IA Performance Index: o que é e como funciona

Um score de 0 a 10 para visibilidade em IA

O IA Performance Index é uma nota de 0 a 10 que mede o quanto a sua marca é visível, bem descrita e bem contextualizada dentro de motores de IA como ChatGPT, Gemini, Perplexity e Google AI Overviews. Não é opinião, não é estimativa. É o resultado de centenas de prompts reais executados contra esses motores, com cada resposta analisada por um pipeline multi-LLM. A gente construiu esse índice porque, segundo o Stanford HAI AI Index Report 2024, o uso de IA generativa dobrou em 12 meses entre profissionais — e marcas que não aparecem nessas respostas estão perdendo decisões de compra que nem sabem que existem. O score final agrupa 7 componentes ponderados em três dimensões: presença, qualidade e contexto. Cada componente tem peso calibrado pelo setor da empresa, porque o que importa pra um restaurante local é diferente do que importa pra um SaaS B2B.

O pipeline multi-LLM por trás do número

O índice não sai de um único modelo. A gente usa um pipeline com três LLMs em sequência, cada um com uma função específica. Gemini faz a coleta de dados estruturados — ele varre SERP, Google Places, Reclame Aqui, redes sociais e outras fontes. GPT executa os testes de LLMO (Large Language Model Optimization), disparando prompts reais nos motores e registrando se a marca aparece, como aparece e em que posição. Claude analisa os resultados e gera planos de ação priorizados. Essa separação existe por um motivo técnico: cada modelo tem vieses diferentes. Usar três modelos cruzando informações reduz o risco de falso positivo ou falso negativo. Segundo a Gartner, até 2026 mais de 80% das empresas terão usado APIs de IA generativa em produção — e a maioria vai operar com múltiplos modelos justamente pra mitigar viés.

As 4 zonas de score e o que cada uma significa

O IA Performance Index divide os resultados em quatro zonas claras. Crítico (0-3): a marca praticamente não existe nas respostas de IA, ou quando aparece, as informações estão erradas. Atenção (3-5): aparece em alguns motores, mas com inconsistências — nome errado, categoria trocada, concorrente citado no lugar. Bom (5-7): presença consistente na maioria dos motores, com informações corretas, mas sem destaque em contextos de decisão de compra. Excelente (7-10): a marca é citada de forma precisa, no contexto certo, como referência no setor. Essas faixas não são arbitrárias. Elas refletem padrões que a gente identificou analisando centenas de marcas brasileiras. Um dado relevante do BrightEdge 2024: 58% do tráfego web já vem de buscas orgânicas, e AI Overviews estão canibalizando parte significativa desse volume.

7 componentes com pesos que se adaptam

Os 7 componentes do índice cobrem desde o básico — a marca aparece? — até o sofisticado — ela é citada como referência em perguntas de comparação? Os componentes incluem: taxa de aparição em prompts relevantes, cobertura entre motores (ChatGPT, Gemini, Perplexity, AI Overviews), precisão das informações exibidas (nome, endereço, categoria, descrição), sentimento da citação, posição na resposta (primeira menção vs. nota de rodapé), contexto do prompt (comercial, informacional, navegacional) e consistência entre medições. O peso de cada componente muda conforme o setor. Pra um e-commerce, cobertura entre motores pesa mais. Pra um escritório de advocacia, precisão das informações é crítico. Essa calibração setorial é o que diferencia o IA Performance Index de um ranking genérico.

Por que a gente construiu isso agora

A janela pra se posicionar em IA é curta. Diferente do SEO tradicional, que levou 20 anos pra amadurecer, o LLMO está se definindo agora. As marcas que entenderem como os motores de IA as enxergam hoje vão ter vantagem composta nos próximos anos. A gente construiu o IA Performance Index porque não existia nada parecido no Brasil — e porque vimos que empresas estavam tomando decisões caras baseadas em achismo sobre "aparecer no ChatGPT". O índice transforma isso em dados. Cada número tem rastro, cada mudança tem explicação, e cada recomendação é baseada no que o pipeline detectou. Isso é o que a gente chama de metodologia auditável: se você duvida do número, a gente mostra de onde ele veio, prompt por prompt.