# Endpoint de chat com IA: Veja respostas e fontes de LLM com segmentação geográfica


O endpoint de chat com IA da Massive retorna a resposta que o ChatGPT, o Gemini ou o Perplexity fornecem a um prompt, conforme solicitado a partir de um dispositivo real no país, na região ou na cidade de sua escolha. Uma solicitação `GET` retorna a resposta completa, as fontes citadas pelo modelo e, no caso do ChatGPT, as consultas de pesquisa que ele executou para construir a resposta.

Isso é importante porque as respostas de IA não são mais um canal de nicho. Cerca de metade dos adultos nos EUA usa atualmente chatbots de IA, e cerca de quatro em cada dez os utilizam para buscar informações, de acordo com a [pesquisa de 2026 do Pew Research Center](https://www.pewresearch.org/internet/2026/06/17/americans-and-ai-2026-chatbots-smart-devices-and-views-on-impact/) realizada com 5.119 adultos. Se uma parcela crescente das pesquisas termina em 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 endpoints do Web Render API da Massive, ao lado de [Navegação](https://docs.joinmassive.com/web-render/browser) e [Pesquisa](https://docs.joinmassive.com/web-render/search).
> - Três modelos: ChatGPT (padrão), Gemini e Perplexity.
> - As respostas incluem o resultado, suas fontes, eventuais anúncios e, no caso do ChatGPT, a matriz `fanouts` de consultas que o modelo pesquisou.
> - A segmentação geográfica chega até o nível da cidade, pois os chatbots localizam suas respostas de acordo com a localização aparente de quem faz a pergunta.
> - O modo assíncrono, combinado com callbacks, lida com grandes lotes.

## O que o endpoint de chat com IA retorna

O endpoint de 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 a localização com qualquer combinação de `country`, `subdivision` e `city`. A saída é retornada como `json` estruturado (padrão) ou como `rendered` HTML.

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

| Campo | O que contém | Modelos |
|-------|---------------|--------|
| `completion` | HTML renderizado da resposta do modelo | ChatGPT, Gemini, Perplexity |
| `sources` | HTML renderizado das fontes citadas, se houver | ChatGPT, Gemini, Perplexity |
| `ads` | HTML renderizado de quaisquer anúncios exibidos na conversa | ChatGPT, Gemini, Perplexity |
| `html` | A página completa da conversa | ChatGPT, Gemini, Perplexity |
| `fanouts` | Matriz das consultas de pesquisa executadas pelo modelo | Apenas ChatGPT |
| `sse` | JSON de eventos enviados pelo servidor por trás da conversa | Apenas ChatGPT |

Cada resposta também retorna os `country`, `subdivision`, `city` e `device` com os quais foi executada. Isso torna cada linha autodescritiva quando você armazena milhares delas. A lista completa de campos está na [documentação do chat de IA](https://docs.joinmassive.com/web-render/ai).

## Um exemplo prático: uma solicitação de Portland

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

```shell
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 HTML, além deste `fanouts` array:

```json
"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 apenas a pergunta que lhe foi feita. Ele dividiu a pergunta em sete pesquisas mais específicas, incluindo armadores, pés largos e quadras ao ar livre. Uma marca de tênis que nunca aparece nos resultados de busca para “pés largos” não tem chance de ser citada nessa parte da resposta, por mais forte que seja sua página geral.

## Por que as respostas dos chatbots de IA variam de acordo com a localização?

Os chatbots se adaptam à localização. O próprio [artigo de ajuda de pesquisa do ChatGPT](https://help.openai.com/en/articles/9237897-chatgpt-search) da OpenAI afirma que o ChatGPT pode estimar a localização geral de um usuário a partir de seu endereço IP. Ele pode, então, reformular uma solicitação como “bons restaurantes perto de mim” em uma busca por restaurantes naquela cidade.

O efeito se manifesta além das consultas locais. Um estudo da Whitebox, [divulgado pelo Ynetnews](https://www.ynetnews.com/tech-and-digital/article/skilyoscwx), enviou solicitações idênticas ao ChatGPT a partir de Israel, dos Estados Unidos, da Turquia e da Espanha. Constatou-se que as respostas eram “amplamente semelhantes, mas não idênticas”, com o modelo adaptando o tom e a formulação à localização e ao idioma do usuário. (A Whitebox monitora como marcas e países aparecem nas respostas da IA, portanto, os efeitos da localização são fundamentais para seu próprio negócio.)

Observamos o mesmo em nossos próprios testes. Em um estudo realizado em junho de 2026 por meio deste 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 sobre jogos de azar feitas a partir de localizações no Reino Unido e na Alemanha, enquanto as respondia livremente em outros lugares. A classificação de uma marca variou em até duas posições, dependendo apenas de qual assistente consultamos. Os resultados completos estão em [Visibilidade da Marca na IA: a IA tem seus favoritos, mas não vai prejudicar você](https://www.joinmassive.com/blog/ai-brand-visibility-ai-plays-favorites-it-wont-trash-you).

Em outras palavras: uma resposta verificada a partir de um único escritório constitui uma amostra de apenas um caso.

A Massive encaminha cada solicitação por meio de um dispositivo de consumidor real em sua [rede residencial](https://docs.joinmassive.com/residential/introduction), que abrange mais de 195 países. O chatbot vê um usuário local comum, não um centro de dados. Deixe `country` sem valor definido e a documentação indica que um país aleatório será utilizado; portanto, defina-o em todas as solicitações que você planeja comparar ao longo do tempo.

Você também pode emular um celular ou tablet. Chame o recurso `/ai/devices` para obter a lista de nomes de dispositivos compatíveis e, em seguida, passe um deles como `device`. Sem isso, você receberá a conclusão padrão para desktop.

## Fanouts: como o ChatGPT construiu sua resposta

Os fanouts são a parte da resposta que indicaríamos a um novo usuário em primeiro lugar. Uma conclusão mostra a resposta. 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 bem posicionado ou não.
2. **Avaliação do modelo.** Se o senhor avaliar as respostas de um LLM, os fanouts separam dois modos de falha que parecem idênticos na conclusão: o modelo raciocinou mal sobre resultados corretos, ou pesquisou a coisa errada e nem sequer encontrou os resultados corretos.
3. **Acompanhamento de alterações.** Os fanouts podem mudar entre as execuções; portanto, a lista do mês passado pode não ser o briefing deste mês.

Uma maneira simples de colocar o terceiro uso em prática:

- Escolha de 20 a 50 prompts que seus compradores realmente fazem e defina os parâmetros `country` e `city` para cada um.
- Execute-os semanalmente com o parâmetro `expiration=0` para que nenhuma resposta armazenada em cache oculte uma alteração.
- Salve a matriz `fanouts` de cada execução e, em seguida, compare-a com a da semana anterior como um conjunto: novas consultas, consultas excluídas, inalteradas.
- Trate um novo fanout como uma questão de conteúdo. Vocês têm uma página que responda a ela?

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

Uma limitação a ser considerada: a documentação indica que `fanouts` e `sse` são exclusivos do ChatGPT e observa que apenas alguns modelos expõem essas consultas. Para o Gemini e o Perplexity, você ainda obtém a autocompletagem, as fontes e os anúncios, mas não o caminho de pesquisa.

## Executando prompts de chat de IA em escala

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

Adicione `mode=async` e a API retornará um ID de tarefa imediatamente. Passe esse ID de volta com `GET /ai?id=...` para coletar a conclusão ou obter um status `retrieving` ou `failed`. Em vez de fazer polling, você pode definir `callback` como uma URL HTTPS ou uma fila do Amazon SQS, e o Massive notificará o destino quando a conclusão estiver pronta. A [documentação sobre agendamento](https://docs.joinmassive.com/web-render/scheduling) aborda ambos os padrões.

O armazenamento em cache requer uma decisão. Por padrão, uma conclusão fica armazenada em cache por um dia. Defina `expiration=0`, conforme a 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 com IA. O endpoint de chat com IA é a camada de infraestrutura subjacente a eles. As plataformas de otimização de mecanismo generativo (GEO) e de otimização de mecanismo de respostas (AEO) precisam de cobertura geográfica, emulação de dispositivos e dados limpos de fonte e de distribuição antes de poderem criar 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 uma resposta da API corresponde ao que uma pessoa vê no aplicativo. Nós testamos isso: em 30 categorias de marcas, `/ai` com `model=gemini` produziram um ranking de marcas estatisticamente indistinguível do aplicativo Gemini com login em 26 dos 30 tópicos, com consistência comparável à do próprio aplicativo em cada execução. O método e as ressalvas estão em [As chamadas de IA baseadas em API são um bom indicador do que seus usuários realmente veem?](https://www.joinmassive.com/blog/are-api-based-ai-calls-a-good-proxy-for-what-your-users-actually-see)

Dois outros grupos utilizam os mesmos dados:

- **Equipes de avaliação de LLM**, que precisam da resposta em tempo real que um modelo fornece hoje, e não de um instantâneo armazenado em cache, como base para a avaliação.
- **Desenvolvedores de RAG e agentes**, que comparam o que um modelo de ponta afirma com a saída de seu próprio pipeline. Nosso guia sobre [ancoragem de LLMs com dados da web em tempo real](https://www.joinmassive.com/blog/llm-grounding-with-live-web-data-a-practical-guide) aborda esse padrão, e [como fornecer acesso à web em tempo real a agentes de IA](https://www.joinmassive.com/blog/how-to-give-ai-agents-live-web-access) aborda o aspecto de navegação e pesquisa.

Para conhecer a mudança mais ampla do mercado por trás dessa demanda, consulte nosso [relatório “State of the Web Data Industry”](https://www.joinmassive.com/blog/state-of-the-web-data-industry-2026).

## Perguntas frequentes

### Quais modelos o endpoint de chat de IA suporta?

ChatGPT, Gemini e Perplexity. O ChatGPT é o padrão quando o senhor não passa um parâmetro `model`.

### O que são “fanouts” no endpoint de chat de IA?

Fanouts são as consultas de pesquisa que o ChatGPT executou para construir sua resposta, retornadas como uma matriz na resposta JSON. Estão disponíveis apenas para o ChatGPT.

### Posso ver o que um chatbot de IA responde em uma cidade específica?

Sim. Defina `country` e, opcionalmente, `subdivision` e `city` na solicitação. O prompt é enviado a partir de um dispositivo de consumidor real naquele local, de modo que o chatbot localiza sua resposta da mesma forma que faria para um usuário local.

### A Massive substitui uma plataforma AEO ou de monitoramento de marca por IA?

Não. O Massive fornece a infraestrutura de solicitações: localizações, dispositivos e respostas estruturadas, fontes e distribuições. As plataformas AEO constroem seus painéis e análises com base nisso.

### Como posso executar milhares de solicitações de chat com IA sem manter as conexões abertas?

Utilize `mode=async` para enfileirar cada prompt e coletar resultados por ID de tarefa, ou configure `callback` para uma URL HTTPS ou fila do Amazon SQS para ser notificado quando cada resposta estiver pronta.

## Conclusão

O que o ChatGPT, o Gemini ou o Perplexity dizem sobre sua marca depende de quem pergunta e de onde. Com o `/ai`, você pode fazer perguntas a partir de qualquer cidade em um dispositivo real e manter o registro completo: resposta, fontes, anúncios e, no caso do ChatGPT, todas as pesquisas que o modelo realizou. Comece com a [documentação do chat de IA](https://docs.joinmassive.com/web-render/ai). O histórico de segurança e conformidade da Massive está disponível no [Massive Trust Center](https://trust.joinmassive.com), e mais informações sobre a equipe podem ser encontradas em nossa [página “Sobre”](https://www.joinmassive.com/about-us).