Avalie a visibilidade da marca de IA com o Fable e o Massive Web Render

O Fable, o mais novo modelo da Anthropic, é um analista de AEO genuinamente competente. Basta fornecer-lhe sua marca e sua categoria, e ele analisará as questões relacionadas à compra, indicará quem recomendaria e informará qual é a sua posição no mercado. Ficamos impressionados. Mas há um limite, e não é o modelo. O Fable só pode dizer o que ele pensa, a partir de onde quer que esteja sendo executado. Nem todos os seus compradores usam o Fable, e nem todos vivem no seu país. Massive O Web Render é o que elimina esse limite.

Pontos principais

• O Fable pode realizar uma auditoria completa da visibilidade da sua marca na IA a partir de uma única solicitação, sem a necessidade de ferramentas adicionais.
• A análise de um único modelo em um único local é limitada. Duas execuções da mesma consulta retornam uma lista de marcas idêntica com uma probabilidade inferior a 1 em 100 (SparkToro(2026).
• As respostas também divergem significativamente entre os diferentes mecanismos: o que o ChatGPT cita e recomenda quase não coincide com o Perplexity (GPTrends, por meio da LBZ Advisory(2026).
• Com o Massive Web Render's /ai Através de um terminal, o Fable pode consultar o ChatGPT, o Gemini, o Perplexity e o Copilot a partir de dispositivos reais em mais de 195 países e exibir as fontes citadas por cada um deles.

O que o Fable pode lhe dizer por si só?

Muito. Aponte o Fable para a sua categoria e ele assumirá o papel do comprador, fará as perguntas que um comprador real faria e informará se o resultado mostra você ou seus concorrentes em primeiro lugar. Não há necessidade de configuração. O segredo é nunca mencionar sua própria marca nas perguntas; caso contrário, o modelo apenas a repetirá, e a análise se tornará um espelho. Mantenha as perguntas no nível da categoria, e a análise será honesta.

Eis o tema conceitual: e

O senhor é analista da AEO. Minha marca é <MARCA>, vendemos <O QUE VOCÊ VENDE>,
nosso mercado é <PAÍS>.

Escreva cinco perguntas de compra no nível da categoria que um comprador real digitaria. Nunca
mencione minha marca nelas. Responda a cada uma como faria normalmente e, em seguida, para cada
pergunta, informe-me:
- você citou <MARCA>?
- quais concorrentes você citou primeiro?
- quais fontes você citaria?

Conclua com um relatório em HTML.

Aqui está o prompt definitivo para sua utilização.

Brand Visibility Audit — Lightweight Prompt
You are running a "Brand Visibility Audit": an assessment of how you, the AI, currently mention and cite a brand when real buyers ask about its category.
Step 1 — Short interview (one message, no preamble)
Ask me only these three things as a numbered list, then wait:

1. Brand / product name (plus any common misspellings or alternate names)
2. Primary website domain
3. Industry / category, phrased the way a customer would describe it
Step 2 — Auto-derive (do not ask me)
From my three answers, you determine on your own:

* 3 to 6 direct competitors in this category
* 5 high-converting questions a potential buyer asks right before purchase
Briefly restate the brand, the competitors you picked, and the 5 questions in one short block so I can see your assumptions. Do not wait for confirmation unless I object.
Step 3 — Run the audit
For each of the 5 buying questions:

* Answer naturally as you would for a stranger who never named my brand. Do not inflate or foreground my brand because I told you about it. Hold it to the same bar as every competitor. Be honest when it does not come up.
* Track which brands you named and in what order (share of mentions).
* Use web search and track which domains you cited, flagging whether each is one of my own domains (share of citations).
Step 4 — Return an HTML artifact
Immediately produce a single self-contained HTML artifact titled "Brand Visibility Audit — [brand], [today's date]" showing:

* A scorecard: mention rate (% of the 5 questions where my brand appeared), own-domain citation rate, and whether my brand is the default recommendation (Y/N).
* A share-of-mentions chart: every brand ranked by how often it was named across the 5 questions, with my brand highlighted.
* A share-of-citations chart: the domains you cited, ranked by frequency, flagging my own domains.
* A per-question table: question, brands named in order, was my brand named (Y/N), position.
* A one-paragraph diagnosis of why my brand shows up where it does and vanishes where it does not.
Bias rule (applies throughout)
You now know which brand is mine. That is exactly the bias a real buyer's chat would not have. Answer as a neutral stranger every time.

Esse resultado é útil e, para uma avaliação rápida de cinco minutos, é o mais rápido que existe. Mas observe o que ela realmente mediu: como um modelo, respondendo com base em seu próprio treinamento e independentemente de onde esteja hospedado, se refere à sua categoria. Trata-se de um único ponto de dados disfarçado de veredicto.

Por que um modelo de um único local não é suficiente?

Otimização de respostas (AEO) é o trabalho de fazer com que sua marca seja mencionada e citada nas respostas da IA. Medir isso com precisão é mais difícil do que parece, pois as respostas não permanecem estáveis e nem sempre são consistentes entre si. A SparkToro e a Gumshoe executaram as mesmas solicitações de recomendação de marcas dezenas de vezes nos principais assistentes. Duas respostas tinham menos de 1 em 100 de chance de retornar o mesmo conjunto de marcas, e cerca de 1 em 1.000 de chance de apresentar a mesma ordem (SparkToro, janeiro de 2026). O SE Ranking observou que o Modo IA do Google apresentou uma sobreposição de apenas 9,2% em três execuções realizadas no mesmo dia para uma única consulta (SE Ranking, junho de 2025). Portanto, uma única captura de tela não prova quase nada. Uma auditoria de verdade levanta muitas questões e analisa o padrão, em vez de se basear em uma única resposta.

Fontes: SparkToro (2026), SE Ranking (2025), GPTrends via LBZ Advisory (2026). As respostas da IA mal coincidem entre si e, ainda menos, entre os diferentes mecanismos de busca.

Além disso, há a diferença entre os mecanismos. De acordo com uma análise de 2026, apenas cerca de 11% dos domínios citados pelo ChatGPT também são citados pelo Perplexity, e a sobreposição nas marcas recomendadas ficou em torno de 25% (GPTrends, por meio da LBZ Advisory, abril de 2026). Cada mecanismo valoriza algo diferente: citações institucionais, novos dados estruturados, interações da comunidade. O sucesso em um deles traz poucos benefícios no seguinte.

A geografia volta a influenciar o panorama. Os assistentes de IA baseiam-se em fontes locais e nos resultados de pesquisa locais, pelo que as marcas que mencionam nos EUA diferem frequentemente das do Reino Unido, da Alemanha ou do Brasil. Uma marca pode aparecer nas respostas do ChatGPT nos EUA e ser invisível no Perplexity do Reino Unido (SOCi, 2026). Ao consultar o Fable a partir de um único computador, em um único país, não é possível perceber nada disso. Aprendemos isso da maneira mais direta: quando executamos 14 prompts de intenção de compra em quatro mecanismos de busca para nossa própria categoria, Massive não foi recomendado nenhuma vez. Um modelo de um único local nunca teria nos mostrado a lacuna completa.

De que forma o Massive Web Render amplia o Fable?

Massive Web Render's /ai O Endpoint faz uma pergunta real a um mecanismo de IA real a partir de um dispositivo de consumidor real no país de sua escolha e, em seguida, retorna o resultado e as fontes citadas pelo mecanismo, além das subconsultas às quais ele se ramificou (Massive Documentação do Web Render). Abrange o ChatGPT, o Gemini, o Perplexity e o Copilot em mais de 195 países, com detalhes que chegam até o nível de cidade e dispositivo. Isso resolve antecipadamente a parte mais complexa da medição de AEO, e é exatamente esse alcance que falta ao Fable por si só.

Se você fornecer esse ponto de referência ao Fable como ferramenta, a auditoria deixa de ser uma opinião baseada em um único modelo. Ela se transforma em uma pesquisa real: todos os mecanismos que seus compradores utilizam, em todos os mercados em que você atua, com as fontes citadas anexadas para que você possa ver quem está sendo recomendado em vez de você.

Você tem à sua disposição o endpoint Web Render /ai da Massive como ferramenta. Ele consulta
o ChatGPT, o Gemini, o Perplexity ou o Copilot a partir de um dispositivo real em qualquer país e
retorna a resposta, além das fontes citadas pelo mecanismo.

Minha marca é <BRAND>, vendemos <O QUE VOCÊ VENDE>.

Para cada mecanismo em [chatgpt, gemini, perplexity, copilot] e cada país em
[EUA, Reino Unido, Alemanha, Brasil, Japão], chame /ai com as mesmas cinco perguntas de nível de categoria
(sem nunca mencionar minha marca). Para cada registro de execução: se <MARCA> foi mencionada, quem foi
mencionado primeiro, quais domínios foram citados.

Crie para mim uma matriz por mecanismo e por país da minha participação na conversa. Diga-me onde estou
invisível e quais domínios citados continuo deixando passar.

Se o senhor é um grande cliente, aproveite a habilidade de renderização em massa na web e instale no Claude e utilize o seguinte prompt.

Brand Visibility Audit — Geo Version (ChatGPT, US / UK / Brazil)
You are running a "Brand Visibility Audit": an assessment of how ChatGPT mentions and cites a brand when real buyers ask about its category, and how that changes by country. You query ChatGPT through the massive-web-render skill (`/ai` endpoint, `model=chatgpt`), routing each query through the United States (`us`), the United Kingdom (`gb`), and Brazil (`br`).
Step 1 — Short interview (one message, no preamble)
Ask me only these three things as a numbered list, then wait:

1. Brand / product name (plus any common misspellings or alternate names)
2. Primary website domain
3. Industry / category, phrased the way a customer would describe it
Step 2 — Auto-derive (do not ask me)
From my three answers, you determine on your own:

* 3 to 6 direct competitors in this category
* 5 high-converting questions a potential buyer asks right before purchase
Briefly restate the brand, the competitors you picked, and the 5 questions in one short block so I can see your assumptions. Do not wait for confirmation unless I object. For Brazil, also run each question in Portuguese (a natural local phrasing, not a literal translation), since a Brazilian buyer would ask in Portuguese.
Step 3 — Run the audit via massive-web-render
Load the massive-web-render skill. For each of the 5 buying questions, call the `/ai` endpoint three times, once per country:

* `model=chatgpt`, `country=us`
* `model=chatgpt`, `country=gb`
* `model=chatgpt`, `country=br` (Portuguese phrasing)
Use `expiration=0` for live answers. Use `mode=async` and poll if calls run long. That is 15 base calls (5 questions x 3 countries).
From each ChatGPT completion, extract:

* Which brands were named, in what order (share of mentions)
* Which domains were cited in the `sources` (share of citations), flagging whether each is one of my own domains
* My brand's position, if named
Do not inflate or foreground my brand because I told you about it. Report honestly when it does not appear in a given country.
Step 4 — Return an HTML artifact
Produce a single self-contained HTML artifact titled "Brand Visibility Audit (US / UK / BR) — [brand], [today's date]" showing:

* Per-country scorecard (three columns, US / UK / BR): mention rate (% of the 5 questions where my brand appeared), own-domain citation rate, and whether my brand is the default recommendation (Y/N).
* Share-of-mentions chart, grouped by country: every brand ranked by how often it was named, with my brand highlighted, so US vs UK vs BR sit side by side.
* Share-of-citations chart, grouped by country: the domains ChatGPT cited, ranked by frequency, flagging my own domains.
* Per-question x country table: question, brands named in order, was my brand named (Y/N), position, for each of the three countries.
* Differences callout: a short section that names the concrete US vs UK vs BR differences (brands that appear in one market but not another, citation sources that differ, where my brand is strong or invisible by region). If the three markets are effectively identical, say so plainly.
Bias rule (applies throughout)
You now know which brand is mine. That is exactly the bias a real buyer's ChatGPT session would not have. Answer as a neutral stranger in every country.

O mesmo analista, as mesmas cinco perguntas. A diferença está no que o Fable pode alcançar agora.

O que o Fable e o Web Render podem fazer juntos?

Cada /ai A resposta da consulta inclui três elementos: a resposta completa do mecanismo, as fontes citadas e as subconsultas às quais ele recorreu antes de responder (Massive Documentação do Web Render). O Fable analisa todas as três. A conclusão indica se o seu nome foi mencionado. As fontes citadas indicam quais páginas de terceiros o mecanismo considerou confiáveis em vez de você. As subconsultas mostram como a pergunta foi realmente interpretada.

Essa é a base para uma auditoria de verdade. Com o Fable conduzindo e /ai Resumindo, eis o que essa combinação permite fazer e que nenhum dos dois consegue sozinho:

• Analise todos os mecanismos de busca que seus compradores utilizam. Execute as mesmas perguntas relacionadas à categoria no ChatGPT, Gemini, Perplexity e Copilot de uma só vez, em vez de confiar na visão de um único modelo sobre a sua categoria.
• Analise todos os mercados em que atua. Execute cada consulta a partir de um dispositivo real no país em questão, para que os resultados correspondam ao que um comprador local vê, e não ao que a sua sede vê.
• Elabore uma matriz de participação na conversa a partir das respostas coletadas. O Fable elabora ele próprio o quadro por motor por país, transformando dezenas de resultados em uma visão geral de onde você está classificado e onde não está.
• Crie uma lista de tarefas priorizada e externa. Os domínios citados por trás de cada resposta são as páginas de comparação, fóruns e avaliações dos quais os mecanismos de busca realmente extraem informações. Essa lista representa exatamente os locais onde você deve buscar menções para que sua próxima campanha tenha sucesso.
• Execute-o novamente de acordo com uma programação. Como as respostas variam a cada prompt, uma pesquisa repetível é mais eficaz do que uma captura de tela pontual. Aplique o Fable ao mesmo prompt na próxima semana e observe a tendência.

Nada disso pode ser alcançado a partir de um único modelo que responda a partir de um único local. O raciocínio é da Fable. É o alcance que transforma sua primeira leitura em uma pesquisa de verdade.

Onde Massive se encaixa

A Fable é o cérebro por trás disso. Massive é o alcance. O /ai O endpoint é a rede de acesso a dispositivos, juntamente com a pilha de renderização subjacente ao seu trabalho com o AEO: dispositivos reais de consumidores em mais de 195 países, sugestões de preenchimento retornadas com suas fontes, destinadas a funcionar como base para a sua pilha, em vez de substituí-la. Se preferir não configurar o ciclo por conta própria, nosso Índice de Visibilidade AEO oferece uma versão comercializada gratuitamente, e a mesma API de renderização da Web está disponível quando sua equipe deseja um acompanhamento contínuo. Para conhecer a categoria mais ampla, consulte nosso resumo sobre o as melhores APIs de dados da web para agentes de IA.

Hand Fable: o alcance que falta

O Fable é um analista AEO perspicaz e, por si só, oferece uma primeira análise honesta em uma única solicitação. O limite não está em seu raciocínio, mas em seu alcance: um modelo, um local, para uma pergunta cuja resposta muda sempre que você a faz. Massive O Web Render preenche essa lacuna, permitindo que o Fable consulte todos os principais mecanismos de busca de praticamente qualquer lugar e leia as fontes citadas. Cole o primeiro prompt hoje mesmo para uma verificação inicial. Quando estiver pronto para ver o mapa completo, entregue ao Fable o /ai ponto final e deixe que ele analise sua posição real, modelo por modelo, país por país.

Fontes

• SparkToro (em parceria com a Gumshoe.ai), “As IA são altamente inconsistentes ao recomendar marcas ou produtos”, 27 de janeiro de 2026. Acessado em 11 de junho de 2026. https://sparktoro.com/blog/new-research-ais-are-highly-inconsistent-when-recommending-brands-or-products-marketers-should-take-care-when-tracking-ai-visibility/
• SE Ranking, “Pesquisa sobre o Modo IA: Fontes, volatilidade e diferenças entre a pesquisa com IA e a pesquisa orgânica”, junho de 2025. Acessado em 11 de junho de 2026. https://seranking.com/blog/ai-mode-research/
• Análise da GPTrends, publicada na LBZ Advisory, “Como o ChatGPT, o Gemini, o Claude, o Grok e o Perplexity decidem quais marcas recomendar”, 22 de abril de 2026. Acessado em 11 de junho de 2026. https://liatbenzur.com/2026/04/22/how-chatgpt-gemini-claude-grok-and-perplexity-decide-which-brands-to-recommend/
• SOCi, “O desafio da visibilidade da IA para as marcas”, 2026. Acessado em 11 de junho de 2026. https://www.soci.ai/blog/the-challenge-of-ai-visibility-for-brands-part-1/
• Massive, API Web Render, documentação do endpoint de chat com IA. Acessado em 11 de junho de 2026. https://docs.joinmassive.com/web-render/ai