Quando a IA diz algo falso sobre a sua marca: o que pode corrigir

Os motores de IA já descrevem a sua empresa e, por vezes, enganam-se: uma invenção pura, um dado que caducou ou uma confusão com outra firma de nome parecido. Convém ver a correção com clareza: não pode obrigar o ChatGPT a reescrever uma resposta concreta e ninguém garante que ele deixe de repetir uma afirmação falsa. O que pode fazer é detetar o erro, perceber de onde vem, corrigir as fontes que controla e medir se persiste.

Com que frequência é que a IA erra sobre a sua marca?

Com frequência suficiente para levar a sério, e todos os motores o fazem. No benchmark académico HALoGEN (janeiro de 2025), o modelo com melhor desempenho ainda produziu “factos atómicos” alucinados em até 86% de uma resposta consoante o domínio — esse valor corresponde ao pior domínio, não a uma média, mas mostra que nenhum modelo está limpo. Um benchmark anterior, o HaluEval (maio de 2023), concluiu que o ChatGPT fabricava informação não verificável em cerca de 19,5% das consultas gerais dos utilizadores. As AI Overviews da Google obtiveram 91% de exatidão no teste de conhecimento geral SimpleQA, segundo uma análise do New York Times e da Oumi resumida pelo Search Engine Land (2026) — mas 56% das respostas corretas de fevereiro eram “sem fundamento”, ou seja, as fontes citadas não as sustentavam por completo, contra 37% alguns meses antes. E um estudo do Tow Center sobre oito ferramentas de pesquisa com IA (março de 2025) registou taxas de erro conjuntas acima de 60%.

“O ChatGPT identificou incorretamente 134 artigos, mas apenas sinalizou falta de confiança quinze vezes em duzentas respostas, e nunca se recusou a dar uma resposta.” — Tow Center for Digital Journalism, março de 2025

É esta última parte que representa o verdadeiro risco para uma marca: o modelo afirma o errado com a mesma confiança com que afirma o certo. E os compradores agem em conformidade — num inquérito da Semrush a 1.030 consumidores norte-americanos (dezembro de 2025, estudo de um fornecedor), 43% disseram ter descoberto uma marca nova através de IA e 50% compraram depois de a usarem para se informar.

Quais são as três formas de a IA errar sobre a sua marca?

Parecem diferentes e vêm de sítios diferentes, por isso exigem correções diferentes. O HALoGEN ordena os erros por três origens: Tipo A (má recuperação de dados que estavam corretos no treino), Tipo B (os dados já estavam errados no treino) e Tipo C (fabricação pura, algo que nunca existiu). Associe o sintoma à sua origem antes de mexer em seja o que for:

Sintoma	Como se manifesta	Origem provável	A alavanca que tem mesmo
Alucinação	Um prémio, evento ou número que nunca existiu	Tipo C — fabricação	Dar ao motor melhores fontes citáveis para que inventar seja menos provável
Dados desatualizados	Já foi verdade: morada antiga, antigo dono, produto descontinuado	Tipo A / B — má recuperação ou treino velho	Atualizar a fonte e retirá-la das caches a montante
Confusão de entidade	A sua marca fundida com uma empresa de nome parecido	Tipo A — recuperação errada	Desambiguar a sua entidade com dados estruturados

Os casos perigosos são os que misturam verdadeiro e falso. O ChatGPT chegou a afirmar falsamente que um homem norueguês tinha sido condenado por matar dois dos seus filhos, entretecendo detalhes reais — a sua terra natal e o número e sexo dos filhos —, conforme noticiado pelo TechCrunch (março de 2025). É precisamente o andaime verdadeiro que torna a invenção credível.

Porque é que o modelo inventa um dado em vez de admitir que não sabe?

Porque um modelo de linguagem prevê texto plausível; não consulta uma tabela de factos verificados. Os próprios investigadores da OpenAI explicam que os modelos continuam a alucinar porque as avaliações premeiam adivinhar em vez de dizer “não sei”.

“Os modelos de linguagem são otimizados para serem bons a fazer testes, e adivinhar quando há incerteza melhora o desempenho no teste.” — Kalai et al. (OpenAI), Why Language Models Hallucinate, setembro de 2025

Isto importa para a sua correção porque uma resposta sobre uma marca tem duas linhas de abastecimento. Uma é o que ficou fixado nos pesos do modelo durante o treino — imutável até ao próximo treino e fora do seu alcance. A outra é o que o motor vai buscar em direto a um índice de pesquisa (Bing ou Google) quando consulta algo. Só a segunda é influenciável neste trimestre, e saber qual delas produziu o seu erro diz-lhe se a correção é sequer possível agora.

Pode obrigar o ChatGPT a corrigir o que diz sobre si?

Não — e quem lhe prometer o contrário está a vender-lhe alguma coisa. Quando o grupo de privacidade noyb apresentou queixa por afirmações falsas do ChatGPT sobre uma pessoa real, a resposta da OpenAI foi reveladora.

“A OpenAI diz que pode filtrar ou bloquear dados em determinados prompts (como o nome do queixoso), mas não sem impedir o ChatGPT de filtrar toda a informação sobre o queixoso.” — queixa da noyb, abril de 2024

Por outras palavras, a OpenAI podia bloquear o resultado, não corrigir o facto, e não conseguiu revelar de onde vinham os dados. Os tribunais também não são atalho: o primeiro caso de difamação por alucinação nos Estados Unidos, Walters v. OpenAI, foi arquivado em maio de 2025, em parte com o argumento de que um utilizador avisado de que a IA pode inventar não trataria o resultado como afirmação de facto. Desconfie, portanto, de qualquer fornecedor que prometa “apagar” ou “garantir a correção” do que o ChatGPT diz sobre si. Essa garantia não existe.

Como detetar e rastrear o erro antes de mexer em alguma coisa?

Comece por tornar o erro concreto. Faça as perguntas que os seus clientes fazem de verdade — no ChatGPT, na Perplexity e na Google com AI Overviews — e registe o prompt exato, o motor, a data e uma captura de ecrã. Classifique o que vê: é uma invenção, um dado desatualizado ou uma confusão com outra empresa? Cada caso aponta para uma correção diferente.

Depois rastreie a origem antes de alterar seja o que for. Os motores com recuperação em direto mostram as suas citações, por isso siga-as: a afirmação falsa remonta a uma página antiga sua, a uma ficha de diretório desatualizada, a uma linha da Wikipédia ou ao site de um homónimo? Não se corrige uma fonte que não foi identificada, e adivinhar desperdiça esforço na origem errada. Este passo de diagnóstico segue a mesma disciplina de como os motores de IA escolhem as suas citações.

Como corrigir as fontes que controla mesmo?

Conhecida a origem, trabalhe a montante. O estudo GEO controlado de Princeton (KDD 2024) concluiu que otimizar uma fonte — acrescentando estatísticas, citações e referências citadas — aumentou a sua visibilidade nas respostas generativas em até 40%. Material citável melhor torna mais provável que o motor vá buscar a versão correta.

• Para a confusão de entidade: implemente marcação schema.org Organization com uma propriedade sameAs a apontar para perfis com autoridade — Wikidata, Wikipédia, LinkedIn — mais um nome canónico e um URL consistentes em todo o lado. Quando esses sinais coincidem, os sistemas consolidam-no como uma entidade reforçada; quando divergem, a confiança cai (orientações sobre desambiguação de entidades, 2026).
• Para dados desatualizados: atualize a fonte em direto e depois retire-a da cache. A remoção de conteúdos das Bing Webmaster Tools (2025) consegue reformar uma página em cache desatualizada em cerca de 1 a 7 dias (por vezes falha), e a Google Search Console mais o seu perfil de empresa na Google tratam do equivalente do lado da Google.

Nada disto reescreve o que já está nos pesos do modelo — mas muda aquilo que os motores com recuperação em direto encontram. A nossa análise de ferramentas de visibilidade em IA percorre o software que ajuda a auditar estes sinais.

Os botões de feedback e as vias legais ajudam em alguma coisa?

Ajudam, modestamente, como complementos. No ChatGPT, o polegar para baixo com uma nota escrita alimenta o conjunto de dados de treino e avaliação da OpenAI; não altera a sua conversa e não recebe resposta individual. A Perplexity permite assinalar uma resposta inexata com a thread, a afirmação falsa, a fonte que a desmente e o prompt — vale a pena fazê-lo em detalhe (guias de feedback, 2026). No plano legal, as empresas da União Europeia podem invocar o direito de retificação do RGPD, como faz a noyb, mas esses casos estão por resolver. Trate tudo isto como sinais que envia, não como interruptores que aciona.

Como saber se a correção resultou mesmo?

Medindo, porque não pode confiar numa verificação única. Os LLM não são determinísticos nem nas suas configurações mais “determinísticas”: um estudo com cinco modelos e oito tarefas (agosto de 2024) encontrou variações de exatidão até 15 pontos entre execuções idênticas, com uma diferença entre o melhor e o pior resultado a chegar aos 70 pontos. Ou seja, a mesma pergunta sobre a sua marca pode devolver a resposta correta hoje e a falsa amanhã, e cada motor cita fontes diferentes. A única leitura honesta é amostrar: correr o mesmo conjunto de perguntas várias vezes, em vários motores, ao longo de várias semanas, e registar os resultados.

É exatamente essa a prática por trás de medir a visibilidade em IA — repetida, em vários motores, acompanhada ao longo do tempo. Para uma PME, o ciclo operacional é curto e repetível: detetar e documentar, rastrear a origem, corrigir as fontes que são suas, usar os canais de feedback e depois medir se o erro se dissipa. O que não faremos é prometer que um determinado modelo deixa de dizer X, nem pôr-lhe uma data — essa promessa não é real e deve desconfiar dela. O que prometemos mesmo é deteção, diagnóstico, correções a montante nas fontes que controla de facto e medição honesta do resultado, com cada número etiquetado como medido, calculado ou suposto — o mesmo critério que sustenta o nosso método.