O que é a representação de marca em grandes modelos de linguagem?

Uma marca pode aparecer numa resposta gerada por IA e, ainda assim, ser representada incorretamente.

Um modelo pode mencionar uma empresa, mas colocá-la na categoria errada, recomendar o seu produto ao público errado, compará-la com concorrentes irrelevantes ou repetir informações desatualizadas.

Em cada caso, a marca é visível. O problema é o que essa visibilidade realmente significa.

Verificar se uma marca foi mencionada não é, portanto, suficiente. A visibilidade é uma dimensão da representação da marca, não a sua descrição completa.

Definir a representação de marca em LLMs

A representação de marca em grandes modelos de linguagem é a forma observável pela qual um determinado sistema baseado em LLM identifica, descreve, categoriza, compara, recomenda e substancia visivelmente uma marca em resposta a um cenário, linguagem, tempo e ambiente definidos.

A representação inclui tanto o que aparece na resposta quanto quaisquer omissões, distorções ou erros significativos. Abrange:

• o papel atribuído à marca;

• os produtos, serviços e públicos associados a ela;

• os atributos usados para a descrever;

• se e sob que condições é recomendada;

• os concorrentes com os quais é comparada;

• as fontes mostradas juntamente com a resposta;

• se a informação é atual e factualmente correta.

Ainda não existe uma definição académica universalmente aceite de representação de marca em LLM. A pesquisa examinou os seus componentes separadamente, incluindo visibilidade em motores generativos, recomendações, atributos de marca, sensibilidade a prompts, citações e precisão. A pesquisa EMNLP também documentou diferenças na forma como os modelos de linguagem associam e recomendam marcas.

A representação de marca reúne estes componentes como um objeto de pesquisa multidimensional.

O que estamos realmente a observar?

Falar de representação “num modelo” é uma forma conveniente de abreviar. Na prática, os utilizadores encontram um sistema mais amplo que pode incluir:

• o modelo subjacente;

• instruções do sistema;

• a pergunta e a conversa anterior;

• a interface do produto e as suas configurações;

• mecanismos de pesquisa ou recuperação;

• fontes disponíveis;

• o momento em que a consulta foi feita.

Nem todo o modelo tem acesso à internet, usa recuperação externa ou exibe citações. Os resultados obtidos através de uma API também podem diferir das respostas produzidas por uma aplicação de consumidor que utiliza a mesma marca de modelo.

A pesquisa sobre Geração Aumentada por Recuperação (Retrieval-Augmented Generation) distingue o conhecimento codificado nos parâmetros do modelo da informação recuperada de recursos externos. Isso não significa que todo o sistema comercial use a mesma arquitetura. Qualquer estudo de representação de marca deve, portanto, especificar qual modelo, sistema, interface e modo de resposta foram testados.

Nem estamos a medir o que um modelo “pensa”. Os modelos não têm opiniões no sentido humano. Observamos saídas e as suas propriedades. Esta distinção ajuda a evitar a linguagem antropomórfica, uma preocupação notada no Perfil de IA Generativa do NIST.

Representação de marca e conceitos relacionados

A representação de marca sobrepõe-se a áreas familiares de marketing e pesquisa, mas não é idêntica a nenhuma delas.

Um motor de busca tradicional apresenta documentos. Um sistema generativo pode criar uma resposta na qual uma marca é descrita, omitida, comparada ou recomendada. A sua presença não deve ser reduzida a outro tipo de classificação.

Sete dimensões da representação de marca

1. Presença e identificação de entidade

A primeira questão é se a marca aparece. A segunda é se o sistema identificou a entidade correta.

Um modelo pode combinar informações sobre organizações separadas ou confundir uma empresa-mãe, subsidiária local, linha de produtos e distribuidor. Um nome que aparece numa resposta não é, portanto, prova de representação correta. A entidade e as suas relações também devem ser precisas.

2. Papel, categoria e posição

Uma marca pode aparecer como fornecedor, fabricante, fonte especializada, exemplo, parceiro, concorrente, alternativa ou aviso. Estes papéis não são equivalentes. Uma empresa pode ser citada frequentemente como fonte de informação da indústria, mas nunca aparecer entre os fornecedores recomendados. Também pode ser colocada numa categoria com a qual não deseja ser associada.

A representação diz respeito não apenas à presença, mas também à função que a marca desempenha na resposta.

3. Produtos, serviços e públicos

Um sistema pode conhecer um produto principal, mas ignorar outras linhas de negócio. Pode perder os serviços B2B da marca, atribuir um serviço ao público errado ou descrever uma oferta regional como globalmente disponível.

A análise deve, portanto, perguntar quais produtos e serviços são atribuídos à marca, quais permanecem ausentes, quais necessidades do cliente estão associadas a ela e se o âmbito declarado da oferta é atual.

Duas respostas podem mencionar o mesmo nome, mas descrever duas versões substancialmente diferentes da marca.

4. Recomendação e adequação ao cenário

Mencionar uma marca não é o mesmo que recomendá-la. Um sistema pode incluí-la entre muitas opções, colocá-la numa lista restrita, identificá-la como a melhor escolha, recomendá-la condicionalmente, desaconselhá-la ou omiti-la apesar de uma forte adequação aos critérios.

Pesquisas apresentadas na CHI 2025 descobriram que mudanças subtis na formulação podem afetar se os conceitos e marcas-alvo aparecem nas recomendações. Isso não significa que cada pequena alteração no prompt reverterá um resultado. Mostra por que a recomendação deve ser avaliada em relação a um cenário específico, em vez de ser tratada como uma propriedade universal de um modelo.

5. Atributos, enquadramento e sentimento

Uma marca pode ser descrita como inovadora, acessível, premium, local, segura, especializada ou desatualizada. Estes atributos moldam a resposta, mas um único rótulo de sentimento não pode capturar toda a representação.

Uma resposta positiva ainda pode reforçar um posicionamento indesejado. Por exemplo, um fornecedor empresarial pode ser elogiado, mas descrito exclusivamente como uma opção de baixo custo para pequenas empresas. A análise deve, portanto, cobrir os atributos atribuídos, razões para a seleção, ressalvas, tom e alinhamento com o posicionamento verificado da marca.

O sentimento positivo não garante uma representação precisa.

6. Contexto competitivo

Os modelos nem sempre comparam uma marca com os concorrentes que a própria empresa identificaria. As respostas podem incluir rivais diretos, marcas de categorias adjacentes, fornecedores que atendem a diferentes segmentos de preço, empresas que coocorrem em fontes ou organizações tratadas como alternativas funcionais.

Isso revela como o sistema constrói a categoria e o conjunto de escolhas disponíveis. No entanto, uma marca co-mencionada pode ser um parceiro, distribuidor ou fonte, em vez de um concorrente. A coocorrência, comparação e recomendação genuína devem ser distinguidas.

7. Fontes visíveis e citações

Onde as fontes são exibidas, podem incluir o website da marca, distribuidores, meios de comunicação, sites de comparação, documentação, páginas de concorrentes ou materiais desatualizados.

Duas precauções são necessárias. Primeiro, as fontes visíveis não revelam necessariamente todos os fatores que moldaram uma resposta. Em segundo lugar, uma citação não prova que a fonte apoia a afirmação ao lado dela. A pesquisa sobre verificabilidade em motores de busca generativos trata a presença de uma citação e o seu suporte real para uma declaração como questões separadas.

Uma auditoria deve, portanto, examinar tanto a origem de uma fonte quanto a sua relação com a afirmação que está a ser feita.

Nem todo o problema é uma alucinação

Alucinação é o rótulo mais conhecido para erros de IA generativa, mas não deve descrever todos os resultados desfavoráveis. O NIST usa o termo “confabulação” para conteúdo falso ou erróneo apresentado com confiança. A pesquisa de representação de marca requer um conjunto mais amplo de categorias:

• alucinação factual – uma afirmação entra em conflito com os factos;

• afirmação não suportada – as evidências disponíveis não a substanciam;

• informação desatualizada – uma declaração anteriormente correta já não é atual;

• conflação de entidades – informações sobre diferentes entidades são combinadas;

• erro de classificação – a marca é colocada na categoria errada;

• omissão – um facto significativo ou parte da oferta está ausente;

• distorção ou simplificação excessiva – a declaração altera o significado sem ser totalmente falsa;

• incompatibilidade de recomendação – a marca é recomendada apesar de não cumprir os critérios;

• desalinhamento de posicionamento – a representação diverge da identidade verificada e do posicionamento atual da marca.

As alucinações são uma parte da categoria mais ampla de problemas de representação de marca. Uma afirmação falsa, um produto em falta, uma entidade confusa e uma recomendação mal colocada exigem respostas diferentes.

Por que a representação de marca pode mudar?

As respostas geradas dependem das suas condições: formulação, intenção do utilizador, idioma, localização, histórico da conversa, modelo, interface, acesso à pesquisa, fontes disponíveis, data e a variabilidade da própria geração.

Um grande estudo publicado em Transactions of the Association for Computational Linguistics descobriu que instruções parafraseadas podem produzir resultados de modelo materialmente diferentes. Abrangeu muitos modelos e tarefas, em vez de apenas marcas, mas fornece fortes evidências de sensibilidade a prompts.

Três fenómenos devem, portanto, ser separados:

• sensibilidade ao cenário ou prompt – a pergunta é alterada;

• variabilidade da saída – o mesmo cenário é repetido nas mesmas condições;

• mudança ao longo do tempo – o teste é repetido depois de os modelos, fontes ou informações da marca poderem ter mudado.

Uma única resposta é evidência do que um determinado sistema retornou sob condições definidas. Não é evidência de uma opinião estável do modelo ou uma garantia de futuras respostas.

O monitoramento ao longo do tempo não é automaticamente um teste de estabilidade. Mostra diferenças entre as medições, mas não substitui execuções repetidas sob condições idênticas.

Como a representação de marca deve ser estudada?

Um estudo responsável deve começar por definir a entidade e a referência contra a qual os resultados serão avaliados.

1. Definir a identidade da marca

Crie um registo atual da organização, produtos, serviços, públicos, mercados, atributos, concorrentes e factos que exigem escrutínio. Separe os factos das aspirações e das afirmações promocionais.

2. Desenhar cenários realistas

Os cenários devem refletir necessidades genuínas de informação ou decisão: encontrar um fornecedor, comparar soluções, verificar a reputação, escolher um produto ou identificar alternativas. Esta não é uma lista convencional de palavras-chave. O mesmo assunto pode exigir cenários diferentes para diferentes públicos e fases de decisão.

3. Registar o ambiente de pesquisa

Documente o modelo, interface, idioma, data, acesso à internet e número de execuções. Sem estes detalhes, a comparação posterior torna-se pouco fiável.

4. Preservar a evidência

Os resultados agregados não devem substituir as respostas completas. Mantenha registos, extratos relevantes, fontes e citações para que cada conclusão possa ser rastreada até à sua evidência.

5. Analisar as dimensões separadamente

Presença, recomendação, sentimento, atributos, concorrentes, fontes e precisão respondem a perguntas diferentes. Combiná-los numa única pontuação pode ocultar o problema principal. Uma marca altamente visível ainda pode ser atribuída à categoria errada, perder recomendações, ser descrita usando informações desatualizadas ou ser associada ao público errado.

6. Declarar as limitações

As conclusões devem corresponder ao âmbito. Um estudo de cinco modelos não descreve todos os sistemas de IA; um teste num idioma não estabelece uma representação idêntica em outros mercados. A Brand Semantics fornece um guia mais amplo sobre como realizar uma auditoria de visibilidade de IA em plataformas de pesquisa de IA.

O que esta pesquisa pode dizer a uma marca?

Um estudo bem desenhado pode mostrar se uma marca é reconhecida, qual o seu papel, com que necessidades e públicos está associada, quando é recomendada, quais os concorrentes que aparecem e onde ocorrem erros ou distorções.

Não pode, por si só, estabelecer o que cada utilizador verá, como as pessoas percebem a marca, se uma resposta alterou uma decisão de compra ou qual será o seu impacto direto nas vendas. Essas questões exigem tráfego adicional, conversão, atribuição ou pesquisa qualitativa.

Como a Semantio analisa a representação de marca?

Semantio é uma plataforma de pesquisa para analisar e monitorizar como os grandes modelos de linguagem descrevem, comparam e recomendam marcas – e onde geram erros, imprecisões ou outros problemas de representação.

A pesquisa pode abranger menções de marca, papel, recomendações, atributos, sentimento, produtos, públicos, concorrentes, fontes e citações, quando disponíveis, bem como a consistência das afirmações com a identidade definida da marca.

Os utilizadores podem passar de descobertas agregadas para respostas individuais e as suas evidências de suporte. A representação de marca não é, portanto, reduzida a uma única classificação ou pontuação opaca.

Crie uma conta e veja como os modelos de linguagem representam a sua marca.

Perguntas frequentes

A representação de marca é o mesmo que visibilidade de IA?

Não. A visibilidade pergunta se uma marca aparece. A representação também abrange o seu papel, recomendações, atributos, oferta, públicos, concorrentes, fontes e precisão factual.

Um LLM tem uma opinião estável sobre uma marca?

Nenhuma conclusão desse tipo deve ser tirada. Uma resposta é a saída de um sistema particular sob condições particulares e pode variar por cenário, modelo, idioma, fontes e data.

Uma marca altamente visível ainda pode ser mal representada?

Sim. Pode aparecer frequentemente, mas ser colocada na categoria errada, associada a uma oferta desatualizada ou recomendada ao público errado.

Toda a resposta incorreta é uma alucinação?

Não. O problema pode ser, em vez disso, informação desatualizada, conflação de entidades, classificação incorreta, omissão, simplificação excessiva ou uma recomendação que não se encaixa nos critérios.