As três dimensões do IA Performance Index

Presença, qualidade e contexto: os três eixos que definem seu score

O IA Performance Index organiza seus 7 componentes em três dimensões: presença (a marca aparece?), qualidade (as informações estão corretas?) e contexto (ela é citada no momento certo?). Essa separação em três eixos não é estética — é estrutural. Uma marca pode ter presença alta e qualidade péssima, o que significa que ela aparece bastante, mas com informações erradas. Isso é pior do que não aparecer. Segundo pesquisa da Edelman Trust Barometer 2024, 63% dos consumidores perdem confiança em uma marca após encontrar informações inconsistentes sobre ela online. Nos motores de IA, esse efeito é amplificado porque o usuário tende a confiar mais na resposta — ele não vê 10 resultados pra comparar, vê uma resposta direta. As três dimensões permitem diagnosticar exatamente onde está o problema e priorizar a correção.

Dimensão 1: presença — você existe nas respostas?

Presença mede se a sua marca aparece quando alguém faz perguntas relevantes pro seu setor em ChatGPT, Gemini, Perplexity e Google AI Overviews. A gente dispara dezenas de prompts reais — do tipo "melhor [categoria] em [cidade]" ou "qual [serviço] tem melhor custo-benefício" — e registra se a marca foi citada ou não. A taxa de aparição é calculada por motor e depois ponderada. Presença em AI Overviews tem peso diferente de presença no Perplexity, porque o volume de usuários é diferente. Dado importante: segundo o BrightEdge 2024, Google AI Overviews já aparecem em 47% das buscas nos EUA. No Brasil, esse número está crescendo rápido. Uma marca com presença zero nesses motores está invisível pra uma fatia crescente de potenciais clientes. A dimensão presença responde a pergunta mais básica: a IA sabe que você existe?

Dimensão 2: qualidade — a IA fala certo sobre você?

Qualidade analisa se, quando a marca aparece, as informações estão corretas. A gente verifica nome da empresa, categoria de atuação, localização, descrição dos serviços, diferenciais citados e até se há confusão com concorrentes. Cada item é checado contra as 8 fontes de dados do pipeline: SERP, Google Places, Reclame Aqui, redes sociais, sites de review, diretórios setoriais, conteúdo próprio da marca e resultados de LLMO. Uma descoberta que a gente fez analisando marcas brasileiras: em 40% dos casos, pelo menos um motor de IA confunde a categoria do negócio. Um restaurante japonês aparece como "comida asiática genérica". Uma fintech de crédito aparece como "banco digital". Segundo o Stanford HAI Report 2024, LLMs ainda apresentam taxa significativa de alucinação factual — e quando a alucinação envolve a sua marca, o impacto é direto no seu negócio. Qualidade mede justamente a precisão dessas citações.

Dimensão 3: contexto — a IA cita você na hora certa?

Contexto é a dimensão mais sutil e, frequentemente, a mais valiosa. Ela mede em que tipo de pergunta a marca aparece. Perguntas comerciais ("qual o melhor X pra comprar") têm peso maior que perguntas informacionais ("o que é X"), porque estão mais perto da decisão de compra. A gente classifica cada prompt em categorias de intenção — comercial, informacional, navegacional, comparativa — e analisa se a marca aparece nos contextos de maior valor. Uma marca pode ter presença 8 e qualidade 7, mas contexto 3, porque só aparece em perguntas genéricas e nunca em comparações diretas. Isso significa que a IA sabe que ela existe e fala certo sobre ela, mas não a recomenda quando alguém está decidindo. Segundo a Gartner, 70% das jornadas de compra B2B agora incluem pesquisa autônoma antes do contato com vendas — e IA generativa está se tornando parte dessa pesquisa.

Como as três dimensões interagem no score final

O score final não é uma média simples das três dimensões. Cada dimensão tem um peso-base que é ajustado pelo setor do negócio. Pra negócios locais (restaurantes, clínicas, lojas), presença costuma ter o maior peso — porque se a marca não aparece, nada mais importa. Pra empresas B2B com ciclos longos de venda, contexto pesa mais — porque aparecer em comparações e recomendações técnicas é o que gera pipeline. Pra marcas de consumo com alta exposição, qualidade é crítica — porque qualquer informação errada escala rápido. Essa calibração acontece no início de cada análise e pode ser ajustada conforme a gente acumula dados do setor. O resultado é um índice que não compara alhos com bugalhos: um restaurante em São Paulo é avaliado com parâmetros diferentes de um SaaS de cibersegurança, mesmo usando o mesmo framework de 0 a 10.