O dado que abre o problema
Faça a mesma pergunta sobre uma marca ao ChatGPT e ao Gemini, no mesmo dia, com o mesmo prompt. Em 7 de cada 10 vezes, as duas respostas não compartilham nenhuma fonte em comum.
Agora o segundo dado, medido na mesma base: apesar dessa divergência quase total de fontes, a probabilidade de a marca ser mencionada é praticamente a mesma nas duas engines. A correlação de share of answer entre ChatGPT e Gemini fica entre 0,87 e 0,94, dependendo do recorte.
As engines discordam sobre de onde tirar a informação e concordam sobre quem mencionar. Este artigo apresenta os números por trás desse paradoxo, o teste estatístico que o resolve e a consequência prática para quem trabalha visibilidade de marca em IA.
Os dados vêm da base de produção da ShapefAI: 65 marcas brasileiras, 207 pares de engines comparados, cobrindo fevereiro a agosto de 2026.
Quanto as fontes divergem
Comparamos os domínios citados por ChatGPT, Gemini e Google AI Overviews dentro da mesma coleta: mesmos prompts, mesma data, mesma marca. A métrica é o Índice de Divergência entre Engines (IDE), definido como 100 menos o overlap Jaccard dos domínios citados.
Os resultados descritivos:
IDE médio por marca de 93,9%. Cerca de 6% das fontes coincidem entre engines. A Semrush reporta overlap abaixo de 50% para o mercado americano; o dado brasileiro mostra quase o dobro de divergência.
Nenhuma marca escapa. Entre as 63 marcas da última coleta, o piso de divergência foi 83%: de grandes marcas financeiras nacionais a clínicas locais. Não encontramos segmento, porte ou categoria em que as engines concordem sobre fontes.
Nem o Google concorda com o Google. O par mais divergente da base é AI Overviews × Gemini, com 98,4% de divergência média entre dois produtos da mesma empresa.
A mediana ChatGPT × Gemini é 100%. Em metade das coletas, as duas engines não citam nenhuma fonte em comum.
O fenômeno é persistente. A divergência ficou acima de 90% em todos os sete meses medidos, sem sinal de convergência.
A leitura operacional desses números é direta: monitorar sua marca em uma única engine não diz nada sobre as outras. As fontes que sustentam cada resposta são, de fato, conjuntos quase disjuntos.
O paradoxo
Com 94% de divergência de fontes, o esperado seria que os resultados também divergissem: marcas bem citadas no ChatGPT e invisíveis no Gemini, e vice-versa.
Os dados mostram outra coisa. O share of answer (a fração de respostas em que a marca aparece) correlaciona fortemente entre ChatGPT e Gemini (r = 0,94 na base completa; 0,87 entre marcas visíveis, um ponto por marca, gráfico abaixo). Os modelos chegam às mesmas conclusões sobre quais entidades têm autoridade em cada categoria, partindo de conjuntos de fontes que quase não se tocam.
Como dois sistemas que leem coisas diferentes concluem a mesma coisa?
O teste que resolve o paradoxo
Antes de publicar a explicação intuitiva ("cada engine tem preferências de fonte estruturalmente diferentes") nós a testamos.
Rodamos um teste de permutação sobre os dados brutos: 16.496 pares engine×domínio, 4.732 domínios distintos, 1.000 permutações. O procedimento embaralha os rótulos de engine dentro de cada coleta, preservando o tamanho dos conjuntos de fontes, e recomputa a divergência. Isso responde a uma pergunta simples: quanta divergência seria esperada por puro acaso, dado que cada engine cita poucos domínios de um universo enorme?
O resultado foi contraintuitivo. A divergência observada (93,9%) é menor que a esperada sob acaso (97,2%, com intervalo de confiança de 95% entre 96,8% e 97,5%). Sob sorteio puro, 54% dos pares teriam zero fontes em comum; observamos 29,5%. Em termos práticos: as engines compartilham fontes cerca de duas vezes mais do que o acaso preveria.
Isso muda a interpretação dos 94%. A divergência bruta é, em grande parte, aritmética de amostragem: quando dois sistemas citam meia dúzia de domínios cada, sorteados de um universo de milhares com cauda longa, os conjuntos quase nunca coincidem, mesmo sem nenhuma preferência estrutural em jogo. O número descritivo continua verdadeiro e continua relevante para quem monitora marcas. Mas a explicação causal de "infraestruturas de citação incompatíveis" não sobrevive ao teste.
O que sobrevive, e resolve o paradoxo, é o desvio em relação ao acaso. Ele aponta para a existência de um núcleo de consenso que não é aleatório.
O consenso tem endereço
Na base analisada, 273 domínios (5,8% do universo) concentram todo o consenso entre engines. Os 10 maiores respondem por 29% dos eventos de concordância, e 87% das coletas multi-engine têm pelo menos uma fonte de consenso.
O perfil desse núcleo, no contexto brasileiro:
- UGC e reviews: YouTube, Reclame Aqui
- Emprego e reputação de empregador: Glassdoor, Indeed, LinkedIn
- Fontes institucionais: Wikipedia, gov.br, imprensa de negócios
- O domínio da própria marca: grandes marcas aparecem como fonte de consenso sobre si mesmas
Esse núcleo explica o paradoxo com mecanismo. Os shares of answer correlacionam porque a distribuição de autoridade é compartilhada entre as engines: todas leem YouTube, Reclame Aqui, Wikipedia e o site oficial da marca. A cauda longa (os milhares de domínios que cada engine cita de forma idiossincrática) é onde mora a divergência de 94%.
Dois jogos, com ROIs diferentes
Para o trabalho de GEO, essa estrutura separa o esforço em duas frentes de natureza distinta.
O jogo de consenso. Ganhar presença nas fontes de consenso da categoria (reviews, UGC, plataformas de emprego, fontes institucionais e o próprio domínio da marca bem estruturado) produz visibilidade em todas as engines simultaneamente. É a frente de maior retorno por unidade de esforço, porque uma única conquista se propaga cross-engine. Os dados sustentam essa leitura: é exatamente nesses domínios que as engines concordam mais do que o acaso permitiria.
O jogo de cauda. Fora do núcleo de consenso, cada engine cita fontes diferentes, e otimizar uma URL específica que o ChatGPT cita não transfere resultado para o Gemini. Nessa frente, cada engine é um tabuleiro separado, e só o monitoramento lado a lado revela em qual deles a marca está presente ou ausente.
Uma ressalva importante sobre o AI Overviews: ele se comporta como outra espécie. A correlação de share com os chatbots cai para 0,41–0,61, e o padrão observado é o de busca clássica: quem ranqueia bem no Google orgânico aparece no AIO, com pouca relação com a presença da marca nos modelos de linguagem. GEO não substitui SEO; são dois eixos, e o AIO é a ponte que pune quem abandona o primeiro.
O tamanho do erro de medir uma engine só
Entre marcas visíveis em pelo menos uma engine, o spread médio de share entre engines é de 17 pontos percentuais. Um terço das coletas apresenta spread acima de 20 pontos, e os casos extremos chegam a 60: a mesma marca com 80% de presença numa engine e 20% em outra.
Um relatório baseado em uma única engine erra, portanto, em dezenas de pontos percentuais para uma marca típica. O motivo é arquitetural: como as fontes quase não coincidem e o consenso só aparece na cabeça da distribuição, a leitura correta exige coletar as engines lado a lado, com os mesmos prompts, na mesma data.
> Sua marca está presente nas fontes de consenso da sua categoria?
> A ShapefAI mede share of answer por engine, identifica as fontes citadas em cada uma e mostra os gaps entre elas: incluindo onde sua marca aparece, onde está invisível e quais ações mudam esse quadro. Solicite seu diagnóstico →
FAQ
Se 94% das fontes divergem, por que não otimizar separadamente para cada engine desde o início?
Porque o retorno é assimétrico. A presença nas fontes de consenso da categoria move todas as engines de uma vez, enquanto o trabalho por engine só afeta uma. A ordem racional é consolidar o núcleo de consenso primeiro e usar o monitoramento multi-engine para identificar, na cauda, os gaps que justificam esforço dedicado.
Esses 273 domínios de consenso valem para qualquer categoria?
O perfil geral (UGC, reviews, emprego, fontes institucionais, domínio próprio) se repete, mas a composição exata varia por categoria: a fonte de consenso de uma fintech não é a mesma de uma clínica. Identificar as fontes de consenso da sua categoria específica exige coleta multi-engine própria, com os mesmos prompts nas mesmas datas.
A divergência de 94% então não importa?
Importa, mas como fato operacional, não como tese causal. Para uma marca, as fontes que cada engine cita são de fato ~94% diferentes, e monitorar uma engine segue não dizendo nada sobre as outras. O que o teste de permutação descarta é a explicação de que as engines teriam preferências de fonte estruturalmente incompatíveis: a divergência bruta vem principalmente da amostragem esparsa sobre um universo de milhares de domínios.
Por que o AI Overviews se comporta diferente?
Porque a arquitetura é outra. O AIO monta respostas a partir do índice de busca do Google, e os dados mostram exatamente isso: correlação fraca com os chatbots e casos em que uma marca domina o AIO sem presença equivalente nos modelos. Na prática, a visibilidade no AIO continua sendo função do ranqueamento orgânico: território de SEO.
O domínio da própria marca ser fonte de consenso significa que basta cuidar do meu site?
Significa que o site próprio é uma das poucas fontes que todas as engines leem, o que o torna prioridade alta, mas ele divide o núcleo de consenso com fontes de terceiros (reviews, UGC, imprensa) que a marca não controla diretamente. As marcas com maior share combinam as duas coisas: domínio próprio bem estruturado e presença consistente nas fontes de consenso da categoria.
A ShapefAI é a primeira plataforma brasileira de GEO. Medimos visibilidade de marcas em respostas de IA por engine, com coleta própria multi-engine, porque é na diferença entre elas, e no núcleo em que elas concordam, que estão as ações de maior retorno. [Conheça a plataforma →](https://shapefai.com)