Verifique com o Qwairy MCP se a IA descreve a sua marca com rigor

Se um motor de IA o apresentar como uma opção básica quando vende a grandes empresas, o problema não é a ausência de menção. A sua marca é mencionada, mas enquadrada de forma errada, o que nenhum indicador de visibilidade revela. Aqui, analisa o texto, confronta a pontuação de perceção com as descrições que resume e obtém um plano de correção ligado a fontes concretas.

O problema GEO que resolve

Quando uma descrição está errada, a reação habitual é repetir o posicionamento com mais insistência: novo texto na página inicial, nova apresentação ou campanha. Falha o alvo, porque a descrição de IA é composta a partir de fontes de terceiros em que o motor já confia.

O segundo problema é a métrica principal. get_brand_perception devolve uma imagem guardada: pontuações de sentimento, alinhamento, coerência e alinhamento factual, além de uma análise SWOT feita de rótulos sem texto justificativo ou ligação a qualquer resposta. Mostra que houve uma avaliação, mas não permite auditá-la. Por isso, este fluxo recupera depois as palavras exatas e dá-lhes prioridade quando contradizem a pontuação: uma boa pontuação de alinhamento acima de descrições contraditórias é motivo para confiar nas descrições.

As etapas do fluxo de trabalho

1. Leia a imagem atual. get_brand_perception devolve as quatro pontuações e as quatro listas SWOT. Se a imagem for null e as listas estiverem vazias, não há análise guardada. Avance para o passo três e forme a visão a partir das respostas.

2. Verifique se existe uma tendência. get_perception_history devolve imagens guardadas por mês e ano, cada uma com pontuações e SWOT, e a contagem total. É essa contagem que decide: com zero ou uma imagem, não há tendência. Indique-o e prossiga.

3. Obtenha as respostas. get_answers recebe uma data inicial e final e devolve cada resposta com o texto do prompt, o fornecedor, a data e um indicador de menção da marca. A ferramenta não filtra por esse indicador; faça-o. Se nenhuma resposta mencionar a marca, o problema é ausência, não enquadramento, e o fluxo termina.

4. Leia as palavras exatas. get_answer_details devolve o texto integral gerado, as menções de concorrentes com posição e sentimento e a lista de fontes, cada uma com um indicador de fonte própria. Crie um inventário de descrições citadas literalmente, por fornecedor, com as fontes citadas ao lado.

5. Compare com o posicionamento que fornecer e ordene os desvios.

Como aproveitar os resultados

Uma descrição justifica trabalho quando ultrapassa dois critérios: aparece em respostas de pelo menos dois fornecedores, e pelo menos uma dessas respostas inclui uma fonte identificável. Ambos contam, porque a fonte é o alvo da intervenção.

Abaixo desse limiar, mantenha critérios rigorosos. Uma descrição de um só fornecedor que remeta para uma fonte entra na lista de observação e é verificada na próxima imagem mensal. Uma descrição sem fonte citada em nenhuma ocorrência não recebe orçamento: falta um alvo concreto para a intervenção.

Uma alteração numa imagem posterior não prova que a correção tenha funcionado. Verifique se a própria descrição mudou nas respostas obtidas.

Se duas descrições cumprirem ambos os critérios e só houver orçamento para uma, escolha a que contradiz uma afirmação que usa para vender. Uma contradição regressa numa conversa de compra; uma ausência mantém-se apenas como lacuna.

O prompt completo

Quero analisar se os motores de IA descrevem a minha marca de acordo com o meu posicionamento. Lista as marcas que monitorizo e pergunta qual usar se houver várias. Antes do passo cinco, pede-me a minha declaração de posicionamento e os dois ou três atributos em que assento a venda: a análise dos desvios não faz sentido sem eles, e nenhuma ferramenta os contém.

1. Chama get_brand_perception. Mostra as quatro pontuações e as quatro listas SWOT. Indica claramente que os elementos SWOT são rótulos sem texto justificativo. Se a imagem for null e as listas estiverem vazias, diz que não foi guardada qualquer análise e passa diretamente ao passo três.
2. Chama get_perception_history. Indica primeiro o número total de imagens. Se for zero ou um, diz que não há tendência e continua. Caso contrário, mostra como cada pontuação mudou nas imagens mensais e identifica a maior alteração.
3. Chama get_answers para os últimos 30 dias. Filtra por tua conta as respostas que mencionam a minha marca, pois a ferramenta não o faz. Seleciona um conjunto representativo entre fornecedores, dando prioridade aos prompts em que divergem. Se nenhuma resposta mencionar a marca, para e indica que é um problema de ausência, não de enquadramento.
4. Chama get_answer_details para esse conjunto. Cita as palavras exatas de cada fornecedor e cria um inventário de descrições por fornecedor, com as fontes citadas por trás de cada uma.
5. Ordena os desvios face ao meu posicionamento. Atua apenas nas descrições que apareçam em dois ou mais fornecedores e tenham pelo menos uma fonte identificável. As descrições de um só fornecedor com uma fonte entram na lista de observação. Não recomendes despesas para uma descrição sem fonte. Se dois elementos cumprirem os critérios, dá prioridade ao que contradiz uma afirmação que uso na venda. Para cada desvio financiado, apresenta a evidência da fonte, a hipótese identificada como tal, uma medida de correção e o texto a alterar.