O estudo mais rigoroso sobre citação de marca por IA foi publicado pelo sócio da empresa que ele mede

A demo não tem legado, e um preprint não tem cliente pagando a conta se a recomendação não funcionar. Isso separa o estudo que a Ranqo publicou em junho de 2026 — rastreando como cinco motores de IA citam marcas — de quase tudo que se vende hoje como "prova de GEO". O método é sério. A conclusão que o mercado quer tirar dele não é a que o próprio autor tira.

O que a Ranqo mediu, e mediu com rigor real

Entre março e maio de 2026, a Ranqo rastreou 102 marcas em 3.508 execuções, gerando 102.025 respostas de prompt e 149.912 citações de fonte em cinco motores (ChatGPT, Gemini, Perplexity, Claude e Grok). O achado central é uma escada: marcas de porte global aparecem em 73% das respostas de categoria quando o prompt não cita o nome da marca; marcas médias, em 44%; marcas pequenas, em 11% — uma queda de cerca de 30 pontos percentuais por nível, confirmada por teste de Kruskal-Wallis (p = 4,78 × 10⁻⁹) e comparações par a par que sobrevivem à correção de Bonferroni. Isso não é retórica de case de agência: é teste estatístico publicado, com intervalo de confiança por bootstrap e tamanho de efeito reportado. Quem mantém isso — ou melhor, quem rodou o pipeline que produziu o número — documentou o próprio instrumento de medição, e isso já é mais do que a maioria dos relatórios do setor faz.

O autor é sócio da empresa que o estudo mede, e ele diz isso

O artigo tem uma seção chamada "Competing interests and funding", e ela não esconde nada: o autor, Pratyush Kumar, é cofundador da Ranqo e detém participação na empresa. Todos os dados, o pipeline de consulta e auditoria e o motor de recomendação analisados no estudo são sistemas de produção da própria Ranqo. É um preprint de autor único, sem financiamento externo. Isso de forma alguma é condição normal de artigo acadêmico — é vendedor medindo o próprio produto. Mas declarar isso por escrito, em vez de deixar a assinatura comercial escondida atrás de um "relatório da indústria", é a diferença entre uma fonte que dá para auditar e uma que só dá para repetir. O problema não é a origem do dado. É o que se promete fazer com ele depois.

O que a régua não mede: se fazer o que ela recomenda muda alguma coisa

Aqui está o ponto que separa medir em produção de vender resultado em produção. O próprio autor escreve, na seção de limitações, que "cada trajetória é uma linha de base observacional, não um efeito de tratamento" — ou seja, nada no estudo testa se uma marca que segue as recomendações da plataforma sobe de nível. O experimento que provaria isso, batizado de Protocolo P3, exigiria atribuição aleatória de recomendações a marcas de um mesmo porte e comparação de resultado — e está listado como trabalho futuro, ainda não feito. Isso é a demo falando sobre o sistema em produção sem ter rodado o sistema em produção. A escada de 73%/44%/11% é real e bem medida; o que ela não prova é que gastar em GEO move uma marca de um degrau para o outro. Quem vende "aumentamos sua citação por IA" citando este estudo está citando a parte que o próprio autor marcou como não testada.

Marca pequena tem teto baixo em todo motor — e ele não sobe sozinho

Para o ICP que mais importa aqui — quem não é Nike nem Stripe —, o número que interessa é outro: marcas pequenas ficam entre 6,8% e 9,9% de reconhecimento sem o nome citado, dependendo do motor, e isso se mantém assim com o tempo. O estudo ajustou uma inclinação de tendência por grupo (nível de marca × motor) e, em quase todos os grupos, o intervalo de confiança dessa inclinação cruza zero — ou seja, não há evidência de que o degrau de baixo suba por conta própria dentro da janela medida. Funciona até o caso que importa: o caso de quem não tem três anos de imprensa e Wikipedia para construir a reputação que os motores já reconhecem de cara. Para essa marca, o teto não é um problema de conteúdo que se resolve com um artigo otimizado — é um problema de estatura que o estudo não promete resolver, e que nenhum fornecedor devia prometer resolver com uma lista de tarefas.

O formato mais citado é a lista — o que isso prova e o que não prova

Das citações rastreadas, cerca de 21% vieram de páginas no formato "melhores ferramentas de X" — a listicle é, disparado, o formato de página mais citado pelos cinco motores. É um dado de correlação de formato, coletado da mesma forma rigorosa que o resto do estudo. Mas o salto de "esse formato é citado com mais frequência" para "se eu publicar uma lista, minha marca vai ser citada" é exatamente o salto causal que o próprio §7 do artigo se recusa a dar. O estudo não testou se marcas que publicaram sua própria listicle subiram de posição — ele só observou que esse é o tipo de página que os motores citam quando citam alguma coisa. A diferença entre as duas frases é o tamanho do cheque que vale a pena pagar por ela.

Rastreei o artigo inteiro, não o resumo de blog de agência que o citou — o mesmo tipo de atalho que já derrubou outro número de GEO citado nesta casa. O que sobrevive à leitura completa é um instrumento de medição sério, com disclosure honesto de quem o fez e por quê, aplicado a uma pergunta genuinamente difícil — quanto a estatura de uma marca pesa na citação por IA. O que não sobrevive é a venda de "fizemos a ciência, agora compre a correção": a própria ciência, lida até o fim, diz que ainda não sabe se a correção funciona. Comparado com o número de citação de marca no Brasil que esta casa já auditou, a lição se repete: a métrica que existe e a métrica que se vende raramente são a mesma linha do relatório. Antes de pagar por visibilidade em IA, peça o protocolo P3 — ou o equivalente dele — rodado na sua própria marca. Sem isso, você está comprando a escada, não o elevador.