GEO

Uma IA diz coisas falsas sobre a sua marca: como detetar e corrigir o erro

O ChatGPT, o Gemini ou o Perplexity dizem disparates sobre a sua empresa? De onde vem o erro, como corrigi-lo fonte a fonte e prazos realistas.

Sapian Metrics3 de novembro de 202613 min de leitura

Publicado a 3 de novembro de 2026 · Sapian Metrics · Este artigo será atualizado à medida que os motores de IA alterarem os seus canais de sinalização.

Um potencial cliente escreve-lhe a dizer que o ChatGPT afirma que a sua empresa fechou. O Gemini atribui o seu produto a um concorrente. O Perplexity cita um preço que nunca praticou. Não é um caso isolado: segundo o estudo EBU/BBC de outubro de 2025, 45% das respostas dos assistentes de IA contêm pelo menos um problema significativo, e 20% um erro factual grave. A má notícia: ninguém consegue "editar" a resposta de um modelo de linguagem. A boa: na grande maioria dos casos, o erro vem de uma página que o modelo leu, e essa página pode ser corrigida. Não se corrige uma IA, corrige-se aquilo que ela lê.

Este artigo propõe um método em quatro tempos: medir a dimensão, diagnosticar a origem, corrigir fonte a fonte e depois acompanhar a correção ao longo do tempo com prazos realistas.

Até que ponto os erros sobre marcas são frequentes?

Resposta curta: os erros são a norma, não a exceção, mas concentram-se em poucos temas (o preço em primeiro lugar) e em poucas fontes. Segundo a Profound, a taxa de inexatidão das afirmações sobre marcas vai de 4,3% a 6,8% consoante o motor, e 54% das marcas têm pelo menos uma afirmação falsa que cita o seu próprio site.

Três estudos permitem enquadrar o tema sem dramatizar nem minimizar.

O estudo "News Integrity in AI Assistants", coordenado pela União Europeia de Radiodifusão e liderado pela BBC, levou 22 órgãos de serviço público de comunicação social, em 14 línguas, a avaliar mais de 3 000 respostas do ChatGPT, Copilot, Gemini e Perplexity. Resultado: 45% das respostas apresentavam pelo menos um problema significativo, 31% um problema sério de fontes, 20% um erro grave de exatidão. O Gemini foi o pior, com 76% de respostas problemáticas, sobretudo por causa das fontes. O estudo incide sobre notícias, não sobre marcas, mas os mecanismos são os mesmos.

Sobre marcas em concreto, a análise "Where do inaccurate AI claims come from", publicada pela Profound em agosto de 2026 a partir de mais de 158 000 afirmações verificadas, traz quatro números úteis. A taxa de inexatidão por motor vai de 4,3% a 6,8%. Preços e faturação representam 12% das afirmações avaliadas, mas 24% das afirmações falsas. 54% das marcas têm pelo menos uma afirmação falsa que cita o seu próprio conteúdo, e 51% pelo menos uma que cita um meio terceiro. Por fim, o ChatGPT e o Claude partilham apenas 12,5% das suas afirmações: um erro num motor não prevê o mesmo erro noutro, o que obriga a verificar motor a motor.

Porque é que os modelos inventam em vez de admitir que não sabem? A OpenAI explicou-o em "Why language models hallucinate", em setembro de 2025: os métodos de avaliação recompensam uma resposta adivinhada tanto como uma resposta certa e não dão qualquer crédito a "não sei". Os factos raros e arbitrários (uma data de fundação, o nome de um dirigente, um preço) são exatamente aqueles que o modelo não consegue deduzir de um padrão estatístico. A não ser que seja muito conhecida, a sua marca é um facto raro.

Diagnosticar: de onde vem o erro?

Resposta curta: um erro de IA tem três origens possíveis, e cada uma corrige-se de forma diferente. Ou o modelo leu uma página falsa ou desatualizada (o erro tem fonte), ou responde de memória de treino (sem fonte, resposta estável), ou confunde a sua marca com outra entidade. O diagnóstico demora uma hora e condiciona tudo o resto.

Eis o protocolo que aplicamos nas nossas auditorias. É reproduzível sem qualquer ferramenta.

Faça a mesma pergunta, formulada de três maneiras, em pelo menos quatro motores (ChatGPT, Gemini, Perplexity, Google AI Overviews), com a pesquisa web ativada quando a opção existe. Repita cada pergunta três vezes em sessões distintas: o que observamos nos nossos scans diários é que a mesma pergunta nem sempre produz a mesma resposta, e um erro que aparece uma vez em três não se trata como um erro sistemático. Para cada resposta errada, anote o motor, a data, o texto exato e, sobretudo, as fontes citadas.

Depois, classifique.

Caso A, o erro tem fonte. O motor cita uma página, e o erro está nessa página. É o caso mais frequente e o mais animador, porque é acionável. A descoberta mais comum das nossas auditorias coincide com os números da Profound: a página em falta é muitas vezes uma página da própria marca, esquecida há dois anos, com um preço antigo, um antigo dirigente ou uma antiga morada, que o motor preferiu à página atualizada porque respondia mais diretamente à pergunta.

Caso B, o erro é de memória. Nenhuma fonte citada, a resposta é idêntica de uma sessão para a outra e persiste mesmo em modo de pesquisa. O modelo reproduz o que aprendeu no treino, a partir de páginas que talvez tenham entretanto desaparecido. É o caso mais lento de corrigir.

Caso C, o erro é uma confusão de entidades. O motor mistura a sua marca com um homónimo, uma filial, um antigo nome ou um concorrente com nome parecido. Os sinais: produtos que não vende, um país onde não está, uma data de fundação estranha. O remédio é uma desambiguação explícita, não uma correção de facto.

Para aprofundar a medição em si, o nosso guia para medir a visibilidade em IA explica como construir um painel de perguntas estável.

Corrigir, fonte a fonte

Resposta curta: para um erro com fonte, corrija a página, seja sua ou de um terceiro, e force a reindexação. Para um erro de memória, publique uma página que responda exatamente à pergunta errada, para que o motor a leia em primeiro lugar quando pesquisa. Para uma confusão, publique uma página de factos canónicos que o distinga sem ambiguidade.

Quando a fonte em falta é o seu próprio site

Corrija o facto na página citada. Se a página está desatualizada, não a deixe viver: atualize-a ou redirecione-a (301) para a página atual. Verifique que as datas visíveis e as etiquetas de data são coerentes; os motores usam-nas para arbitrar entre duas versões. Crie ou consolide uma página de factos canónicos (tipo "Sobre nós" ou kit de imprensa) com os dados que as IA mais procuram: denominação social, data de fundação, dirigentes, localizações, gama, preços ou intervalos de preço, números-chave. Alinhe os dados estruturados (Organization, Product, Offer) com o texto visível; a Google recomenda explicitamente esta coerência para as suas funcionalidades de IA. Depois, peça a reindexação dos URL corrigidos através da inspeção de URL da Search Console e do equivalente no Bing Webmaster Tools, que alimenta o Copilot.

Um ficheiro llms.txt atualizado ajuda a orientar os agentes que leem o seu site para as páginas certas; detalhámos os seus contributos e limites. Nota de transparência: a plataforma Sapian Metrics gera este ficheiro automaticamente, mas pode escrevê-lo à mão numa hora.

Quando a fonte em falta é um terceiro

A Profound observa que os erros vindos de meios terceiros se concentram: para uma dada marca, provêm em geral de cerca de quatro sites, e os 100 primeiros domínios explicam 40% dos erros deste tipo. Por outras palavras, não tem de corrigir a Internet, tem de corrigir quatro páginas. Contacte o editor com a correção factual e uma fonte verificável; é a via mais eficaz. Trate em prioridade os diretórios e bases de referência que os motores cruzam: Wikipédia e Wikidata se lá figurar, as fichas Google Business Profile e Bing Places (a Microsoft indica que o Bing Places é o canal para corrigir as informações de uma empresa), os comparadores e sites de avaliações do seu setor. Os comparativos gerados por IA apoiam-se massivamente nestas páginas de terceiros.

Quando o erro é de memória

Não é possível modificar um modelo já treinado. É possível, em contrapartida, fazer com que, no momento de responder, o motor prefira ler a recordar. Publique uma página que responda palavra por palavra à pergunta que desencadeia o erro ("A [Marca] fechou?", "Quem dirige a [Marca]?", "Quanto custa o [Produto]?"), com a resposta no topo, datada e com fontes. Multiplique corroborações terceiras coerentes. E aceite que a correção completa espere pela próxima geração de modelo.

Os canais oficiais de sinalização: o que existe realmente

Aqui é preciso separar o confirmado do desejado.

Confirmado: a Google propõe em cada AI Overview um polegar para baixo e depois "Comunicar um problema". A Microsoft propõe um formulário de sinalização para os resultados do Bing e remete para o Bing Places para os dados de empresas, sem canal dedicado às respostas do Copilot. A OpenAI propõe um formulário de remoção de dados pessoais, que diz respeito a pessoas singulares, não a empresas, e que visa a remoção ou a filtragem, não a retificação: na queixa apresentada pela noyb junto da autoridade austríaca em abril de 2024, a OpenAI indicava não conseguir corrigir uma informação falsa, apenas bloquear as respostas sobre um nome.

Observado: Perplexity, Claude, Le Chat e Grok oferecem um polegar para baixo ou um botão de sinalização na interface. Nenhum destes motores documenta um canal de retificação para marcas, e nenhum se compromete com um prazo.

Desconhecido: o efeito real de uma sinalização individual nas respostas futuras. Nenhum motor o publica. Sinalize na mesma, custa trinta segundos, mas não construa o seu plano de correção sobre isso.

Quando é grave: difamação e via judicial

Resposta curta: se o erro o acusa de fraude, de uma condenação ou de um encerramento, documente tudo, notifique formalmente o editor do motor e consulte um advogado. O direito não está estabilizado: uma empresa conseguiu que o seu processo contra a Google avançasse, um particular perdeu contra a OpenAI. Não somos advogados; o que se segue é uma síntese de casos públicos.

O caso mais eloquente para uma empresa é o da Wolf River Electric, instaladora de painéis solares do Minnesota. Segundo o resumo publicado pela sociedade de advogados Quinn Emanuel, um AI Overview da Google afirmava que o procurador-geral do Estado tinha processado a empresa por práticas enganosas, o que era falso e que as fontes citadas não diziam. Houve clientes a rescindir. A queixa, apresentada em março de 2025, reclama mais de 100 milhões de dólares; em janeiro de 2026 o processo foi remetido para um tribunal estadual e encontra-se em fase prévia ao julgamento.

Inversamente, em Walters v. OpenAI, um animador de rádio que o ChatGPT acusava falsamente de desvio de fundos perdeu em maio de 2025: o tribunal considerou que nenhum leitor razoável teria tomado a resposta como uma afirmação de facto, e que o queixoso não demonstrava qualquer prejuízo. Entre os dois, Starbuck v. Meta, em que o queixoso sublinhava ter notificado a Meta repetidamente sem correção, terminou com um acordo em agosto de 2025.

Três lições práticas. Documente: captura de ecrã com data e hora, pergunta exata, motor, modo (com ou sem pesquisa), fontes citadas e, nos casos graves, uma testemunha ou um registo notarial. Notifique formalmente: os processos que avançam são aqueles em que o editor foi avisado e nada fez. Quantifique o prejuízo: contratos perdidos, orçamentos anulados, e-mails de clientes preocupados. Na Europa, o RGPD (artigos 5.º e 16.º, exatidão e retificação) protege as pessoas singulares, dirigentes incluídos, mas não a pessoa coletiva enquanto tal.

Prazos realistas e acompanhamento no tempo

Resposta curta: uma correção numa página lida a pedido repercute-se em alguns dias a algumas semanas, o tempo de uma nova exploração. Um erro de memória de treino espera pela próxima geração de modelo, vários meses. Em ambos os casos, só se sabe que se conseguiu se se voltar a medir, motor a motor.

A Google indica que a aplicação dos seus controlos de pré-visualização após nova exploração pode demorar "de alguns dias a vários meses". É a ordem de grandeza a reter para qualquer correção de página, na Google como nos outros motores que leem a web a pedido. As correções em terceiros acrescentam o prazo do próprio editor.

O acompanhamento é a parte que as equipas negligenciam. Um erro corrigido no ChatGPT pode sobreviver no Gemini; a fraca sobreposição entre motores medida pela Profound quase o garante. É por isso que a exatidão faz parte dos KPI de GEO que recomendamos acompanhar, a par da taxa de citação. Nota de transparência: a Sapian Metrics acompanha a exatidão das respostas em oito motores (ChatGPT, Claude, Perplexity, Gemini, Grok, Copilot, Le Chat, Google AI Overviews), pergunta a pergunta, a partir de 55 € por mês; uma folha de cálculo e uma hora por semana fazem o mesmo trabalho em pequena escala.

B2C e B2B: os erros não são os mesmos

Em B2C, os erros mais frequentes que encontramos incidem sobre horários, preços, disponibilidade de um produto, uma recolha ou o encerramento de um ponto de venda, e atingem diretamente a decisão de compra: o nosso artigo sobre fichas de produto legíveis por IA trata da prevenção do lado do catálogo. Em B2B e SaaS, incidem sobre os preços (o primeiro tema de erro na Profound, para 66% das marcas com afirmações de preço suficientes avaliadas), as funcionalidades, as integrações, a conformidade e as aquisições supostas. Um comprador B2B que lê "não está em conformidade com o RGPD" ou "foi adquirida pela X" numa resposta de IA não lhe vai telefonar para confirmar. A página de preços e a página de segurança são, portanto, as duas primeiras a auditar.

FAQ

O ChatGPT diz que a minha empresa fechou, o que faço primeiro? Verificar se a resposta cita uma fonte. Se sim, corrigir ou mandar corrigir essa página e pedir a reindexação. Se não, publicar uma página datada que responda explicitamente "A [Marca] está em atividade" e reforçar os sinais de terceiros (ficha Google Business Profile, diretórios, imprensa).

Posso pedir à OpenAI ou à Google que corrijam uma informação? Não no sentido de uma retificação garantida. A Google oferece "Comunicar um problema" nos AI Overviews, a OpenAI um formulário de remoção de dados pessoais reservado a pessoas singulares. Nenhum motor se compromete com uma correção nem com um prazo.

Quanto tempo até a correção aparecer? Alguns dias a algumas semanas para um erro vindo de uma página lida a pedido, depois de a página ser corrigida e novamente explorada. Vários meses para um erro de memória de treino, o tempo de uma nova versão do modelo.

Porque é que o erro aparece num motor e não nos outros? Porque cada motor lê fontes diferentes: segundo a Profound, o ChatGPT e o Claude partilham apenas 12,5% das suas afirmações sobre marcas. É preciso, portanto, diagnosticar e acompanhar motor a motor.

Uma IA difama a minha empresa, posso processar? Existem processos (Wolf River Electric contra a Google está em curso), mas o direito não está fixado e um queixoso perdeu contra a OpenAI por falta de prejuízo demonstrado. Documente, notifique formalmente, quantifique o prejuízo e consulte um advogado.

Como evitar que volte a acontecer? Manter uma página de factos canónicos atualizada, remover ou redirecionar páginas desatualizadas, alinhar dados estruturados e texto visível, vigiar os poucos sites terceiros que alimentam as respostas sobre a sua marca e voltar a medir regularmente. Os cinco erros de visibilidade em IA mais comuns coincidem em grande parte com esta lista.

Conclusão

Uma IA que se engana sobre a sua marca não é uma fatalidade nem uma caixa negra. Na maioria dos casos, o erro tem uma morada: uma página, sua ou de um terceiro, que o motor leu. O trabalho consiste em encontrá-la, corrigi-la, forçar a releitura e depois verificar em cada motor que a correção pegou. Se quiser saber o que os oito principais motores dizem hoje da sua marca, e onde se enganam, a nossa auditoria gratuita traça esse retrato em poucos minutos.

#alucinação#exatidão#GEO#reputação

Você é citado pelas IAs?

Receba uma auditoria gratuita da sua visibilidade no ChatGPT, Perplexity e Google AI.

Iniciar a minha auditoria grátis