Endpoint de chat com IA: Veja respostas e fontes de LLM direcionadas geograficamente

O endpoint de chat com IA da Massive retorna a resposta que o ChatGPT, o Gemini ou o Perplexity fornecem a uma solicitação, conforme enviada a partir de um dispositivo real no país, na região ou na cidade de sua escolha. Um GET A função `request` retorna a conclusão, as fontes citadas pelo modelo e, no caso do ChatGPT, as consultas de pesquisa que ele executou para elaborar a resposta.

Isso é importante porque as respostas geradas por IA já não são mais um canal de nicho. Cerca de metade dos adultos nos EUA já utiliza chatbots de IA, e cerca de quatro em cada dez os utilizam para pesquisar informações, de acordo com Pesquisa de 2026 do Pew Research Center de 5.119 adultos. Se uma parcela cada vez maior das consultas for encaminhada para um chatbot, as equipes precisam de uma maneira confiável de verificar o que esse chatbot diz.

Principais conclusões

• O endpoint de chat com IA (/ai) é um dos três pontos finais do Web Render API da Massive, ao lado de Navegação e Pesquisar.
• Três modelos: ChatGPT (o padrão), Gemini e Perplexity.
• As respostas incluem o texto final, suas fontes, eventuais anúncios e, no caso do ChatGPT, o fanouts conjunto de consultas pesquisadas pelo modelo.
• A segmentação geográfica chega até o nível da cidade, pois os chatbots adaptam suas respostas de acordo com a localização aparente de quem faz a pergunta.
• O modo assíncrono, combinado com callbacks, permite processar grandes lotes.

O que o endpoint de chat de IA retorna

O endpoint do chat com IA está localizado em https://render.joinmassive.com/ai e aceita um prompt de até 2.047 caracteres. O senhor escolhe o modelo com model=chatgpt, model=gemini, ou model=perplexity, e o local com qualquer combinação de country, subdivision, e city. A saída é apresentada de forma estruturada json (o padrão) ou como rendered HTML.

A resposta em JSON divide a conversa em partes que o(a) senhor(a) pode analisar separadamente:

Cada resposta também reflete o country, subdivision, city, e device com a qual funcionava. Isso faz com que cada linha seja autodescritiva quando se armazenam milhares delas. A lista completa de campos encontra-se no Documentação sobre chat com IA.

Um exemplo prático: uma sugestão de Portland

Aqui está a solicitação que a documentação do Massive utiliza para demonstrar o endpoint. Ela solicita ao ChatGPT recomendações de tênis de basquete a partir de um dispositivo em Portland:

curl -H "Authorization: Bearer $MASSIVE_TOKEN" \
'https://render.joinmassive.com/ai'\
'?prompt=best+basketball+shoes+for+2026'\
'&country=us'\
'&city=Portland'

A resposta documentada inclui a resposta e as fontes em formato HTML, além disso fanouts matriz:

"fanouts": [
  "best basketball shoes 2026",
  "top rated basketball shoes 2026 reviews",
  "best performance basketball shoes 2026",
  "best basketball shoes for guards 2026",
  "best basketball shoes for wide feet 2026",
  "best outdoor basketball shoes 2026",
  "most popular basketball shoes 2026"
]

Leia essa lista como uma equipe de marca faria. O modelo não se limitou a pesquisar a pergunta que lhe foi feita. Ele dividiu a pergunta em sete pesquisas mais específicas, incluindo protetores, pés largos e quadras ao ar livre. Uma marca de calçados que nunca aparece nos resultados de pesquisa para “pés largos” não tem chance alguma de ser mencionada nessa parte da resposta, por mais forte que seja sua página geral.

Por que as respostas do chat com IA variam de acordo com a localização?

Os chatbots se adaptam ao contexto local. O próprio da OpenAI Artigo de ajuda sobre pesquisa no ChatGPT afirma que o ChatGPT pode estimar a localização geral de um usuário a partir de seu endereço IP. Em seguida, ele pode reformular uma solicitação como “bons restaurantes perto de mim” para uma busca por restaurantes naquela cidade.

O efeito se manifesta além das consultas locais. Um estudo realizado pela Whitebox, noticiado pelo Ynetnews, enviou solicitações idênticas ao ChatGPT a partir de Israel, dos Estados Unidos, da Turquia e da Espanha. Constatou-se que as respostas eram “em linhas gerais semelhantes, mas não idênticas”, com o modelo adaptando o tom e a formulação de acordo com a localização e o idioma do usuário. (A Whitebox monitora como marcas e países aparecem nas respostas da IA; portanto, os efeitos da localização são fundamentais para o seu próprio negócio.)

Observamos o mesmo em nossos próprios testes. Em um estudo realizado em junho de 2026 por meio desse endpoint, enviamos 270 consultas localizadas ao ChatGPT, ao Gemini e ao Copilot a partir de cinco países. (Os modelos atuais do endpoint são o ChatGPT, o Gemini e o Perplexity.) O Gemini recusou-se a responder a perguntas relacionadas a jogos de azar feitas a partir do Reino Unido e da Alemanha, enquanto as respondia livremente em outros locais. A classificação de uma marca variou em até duas posições, dependendo exclusivamente de qual assistente consultamos. Os resultados completos encontram-se em Visibilidade da marca por meio da IA: a IA tem seus favoritos, mas não vai prejudicá-lo.

Em outras palavras: uma resposta verificada em um escritório corresponde a uma amostra de um.

Cada rota do Massive é processada por meio de um dispositivo de consumidor real em seu rede residencial, que abrange mais de 195 países. O chatbot interage com um usuário local comum, e não com um centro de dados. Sair country A variável está desativada e a documentação indica que é utilizado um país aleatório; portanto, defina-a em cada solicitação que pretenda comparar ao longo do tempo.

Você também pode emular um celular ou tablet. Ligue para o /ai/devices consulte a lista de nomes de dispositivos compatíveis e, em seguida, passe um deles como device. Sem ele, você terá a autocompletar padrão da área de trabalho.

Fanouts: como o ChatGPT construiu sua resposta

Os “fanouts” são a parte da resposta que indicamos em primeiro lugar a um novo usuário. Uma resposta completa mostra a solução. Os “fanouts” mostram o caminho de pesquisa por trás dela.

Isso é útil de três maneiras concretas:

1. Lacunas de conteúdo. Cada fanout é uma consulta para a qual o senhor está ou não está bem posicionado.
2. Avaliação do modelo. Ao avaliar as respostas de um LLM, os fanouts distinguem dois modos de falha que parecem idênticos no resultado final: ou o modelo raciocinou de forma inadequada sobre resultados corretos, ou ele buscou a informação errada e nem sequer identificou os resultados corretos.
3. Rastreamento de alterações. As distribuições podem mudar de uma execução para outra; portanto, a lista do mês passado pode não corresponder ao resumo deste mês.

Uma maneira simples de colocar a terceira função em prática:

• Selecione de 20 a 50 perguntas que seus compradores realmente fazem e corrija as country e city para cada um.
• Execute-os semanalmente com expiration=0 portanto, nenhuma resposta armazenada em cache oculta uma alteração.
• Salve os dados de cada execução fanouts matriz e, em seguida, compare-a com a da semana passada como um conjunto: novas consultas, consultas excluídas, inalteradas.
• Encare um novo fanout como uma pergunta de conteúdo. O senhor tem uma página que responda a ela?

Como os fanouts são simples sequências de caracteres, essa comparação requer apenas algumas linhas de código em qualquer linguagem. Não é necessária nenhuma análise de HTML.

Uma restrição a ser levada em conta: a marca de documentação fanouts e sse apenas no ChatGPT, e observe que apenas alguns modelos disponibilizam essas consultas. No caso do Gemini e do Perplexity, você ainda tem acesso às sugestões de preenchimento, às fontes e aos anúncios, mas não ao caminho de pesquisa.

Execução de prompts de chat com IA em grande escala

De acordo com a documentação, as conclusões em tempo real levam, em média, vários segundos. O endpoint permite até 3 minutos por chamada, pois algumas conversas exigem novas tentativas. Para verificações pontuais, o modo de sincronização padrão é suficiente. Para monitorar centenas ou milhares de prompts, utilize o modo assíncrono.

Adicionar mode=async e a API retorna um ID de tarefa imediatamente. Envie esse ID de volta com GET /ai?id=... para receber o certificado de conclusão ou obter um retrieving ou failed status. Em vez de utilizar a sondagem, o senhor pode definir callback para uma URL HTTPS ou uma fila do Amazon SQS, e o Massive notifica o usuário quando a tarefa estiver concluída. O documentos de programação abrangem ambos os padrões.

O armazenamento em cache requer uma decisão. Por padrão, uma conclusão fica armazenada em cache por um dia. Defina expiration=0, assim como na receita de rastreamento acima, sempre que uma resposta armazenada em cache possa ocultar uma alteração.

Quem utiliza o endpoint de chat com IA

Massive não desenvolve painéis de monitoramento de marcas baseados em IA. O endpoint de chat com IA constitui a camada de infraestrutura subjacente a esses painéis. As plataformas de otimização de mecanismos generativos (GEO) e de otimização de mecanismos de respostas (AEO) precisam de cobertura geográfica, emulação de dispositivos e dados de fonte e de distribuição limpos antes de poderem gerar análises. A Massive cuida dessa camada para que suas equipes possam dedicar tempo à análise pela qual seus clientes pagam.

Uma pergunta pertinente para qualquer uma dessas plataformas é se a resposta da API corresponde ao que a pessoa vê no aplicativo. Nós testamos isso: em 30 categorias de marcas, /ai com model=gemini produziu um ranking de marcas estatisticamente indistinguível do obtido no aplicativo Gemini com login em 26 dos 30 tópicos, o que reflete a consistência do próprio aplicativo de uma execução para outra. O método e as ressalvas encontram-se em As chamadas de IA baseadas em API são um bom indicador do que seus usuários realmente veem?

Dois outros grupos utilizam os mesmos dados:

• Equipes de avaliação do LLM, que precisam que a resposta em tempo real fornecida por um modelo hoje — e não um instantâneo armazenado em cache — seja o que está sendo avaliado.
• RAG e geradores de agentes, que comparam o que um modelo de fronteira indica com os resultados de seu próprio pipeline. Nosso guia para Treinamento de LLM com dados da web em tempo real abrange esse padrão, e como conceder aos agentes de IA acesso à web em tempo real abrange a parte de navegação e pesquisa.

Para conhecer a tendência mais ampla do mercado que está por trás dessa demanda, consulte nosso Relatório sobre a situação do setor de dados da Web.

A lição a ser aprendida

O que o ChatGPT, o Gemini ou o Perplexity dizem sobre a sua marca depende de quem faz a pergunta e de onde. Com /ai você pode fazer perguntas de qualquer cidade em um dispositivo real e manter o registro completo: resposta, fontes, anúncios e, no caso do ChatGPT, todas as pesquisas realizadas pelo modelo. Comece com o Documentação sobre chat com IA. O histórico de segurança e conformidade da Massive está disponível no Centro de Confiança Massive, e há mais informações sobre a equipe em nosso página “Sobre”.