Quando a IA mente sobre a tua marca: porquê e como corrigir
Por Miguel Maio ·
TL;DR
- A IA inventa factos sobre marcas com frequência: um benchmark de 2026 sobre 37 modelos mede alucinações entre 15% e 52%, consoante a tarefa.
- Há duas falhas distintas e quase ninguém as separa: a paramétrica (o modelo 'lembra-se' mal, dos dados de treino) e a de retrieval (lê uma fonte errada ou desatualizada em tempo real). A correção é diferente para cada uma.
- Já custa dinheiro real: a Air Canada foi responsabilizada por um chatbot que deu informação falsa (2024) e a Deloitte reembolsou ~US$290K por um relatório com citações inventadas (2025).
- A defesa não é 'corrigir o site': é construir uma fonte de verdade que a IA leia (entidade, schema, Wikidata, terceiros de autoridade) e monitorizar com prompts fixos. RAG bem feito com guardrails corta alucinações em 71-89%.
Pergunta ao ChatGPT o que a tua empresa faz. Depois pergunta o preço, a morada, se tens uma certificação. Há uma boa hipótese de uma dessas respostas estar errada - dita com a mesma confiança das que estão certas. Não é azar: é como os modelos funcionam. E, ao contrário de um erro no Google, não há uma página para corrigir - o erro vive dentro do modelo ou na fonte que ele leu. A boa notícia: percebendo a causa, corrige-se.
As duas falhas que ninguém distingue - e devia
Quase toda a gente trata "a IA errou sobre mim" como um problema só. São dois, com soluções opostas:
1. Alucinação paramétrica. O modelo "lembra-se" da tua marca a partir dos pesos do treino - e lembra-se mal, ou desatualizado. Não está a ler nada em tempo real; está a gerar a partir do que absorveu. Corrigir o teu site hoje não muda isto de imediato: só entra quando houver novo treino e quando os sinais de entidade estiverem suficientemente fortes e consistentes para o modelo "reaprender" o facto certo.
2. Alucinação de retrieval. O modelo vai buscar informação em tempo real (search grounding, RAG) e lê uma fonte errada, antiga ou de baixa qualidade - e depois resume-a com confiança. Aqui, sim, o que está publicado agora conta: a solução é controlar que fontes ele encontra e garantir que a certa é a mais visível e inequívoca.
Distinguir as duas é o trabalho. Se a IA cita uma fonte, é retrieval - vai à fonte e corrige-a. Se afirma sem citar, é (provavelmente) paramétrico - o jogo é de entidade e consistência a médio prazo. Tratar tudo como "corrijo o meu site" é o erro que faz as pessoas desistirem, convencidas de que não há nada a fazer.
Quanto custa mesmo
Isto deixou de ser um problema de imagem. Em 2024, um tribunal canadiano responsabilizou a Air Canada por informação falsa dada pelo seu chatbot sobre tarifas de luto - a empresa argumentou que o bot era "uma entidade separada" e o tribunal recusou: a marca responde pelo que a sua IA diz. Em 2025, a Deloitte aceitou reembolsar parte de um contrato de ~AU$440 mil (~US$290 mil) ao governo australiano depois de um relatório aparecer com citações académicas inventadas e uma frase atribuída a um acórdão que não existia - geradas por IA. Se acontece a uma Big Four, a tolerância para a tua marca é zero.
Porque a tua marca é alvo fácil
Os modelos alucinam mais onde têm menos sinal e mais ruído. Uma marca com entidade fraca - nome inconsistente, sem schema, sem presença em fontes independentes - deixa o vazio que o modelo preenche por conta própria. Pior: se tens dados contraditórios espalhados (preços antigos num diretório, morada errada noutro, uma bio desatualizada no LinkedIn), estás tu a alimentar a alucinação. As taxas ajudam a dimensionar o risco: a média caiu de ~38% (2021) para ~8,2% (2026), mas em geração aberta anda nos 15-25% e em cadeias de agentes com chamadas a ferramentas chega aos 20-40%. Quanto mais a decisão de compra passar por um agente, maior a exposição.
O playbook da fonte de verdade
A defesa é construir uma única fonte de verdade que a IA leia e reutilize, por esta ordem:
- Entidade inequívoca: Person/Organization coerente, com
sameAspara os perfis oficiais e, se possível, Wikidata - é assim que o modelo liga o nome aos factos certos. - Schema factual na própria página: preço, morada, fundação, certificações em dados estruturados válidos e coerentes com o texto visível (o retrieval lê isto primeiro).
- Alinhar os terceiros: corrigir NAP, bios e factos nos diretórios, imprensa e perfis que a IA cita - não basta o teu site se o modelo lê outra fonte.
- Conteúdo que responde à pergunta: uma FAQ que declara o facto de forma direta e citável dá ao modelo a versão correta para extrair.
- llms.txt e controlo de crawlers: facilitar o acesso à informação certa e decidir que bots de IA podem ler o quê (ver bloquear ou permitir a IA).
Repara na lógica: os pontos 2 a 5 atacam o retrieval (efeito rápido); o ponto 1 ataca o paramétrico (efeito a médio prazo). Precisas dos dois.
Como monitorizar sem gastar rios de dinheiro
Não corriges o que não medes. Fixa um conjunto de 10-20 prompts sobre a tua marca (o que faz, preços, comparações com concorrentes, "é de confiança?") e corre-os periodicamente nos quatro motores (ChatGPT, Perplexity, Gemini, AI Mode), sempre os mesmos, para comparar no tempo. Ferramentas de brand monitoring em IA (por exemplo o Brand Radar do Ahrefs) automatizam parte disto, mas uma folha de cálculo disciplinada já apanha o essencial. O objetivo não é vaidade: é detetar a alucinação antes do cliente e ter a prova para agir. É o que faço na consultoria de GEO, ligado à auditoria de visibilidade em IA.
Leitura honesta
Não há botão para "corrigir o ChatGPT", e quem prometer isso está a vender fumo. As alucinações não desaparecem - reduzem-se, com sinais consistentes e monitorização contínua. As taxas melhoram a cada geração de modelos (as melhores já andam abaixo de 1%), mas a tua marca não controla o calendário de treino de ninguém. Controla o que a IA lê sobre ti. Começa por aí.
Dados-chave
| Intervalo de alucinação (37 modelos, 2026) | 15-52% |
|---|---|
| Média histórica (2021 → 2026) | ~38% → ~8,2% |
| Geração aberta / cadeias de agentes | 15-25% / 20-40% |
| Caso Air Canada (chatbot, 2024) | Empresa responsabilizada |
| Caso Deloitte (citações inventadas, 2025) | Reembolso ~US$290K |
| Redução com RAG + guardrails | -71 a -89% |
Taxas variam muito por tarefa e modelo; ler intervalos, não valores absolutos.
Fontes: OECD.AI - Deloitte refunds Australia (2025) · CBC News - Air Canada chatbot liability (2024) · SQ Magazine - LLM hallucination statistics 2026
Erros comuns e como fazer bem
Contra alucinações não há truques - há uma fonte de verdade bem construída. O que separa quem controla a narrativa:
| Evita (erro comum) | Faz (boa prática) |
|---|---|
| ✗ Ignorar o que a IA diz de ti até um cliente reclamar | ✓ Monitorizar as respostas sobre a marca com prompts fixos e recorrentes |
| ✗ Corrigir só no teu site e esperar | ✓ Corrigir na fonte que a IA lê: entidade, schema, Wikidata e páginas de terceiros |
| ✗ Assumir que a IA 'inventou' e não há nada a fazer | ✓ Perceber se é falha paramétrica ou de retrieval - a solução é diferente |
| ✗ Deixar dados contraditórios espalhados pela web | ✓ Alinhar NAP, preços e factos em todo o lado (uma só fonte de verdade) |
Ferramentas que uso e recomendo
- ChatGPTAssistente de IA para pesquisa, análise e auditorias rápidas.
- PerplexityMotor de resposta com fontes, útil para pesquisa e GEO.
- GeminiAssistente de IA do Google, com grounding no Search.
- ClaudeAssistente de IA para análise e produção de conteúdo.
- AhrefsKeyword research, Domain Rating (autoridade), backlinks e Brand Radar (citações de IA).
- Google Search ConsolePerformance orgânica, cobertura e Core Web Vitals de campo.
Fontes
- OECD.AI - Deloitte refunds Australia after AI-generated report errors (out 2025)
- CBC News - Air Canada liable for chatbot's bad advice (Moffatt v. Air Canada, 2024)
- SQ Magazine - LLM hallucination statistics 2026
Perguntas frequentes
O ChatGPT inventa mesmo factos sobre marcas?
Sim, e com confiança. Um benchmark de 2026 sobre 37 modelos mediu taxas de alucinação entre 15% e 52%, consoante a tarefa. Em respostas sobre marcas com pouca informação online, o risco é maior. Auditar a visibilidade em IA →
Consigo obrigar a IA a corrigir?
Não há um botão. Corriges influenciando o que a IA lê (retrieval) e reforçando a tua entidade para o próximo treino (paramétrico). É trabalho de fonte de verdade, não um pedido de remoção. Guia de GEO →
Qual a diferença entre alucinação paramétrica e de retrieval?
A paramétrica vem da memória do modelo (dados de treino); a de retrieval vem de uma fonte que ele lê em tempo real. Se a IA cita a fonte, é retrieval e corriges a fonte; se afirma sem citar, é paramétrico e trabalhas entidade e consistência. Ser citado por IA →
Corrigir o meu site resolve?
Só metade. Resolve o retrieval se a IA ler o teu site - mas se ela lê um diretório com dados errados, ou 'lembra-se' mal do treino, o teu site sozinho não chega. Tens de alinhar também as fontes de terceiros. Digital PR e citações →
Quem é responsável se a IA der informação errada sobre a minha empresa?
A tua empresa, na prática. A Air Canada tentou dizer que o chatbot era 'entidade separada' e o tribunal recusou (2024). Assume que respondes pelo que a tua IA - e a IA sobre ti - diz. Consultoria de GEO →
Que dados devo manter consistentes?
Nome, morada e contacto (NAP), preços, data de fundação, certificações e a bio do fundador - iguais no site, nos diretórios, na imprensa e nas redes. Contradições alimentam alucinações. Exemplo de entidade →
O schema ajuda contra alucinações?
Sim, no retrieval. Dados estruturados válidos e coerentes com o texto dão à IA a versão factual para extrair. Não é garantia, mas reduz a margem para inventar. llms.txt explicado →
Vale a pena pagar ferramentas de monitorização?
Se a marca depende de reputação, sim - poupam tempo e apanham o que uma pessoa não consegue vigiar. Mas começa com um conjunto fixo de prompts numa folha de cálculo: já deteta o essencial. Método de auditoria →