Ser mencionado pelas inteligências artificiais não é suficiente para manter um lugar na seleção dos compradores. Segundo um consultor em GEO (Otimização para Motores Geradores), uma empresa com uma presença muito forte nas respostas das IA via, no entanto, o seu pipeline de potenciais clientes a reduzir-se. O estudo que ele relata aborda esta aparente contradição.
- A empresa é mencionada em quase todas as respostas, mas as provas são fracas em 73,7% delas.
- A visibilidade faz a empresa entrar na discussão, mas não basta para a manter na pré-seleção.
- Uma prova fraca não significa que a capacidade falte, pois a informação pode estar incompleta ou dispersa.
- Medir o GEO exige avaliar a visibilidade e a capacidade de decisão ao longo de todas as perguntas do comprador.
O consultor construiu 38 consultas detalhadas, baseadas em critérios, abrangendo várias categorias de produtos e segmentos de compradores. Estas consultas foram avaliadas em cinco interfaces de IA, totalizando 190 respostas. Elas reproduziam os critérios que um comprador utiliza para restringir uma lista de fornecedores: adequação aos fluxos de trabalho, integrações, requisitos regulamentares, interoperabilidade ou análises. Segundo o autor, algumas consultas revelaram-se ainda mais longas após trocas com responsáveis de compras.
Os resultados de visibilidade eram elevados. A empresa era mencionada em 98,4% das respostas avaliadas e figurava como recomendação principal ou numa pré-seleção em 93,2% dos casos. No entanto, quando essas mesmas respostas foram confrontadas com os critérios de decisão, 73,7% delas continham provas fracas ou ausentes para apoiar afirmações importantes. Em 15,8% dos casos, foi identificada uma lacuna qualificada como « significativa » ou « crítica ».
Uma visibilidade que não basta para decidir
Para o autor, existe uma diferença clara entre perguntar quais os fornecedores que operam num mercado e perguntar quais podem responder a uma combinação precisa de exigências técnicas, operacionais, regulamentares e comerciais. Um modelo pode conhecer uma empresa e colocá-la numa pré-seleção sem dispor das informações necessárias assim que o comprador questiona o funcionamento de uma integração ou os limites de um produto. Estas questões, segundo ele, não se resumem a simples palavras-chave, mas a exigências de prova.
Os números não se contradizem, portanto: medem duas etapas diferentes do processo de decisão. A visibilidade faz a empresa entrar na discussão, enquanto a capacidade de decisão determina se a IA tem elementos suficientes para a manter lá.
Provas em vez de capacidades
Segundo o estudo, uma fraqueza nas provas não significa necessariamente que a empresa não possua a capacidade em questão. Em muitos casos, essa capacidade parecia existir, mas a informação disponível não a explicava suficientemente para satisfazer o nível de confiança da IA. Uma promessa de processo de ponta a ponta, por exemplo, não é sustentada se o processo, as ligações ou os fluxos de dados não forem descritos. A informação também pode estar fragmentada, obrigando o modelo a ligar várias páginas antes de concluir.
O autor especifica que a documentação do produto de origem interna pode constituir a melhor prova de que uma funcionalidade existe. Por outro lado, as afirmações de superioridade, eficácia, adoção ou resultados mensuráveis beneficiam de serem corroboradas por clientes, analistas ou terceiros independentes. Acrescenta que a generalização de conteúdos semelhantes, que ele chama de « paridade de conteúdo », pode fazer uma empresa entrar na categoria sem lhe permitir resistir a uma avaliação aprofundada.
Adverte, finalmente, contra a tentação de produzir conteúdos « moldados para as provas »: páginas mais longas, esquemas superficiais, inquéritos pouco sólidos ou estudos de caso gerados por IA. O objetivo, segundo ele, é fornecer informações reais que reduzam a incerteza do comprador. Se uma informação não ajudaria um cliente informado a decidir melhor, ela não deveria existir apenas para melhorar uma pontuação GEO.
Medir o comprador até ao fim
O consultor estima que medir apenas a primeira resposta de uma IA não é suficiente. As consultas do tipo « perguntas frequentes » são úteis para estabelecer uma lista de opções, mas as ferramentas atuais não acompanham a sequência de perguntas que um utilizador coloca sucessivamente. Chama a esta combinação multivariada resultante dessas trocas sucessivas de « prompt math ». Estima que a medição do GEO deve integrar tanto a visibilidade como a capacidade de decisão.
