulação pode não aparecer em outra, dependendo de como o modelo recupera e pondera a informação para aquele enquadramento específico.
Por que o Mentioned testa 5 perguntas, não 1
É exatamente por isso que o Mentioned não roda um único prompt. Quando você digita uma marca e uma categoria, ele pede ao Claude que gere 5 perguntas de comprador realistas para a categoria — formuladas como uma pessoa de verdade pesquisa, nunca contendo o nome da sua marca, para o teste continuar orgânico e não induzido — e envia as 5 a cada modelo (Claude, ChatGPT e Gemini na verificação gratuita) de forma independente e em paralelo. Não há contexto compartilhado entre elas; cada uma é uma conversa nova, exatamente como 5 compradores diferentes fazendo cada um a sua pergunta. A sua nota é simplesmente quantas das 5 voltaram mencionando você, em 5. Não é uma estimativa ponderada nem um intervalo de confiança — é uma contagem literal do que de fato aconteceu numa variedade realista de jeitos de um comprador perguntar.
Se a geração de perguntas falhar por algum motivo, o Mentioned recorre a um conjunto fixo de modelos neutros ("Quais são os melhores {category}?", "Você recomenda um bom {category}?" e similares) em vez de pular a verificação ou chutar um resultado — veja o detalhamento completo na página de metodologia.
O que uma amostra de 5 perguntas diz e um prompt não
Consistência vs. sorte. Aparecer em 5 de 5 é um sinal muito mais forte que aparecer em 1 de 1 — sugere que o modelo associa você de forma confiável à categoria, em vez de citar você por acaso numa formulação específica.
Onde você é forte e onde é invisível. Se você aparece no enquadramento "mais bem avaliado" mas não no "melhor para iniciantes", isso é uma informação útil sobre qual segmento de compradores já conhece você e qual não.
Quem de fato está ganhando de você. Quando você não aparece, o Mentioned traz os outros nomes de marca que o modelo citou, para você ver quem está ganhando aquela versão da pergunta em vez de só saber que perdeu.
Para montar um conjunto para a sua própria categoria, o gerador de perguntas de comprador gratuito escreve por intenção: lista de opções, problema primeiro, troca, avaliação e integrações.
Pensar em faixas, não em respostas únicas
A conclusão prática: se você quer entender a sua visibilidade em IA, não teste com um prompt e trate o resultado como definitivo — em nenhuma direção. Faça várias variações realistas, espere alguma variação entre elas e olhe o padrão, não uma resposta isolada. Isso dá um retrato mais honesto do que os compradores realmente veem do que um único prompt de sorte (ou de azar) jamais daria.
