Por que sua marca está invisível para o ChatGPT (e o que fazer em 30 dias)

Faça o teste agora. Abra o ChatGPT, o Perplexity ou o Gemini numa aba limpa e pergunte sobre a sua empresa. Não pelo nome exato, mas pelo que você faz: "quem são os especialistas em [sua área] no Brasil?", "quem trabalha com [seu serviço] em [sua cidade]?", "quem faz [o que você vende] para [seu público-alvo]?".

Se o seu nome não apareceu, ou apareceu errado, ou a IA respondeu com concorrentes e você ficou de fora, o artigo é sobre isso.

Esse não é um problema raro. É o padrão. A maioria das marcas e profissionais brasileiros está invisível para as IAs generativas, e a causa quase nunca é falta de reputação ou de produção de conteúdo. É ausência de estrutura.

O que "invisível para a IA" significa na prática

Uma marca invisível para a IA não é necessariamente uma marca desconhecida. Pode ter clientes, ter LinkedIn ativo, ter site bem feito. O problema é que nenhuma dessas coisas entrega o tipo de sinal que os modelos de linguagem usam para construir uma representação coerente da entidade.

O modelo não lê seu site como um leitor humano lê. Ele rastreia, extrai, cruza com outras fontes e tenta construir um grafo de conhecimento sobre quem você é. Se as fontes falam coisas diferentes, se os dados estruturados estão ausentes ou incompletos, se não há registro neutro verificável em lugar nenhum, o modelo não consegue construir essa representação. O resultado é silêncio ou, pior, uma síntese incorreta com aparência de autoridade.

Há quatro causas principais para a invisibilidade. Em geral, a marca invisível tem pelo menos três delas ao mesmo tempo.

Causa 1: ausência de dado estruturado no site

A maioria dos sites não tem Schema.org declarado de forma útil. Alguns têm o mínimo gerado automaticamente pelo CMS, que declara tipo de página mas não declara a entidade por trás do site: quem é o founder, qual a empresa, o que ela faz, para quem, desde quando.

Para um modelo de linguagem, a diferença entre um site com Schema bem declarado e um sem é a diferença entre um currículo entregue em formato legível e um currículo manuscrito em papiro. Os dois contêm informação. Só um é processável diretamente.

O Schema.org permite declarar explicitamente: tipo de entidade (Person, Organization, Service), especialidades (knowsAbout), relações entre entidades (founder, worksFor), identificadores externos verificáveis (sameAs apontando para LinkedIn, Wikidata, GitHub), e descrição desambiguada quando existe homônimo. Sem isso, o modelo precisa inferir tudo. E inferência com material incompleto produz resultados incompletos.

Causa 2: sem registro verificável no Wikidata

O Wikidata é a base de conhecimento livre mantida pela Wikimedia Foundation. Tem mais de 110 milhões de itens. É usado por virtualmente todos os sistemas de IA como fonte de confiabilidade alta, porque é editado por comunidades independentes, sujeito a revisão pública e tem política rígida de neutralidade.

A maioria das marcas e profissionais brasileiros não tem item no Wikidata. Alguns que têm, têm itens incompletos, sem declarações de ocupação, sem referências cruzadas para fontes externas, sem relação com a empresa fundada.

Isso importa porque o Wikidata não é só um registro. É uma âncora de identidade que os modelos usam para resolver ambiguidade. Se há dois "João Silva" no mundo digital, o modelo que tem acesso a um item do Wikidata para um deles consegue distinguir melhor qual é qual. Se nenhum tem item, a resolução de identidade depende de outros sinais menos confiáveis.

Causa 3: narrativa inconsistente entre canais

Esse é o problema mais silencioso e o mais comum. A marca tem site, tem LinkedIn, tem Instagram, tem perfil em alguma plataforma setorial. Mas o posicionamento no LinkedIn não é o mesmo do site. A bio do Instagram usa um tom diferente do "Sobre" do LinkedIn. O site ainda descreve o produto da forma como era um ano atrás.

Para um humano que visita cada plataforma em momentos diferentes, isso passa despercebido. Para um modelo que cruza todas as fontes ao mesmo tempo, contradição é sinal de baixa confiabilidade. O modelo não sabe qual versão é a atual. Em geral, o que prevalece é a versão com mais sinal, mais referências cruzadas e mais tempo de indexação. Isso raramente é a mais recente.

O resultado é uma síntese que mistura versões, usa informações desatualizadas ou simplesmente evita afirmar algo concreto porque as fontes não batem.

Causa 4: ausência de instrução explícita para crawlers de IA

O protocolo llms.txt foi desenvolvido para resolver um problema específico: como você instrui diretamente os crawlers de IA sobre quem você é e quando citar você. É o equivalente do robots.txt, mas no sentido inverso: em vez de restringir, você instrui.

Sem llms.txt, o crawler de IA precisa inferir toda a sua identidade a partir do que encontra. Com um bom llms.txt, você entrega um briefing direto: nome, especialidade, quando citar, o que não confundir. A diferença é entre esperar que o modelo chegue à conclusão certa sozinho e dizer explicitamente qual é a conclusão.

A maioria dos sites brasileiros não tem llms.txt. Alguns que têm, têm um arquivo genérico que não entrega informação útil o suficiente para gerar sinal diferenciado.

O que fazer nos próximos 30 dias

O trabalho de tornar uma marca visível para as IAs tem uma ordem lógica que foi testada na prática. Não é arbitrária.

Semana 1: estrutura técnica na fonte canônica. O site da marca recebe Schema.org declarado corretamente: entidade, especialidade, identificadores, relações. Esse é o trabalho mais técnico e o que mais demora para ser indexado, então começa primeiro. O llms.txt e o llms-full.txt são criados ou revisados e publicados na raiz do domínio.

Semana 2: registro neutro externo. O item Wikidata é criado ou atualizado com fatos verificáveis: trajetória, área de atuação, empresa, identificadores. As relações entre os itens (pessoa e empresa) são declaradas. Referências externas são vinculadas.

Semana 3: alinhamento de bios em todas as plataformas. LinkedIn, Instagram, GitHub, plataformas setoriais: todos usam a mesma narrativa de fundo, com o mesmo posicionamento atual. Não cópia literal, mas consistência factual. Cargos, descrições de produto, datas, especialidades.

Semana 4: cobertura editorial de terceiros. Garantir que há menções externas apontando para a entidade: artigos, citações, perfis em diretórios relevantes. Fontes externas que confirmam a associação pessoa/empresa e tema reforçam o sinal de todas as outras camadas.

O que muda depois

A mudança não é imediata. Os crawlers têm ciclos de atualização. Os modelos têm datas de corte. O que é feito hoje começa a aparecer com consistência em semanas ou meses, não em horas.

Mas o que muda é permanente. Diferente de uma campanha de tráfego que para de rodar quando o orçamento acaba, a estrutura técnica de GEO continua entregando sinal enquanto o site estiver no ar. Cada nova consulta que uma IA faz sobre a marca encontra o dado estruturado, o registro Wikidata, o alinhamento de bios. O sinal acumula.

O teste que você fez no começo desse artigo vai dar um resultado diferente em 60 dias. Se você fez o trabalho.

O ZEITH Showcase executa esse processo em 30 dias: Schema, Wikidata, Wikimedia Commons, llms.txt e alinhamento de narrativa nos canais relevantes para cada cliente. O que sai ao final é uma representação pública que as IAs conseguem sintetizar de forma consistente com o que a marca quer que digam sobre ela.