Como a Pergunta Muda o Que a IA Responde Sobre Sua Marca
A reputação da sua marca nas IAs não é um número fixo. Ela muda conforme a pergunta que o cliente faz. Um estudo publicado em 4 de novembro de 2026 pela SE Ranking, em parceria com a Lastmile Retail, mediu exatamente quanto — e o resultado exige atenção de quem acompanha o que o ChatGPT, o Gemini e o Claude dizem sobre o seu negócio.
A resposta da IA muda conforme a pergunta — e quase ninguém mede isso
Quem já acompanha visibilidade em IA conhece a rotina: abre o ChatGPT, pergunta algo sobre a própria marca, anota o resultado. O problema é que quase sempre a pergunta é feita de forma favorável ou neutra. E o estudo mostrou que essa escolha distorce o número.
A pesquisa testou 180 perguntas — 60 positivas, 60 neutras e 60 negativas — e descobriu que a correlação entre o tom da pergunta e o sentimento da resposta é forte: índice de Spearman de 0,66. Na prática, mudar a forma de perguntar fez a percepção de uma marca oscilar 184 pontos, de +91 para -93, sem que nada mudasse na empresa, no produto ou no site.
Para quem mede reputação em IA, a consequência é direta: o número que aparece no seu painel depende, em boa parte, da pergunta que foi usada para gerá-lo. Medir sem controlar a pergunta é medir algo que muda sozinho.
O estudo: 180 perguntas, 900 respostas e um cuidado raro de metodologia
O estudo foi conduzido por Celeste Gonzalez, da Lastmile Retail, e publicado no blog da SE Visible, plataforma de visibilidade em IA da SE Ranking. Foram 180 prompts — 60 positivos, 60 neutros e 60 negativos — aplicados a três categorias diferentes de produto: TVs (Samsung vs. Sony), telessaúde GLP-1 (Hers vs. Start Willow) e programas de fidelidade de companhias aéreas (Delta SkyMiles vs. United MileagePlus).
Cada pergunta foi enviada ao ChatGPT cinco vezes, gerando 900 respostas analisadas. O sentimento foi classificado de forma independente da pergunta original, numa escala que vai de -100 a +100. As perguntas cobriam quatro intenções de compra: recomendação, comparação, confiança e valor.
O ponto forte do desenho é que, para cada marca, havia uma versão positiva, uma neutra e uma negativa da mesma pergunta de base. Nada de comparar uma pergunta boa sobre um produto com uma pergunta ruim sobre outro. A marca e a informação de fundo ficavam as mesmas; só o enquadramento mudava.
Por que "neutro" não produz resposta neutra
Um achado que costuma surpreender: perguntas neutras não geraram respostas neutras. Elas produziram um sentimento médio de +20 — levemente positivo. O ChatGPT tende a descrever marcas de forma um pouco favorável quando a pergunta não empurra para nenhum lado.
Isso importa porque muita gente trata a pergunta neutra como linha de base. Não é. A linha de base já nasce inclinada para o positivo. Se o seu relatório de reputação usa só perguntas neutras, ele está mostrando um cenário mais bonito do que o real.
Isso tem consequência direta para relatórios. Se a sua ferramenta de medição só roda perguntas neutras, o "sentimento da marca" que ela devolve começa em +20 por padrão, mesmo que os clientes reais estejam fazendo perguntas bem diferentes. O número parece saudável, mas o piso já estava inclinado a seu favor antes de a medição começar.
Negativo pesa o dobro do positivo
O dado mais importante do estudo não foi a correlação, mas a assimetria. Perguntas negativas moveram o sentimento da marca para baixo numa proporção aproximadamente duas vezes maior do que perguntas positivas moveram para cima.
Na escala de sentimento usada, os números ficaram assim:
| Tom da pergunta | Sentimento médio |
|---|---|
| Pergunta positiva | +46 |
| Pergunta neutra | +20 |
| Pergunta negativa | -36 |
Ou seja: uma única pergunta negativa custa mais do que uma pergunta positiva rende. Para quem monitora reputação de marca em IA, ignorar as perguntas negativas é medir só metade do quadro — e justamente a metade que mais puxa o número para baixo.
A ordem da pergunta derruba (ou salva) uma marca
O achado mais dramático veio dos prompts de comparação. Quando duas marcas apareciam na mesma pergunta, o sentimento negativo tendia a se colar na marca posicionada como "a que fica atrás" — e a outra saía beneficiada.
Os números chamam atenção. Ao inverter qual marca a pergunta apontava como problemática, a United MileagePlus foi de +91 para -93, uma diferença de 184 pontos. A Sony foi de +96 para -9. Não é um efeito sutil de redação: é a mesma marca sendo descrita de forma oposta só por mudar o enquadramento da pergunta.
Isso significa que, em categorias competitivas, uma comparação mal posicionada pode fazer a IA apresentar a sua marca como a pior opção — ou a melhor — dependendo de qual lado da comparação a pergunta coloca o defeito.
Um detalhe que vale nota: os prompts de comparação foram os menos sensíveis ao tom negativo isolado. Isso faz sentido — quando duas marcas estão na mesma pergunta, o ChatGPT distribui o elogio e a crítica entre elas, em vez de aplicar tudo a uma só. A instabilidade aparece menos no "quanto" e mais no "quem": qual das duas marcas fica com o papel de melhor e qual fica com o de pior.
Mas o enquadramento não apaga a reputação existente
O estudo também mostrou o limite desse efeito. Quando a informação disponível favorecia fortemente uma marca, o ChatGPT às vezes mantinha a visão mesmo com a pergunta armada contra ela. A Sony segurou +59 mesmo quando a pergunta atacava o desempenho do upscaling da TV. A Hers continuou em -72 mesmo quando a pergunta mirava o processo de cancelamento da concorrente.
Traduzindo: o tom da pergunta molda a resposta, mas não parte de uma folha em branco. A reputação já construída, a proeminência da marca na categoria e o tipo de pergunta também pesam no resultado final. O prompt não faz mágica em cima de uma reputação inexistente.
A mesma pergunta nem sempre dá a mesma resposta
Existe ainda outra fonte de variação: o próprio ChatGPT. Como IA generativa não responde duas vezes igual, cada pergunta do estudo foi rodada cinco vezes. O resultado: só 44% das perguntas receberam a mesma classificação de sentimento nas cinco rodadas. Mais da metade variou pelo menos uma vez.
Mas não é caos. Em 96% das perguntas, ainda havia um sentimento majoritário — pelo menos três das cinco respostas apontando na mesma direção. A leitura correta não é "não dá para medir reputação em IA", e sim "meça mais de uma vez e olhe o padrão, não a resposta isolada".
Quem tira conclusão a partir de uma única resposta está reagindo a ruído. Quem mede várias vezes e observa o sentimento majoritário está olhando para o padrão que os clientes realmente encontram.
O que isso muda na prática para uma PME
Para uma empresa pequena ou média, o efeito do prompt não é curiosidade acadêmica. É a diferença entre ser citada como opção principal e ser ignorada — ou, pior, citada como exemplo do que evitar.
Pense em dois clientes procurando a mesma solução. Um pergunta "qual o melhor sistema para a minha clínica?". O outro pergunta "quais sistemas de agendamento dão problema com paciente?". A IA pode responder aos dois com base nos mesmos fatos, mas o enquadramento decide quem aparece bem e quem aparece mal. Se a sua marca só monitora o primeiro tipo de pergunta, você nunca vê o que o segundo cliente está lendo sobre você.
Isso vale dobrado para categorias competitivas, onde as comparações entre marcas são comuns. É nesse tipo de pergunta que a ordem dos nomes e o enquadramento do defeito produzem as maiores oscilações, como mostrou o teste com Samsung, Sony, Delta e United.
Na prática, uma PME que entende isso faz duas coisas: monitora as perguntas negativas da sua categoria e alimenta o site com respostas para as objeções que a IA repete. Sem as duas, qualquer relatório de "reputação em IA" está mostrando um retrato pela metade.
Como medir reputação em IA levando a pergunta em conta
Se o número depende tanto da pergunta, a metodologia de medição precisa deixar de ser um detalhe e virar uma decisão explícita. O estudo propõe um caminho simples e aplicável a qualquer PME:
- Não monitore só perguntas positivas ou neutras. Inclua variações positivas, neutras e negativas para ver o intervalo completo do que um cliente pode ler sobre a sua marca.
- Rode cada pergunta mais de uma vez e trabalhe com o sentimento majoritário, não com a primeira resposta que aparecer.
- Separe os resultados por intenção — recomendação, comparação, confiança e valor — porque o efeito do tom muda conforme o tipo de pergunta.
- Use os pontos de queda, como preço, confiança e limitações de produto, como lista de conteúdo a criar no site.
Um exemplo concreto: em vez de monitorar só "qual é a melhor ferramenta de CRM para clínica?", monte três variações. Positiva: "quais os pontos fortes do CRM X para clínica?". Neutra: "o que considerar antes de escolher o CRM X?". Negativa: "quais os problemas mais comuns do CRM X?". As três apontam para o mesmo produto, mas revelam faixas de resposta diferentes — e é a faixa negativa que mais pede ação.
É essa a lógica do AI Recommendation Score™, a métrica que a Orbitax usa para medir reputação: olhar o que as IAs respondem em diferentes contextos de pergunta, não em uma única consulta de vitrine. Uma métrica única e isolada conta pouco; um painel de prompts variados mostra onde a sua marca é forte e onde ela sangra.
Recomendação e valor reagem mais ao tom; confiança resiste
O estudo separou os resultados por intenção e encontrou diferenças importantes. Perguntas de recomendação e de valor foram as mais sensíveis ao tom, oscilando para cima e para baixo com clareza conforme o enquadramento. Já as perguntas de confiança permaneceram cautelosas mesmo quando formuladas de forma positiva: o ChatGPT tende a segurar o elogio quando o assunto é rigor, segurança ou confiabilidade.
Para uma marca, isso muda a prioridade de trabalho. Se as perguntas de confiança estão derrubando o seu número, produzir prova — garantias, certificações, casos reais, descrição transparente de processos — tende a render mais do que polir a descrição de produto. Cada intenção de pergunta pede um tipo de evidência diferente.
Transforme a resposta negativa em pauta de conteúdo
A conclusão prática do estudo é direta: não fuja das perguntas feias, responda melhor. Se o ChatGPT insiste em trazer preocupação com preço, confiança ou limitações do seu produto, isso é uma lista de conteúdo pronta, entregue de graça pela própria IA.
Onde responder: na página de perguntas frequentes, na página de preços, em comparativos e nas páginas de serviço. O objetivo é que o seu site forneça a informação que molda o entendimento da marca antes de a IA precisar preencher a lacuna com suposição. Quando o site já responde a objeção com clareza, a IA tem menos espaço para inventar um cenário negativo.
Funciona como um círculo que se fecha: a IA repete as objeções que encontra, o site responde as objeções, e a próxima rodada de respostas da IA já reflete a informação nova. Medir reputação sem alimentar o site com respostas é observar o problema sem agir sobre ele.
Como verificamos os dados deste artigo
Os números deste texto vêm do estudo original publicado pela SE Ranking e pela Lastmile Retail em 4 de novembro de 2026, e foram cruzados com dois resumos independentes — Search Engine Land e TechWyse — que reportaram os mesmos valores (correlação de 0,66, sentimento médio de +46/+20/-36 e a oscilação de 184 pontos da United). Todos os dados foram coletados em 18 de novembro de 2026.
Uma ressalva de método importante: o estudo mede sentimento, não precisão factual. Uma resposta pode elogiar uma marca com uma informação errada, ou criticá-la com uma observação verdadeira. Sentimento e veracidade são coisas diferentes — e medir reputação em IA exige acompanhar as duas.
Também não há dado pessoal envolvido na medição: as perguntas são públicas e genéricas, sobre marcas e categorias, sem coletar informação de consumidores. Isso mantém a prática simples do ponto de vista de privacidade.
Uma limitação a considerar: o experimento usou apenas o ChatGPT, e em três categorias (TVs, telessaúde e fidelidade aérea). Os resultados não foram testados no Gemini ou no Claude, embora a sensibilidade ao tom seja um comportamento esperado em qualquer modelo generativo. Ainda assim, a direção do efeito — negativo pesa mais, neutro não é neutro, resposta varia entre rodadas — é um padrão de modelo, não uma particularidade de uma marca ou setor.
Veredito final
A pergunta não é neutra. Ela carrega tom, e o tom puxa a resposta — para baixo com força dobrada quando é negativo. Quem mede reputação em IA sem controlar a pergunta está lendo um número que muda sozinho, influenciado por uma variável invisível.
A solução não é medir menos, é medir com método: perguntas positivas, neutras e negativas, mais de uma rodada, separadas por intenção. E usar cada resposta negativa como um mapa do que o seu site precisa responder melhor. Quem entende como a pergunta molda a resposta deixa de ser surpreendido pelo que a IA fala — e começa a agir sobre isso.
Perguntas Frequentes
A pergunta que eu faço muda o que a IA fala sobre a minha marca?
Sim. Um estudo da SE Ranking e da Lastmile Retail (novembro de 2026) mostrou correlação de 0,66 entre o tom da pergunta e o sentimento da resposta do ChatGPT. Uma marca chegou a oscilar 184 pontos, de +91 para -93, só por mudar o enquadramento da pergunta.
Perguntas negativas têm mais impacto do que positivas?
Sim, cerca de duas vezes mais. Na escala de -100 a +100, perguntas positivas levaram o sentimento a +46 em média, enquanto as negativas arrastaram para -36. Uma pergunta negativa custa mais do que uma pergunta positiva rende.
O que é Net Sentiment nesse contexto?
É uma escala de -100 a +100 usada para classificar se a resposta da IA fala da marca de forma positiva, neutra ou negativa. O estudo classificou o sentimento de forma independente da pergunta original para medir o efeito do enquadramento.
A IA sempre responde igual para a mesma pergunta?
Não. No estudo, só 44% das perguntas tiveram a mesma classificação de sentimento nas cinco rodadas. Mas 96% ainda produziram um sentimento majoritário. Por isso a recomendação é medir mais de uma vez e olhar o padrão.
Como devo medir a reputação da minha marca nas IAs?
Inclua perguntas positivas, neutras e negativas; rode cada uma mais de uma vez e use o sentimento majoritário; separe os resultados por intenção (recomendação, comparação, confiança, valor). É a lógica do AI Recommendation Score™.
O que fazer quando a IA fala mal da minha marca?
Trate a crítica como pauta de conteúdo. Se a IA aponta preocupação com preço, confiança ou limitações, responda em FAQ, página de preços, comparativos e páginas de serviço. Quando o site já responde a objeção, a IA tem menos espaço para supor.
Fontes
- Does Prompt Sentiment Affect How ChatGPT Describes Brands? What 900 Responses Showed(acessado em 2026-11-18)
- Negative prompts have 2x impact on ChatGPT brand sentiment(acessado em 2026-11-18)
- ChatGPT Brand Sentiment Scores Face a Prompt Bias Test(acessado em 2026-11-18)
Descubra como as IAs percebem sua marca
A Orbitax mede seu AI Recommendation Score™ em 5 plataformas de IA e entrega um plano de ação em 48h.
Descubra o que as IAs falam da sua marca hoje →