Quando ninguém escreve sobre você, as IAs respondem com a reputação de seu homônimo

Medido em 6 de agosto de 2026. 12 entidades, 2 perguntas cada uma, 6 motores, 144 respostas.

Pergunte a um assistente sobre uma empresa e você recebe uma resposta, exista ou não o material para escrevê-la. Queríamos saber o que muda entre uma entidade que a imprensa cobre há décadas e outra sobre a qual quase ninguém escreveu. A resposta não é que os assistentes fiquem mais gentis quando há pouco material. É que eles continuam respondendo, e a substância vem de outro lugar.

O que perguntamos

Cada entidade foi apresentada aos seis motores duas vezes, com as mesmas palavras:

• uma pergunta neutra, What should I know about {entidade}?
• uma pergunta adversa, What are the main criticisms and risks of {entidade}?

As 12 entidades foram distribuídas em três estratos conforme o volume de cobertura independente que existe sobre elas:

• Cobertura espessa: Boeing, Shein, Ryanair, Nestlé. Décadas de imprensa, litígios documentados.
• Cobertura média: Ledger, Hetzner, Backblaze, Fastmail. Conhecidas dentro de seu nicho, resenhadas pela imprensa especializada e pelas comunidades de usuários.
• Cobertura fina: quatro marcas operadas pelo editor deste estudo. A escolha é deliberada: medir este estrato significa registrar a crítica que um motor inventa, e preferimos que ela recaia sobre nomes pelos quais respondemos, e não sobre nomes de terceiros.

Motores: ChatGPT, Claude, Gemini, Perplexity, Mistral, Grok. Uma passagem por pergunta e por motor. A unidade a seguir é a célula, uma entidade vista por um motor, ou seja, 24 células por estrato, cada uma cobrindo as duas perguntas.

Quanto melhor documentada é uma entidade, menos um assistente tem de bom a dizer

As duas colunas se leem juntas, porque cada uma diz o que a outra cala.

No estrato espesso, a pergunta neutra já devolve crítica. Ninguém precisou pedi-la. De 24 células, apenas duas continham algo que um analista julgou positivo, e todas continham algo negativo. Shein obteve tom negativo dos seis motores, nas duas perguntas.

No estrato médio, o padrão é o do manual, e é quase mecânico: a pergunta neutra devolve tom positivo, a pergunta adversa devolve tom negativo, com 19 células de 24 mostrando exatamente esse par. São entidades com um histórico real, positivo e negativo, e é a pergunta que decide qual metade vem à tona.

O estrato fino inverte o quadro. Dois terços de suas células trazem tom positivo e apenas um terço traz algo negativo, embora metade das perguntas pedisse crítica pelo nome. Na superfície, essa é a deferência que se esperaria diante de uma marca pequena e desconhecida. Não é. É o que acontece quando a pergunta não encontra nada e o motor responde assim mesmo.

O que a pergunta adversa faz com um nome sobre o qual ninguém escreveu

As oito células negativas do estrato fino valem mais do que a contagem. Em cada caso lemos a resposta e as fontes que ela cita. Nenhuma contém uma crítica da entidade sobre a qual a pergunta foi de fato feita.

Mistral, questionado sobre as críticas e os riscos de Atoutpersona, um site francês de testes de personalidade, respondeu sobre Persona, uma empresa americana de verificação de identidade, apoiado numa cadeia de caracteres em comum. Abre com «likely referring to Persona» e em seguida atribui ao nome que recebeu um incidente de código exposto de fevereiro de 2026, uma coleta ampla de dados biométricos e uma controvérsia sobre vínculos com os investidores Peter Thiel e Palantir. O resumo final abandona a ressalva e fala em «main criticisms and risks of Atoutpersona». As duas fontes citadas são uma página do Trustpilot sobre withpersona.com e o verbete da Wikipédia «Persona (identity verification service)». Nenhuma menciona Atoutpersona.

Perplexity, diante da mesma pergunta sobre Stileex, uma editora de dados malgaxe, converteu a ausência de material no próprio achado: «low transparency», «unclear legitimacy», «limited independently verifiable information». Depois importou sinais de alerta de Stylex, Stylix, StealthEX e Stelix, listando falta de informação sobre a equipe, dados de contato copiados e reclamações de cobrança. Das vinte fontes citadas, duas dizem respeito a Stileex. As outras dezoito dizem respeito a uma biblioteca de estilos React, uma corretora de criptomoedas, um fabricante de móveis de escritório, um monitor contínuo de glicose, um serviço de impressão 3D e um relatório do Banco Mundial sobre água em Madagascar. A favor dele, Perplexity avisa que esses elementos podem não se aplicar, e lista o que não consegue confirmar. O tom da resposta continua sendo o de um alerta.

Um terceiro motor, questionado sobre outra marca de cobertura fina, não produziu nenhuma crítica específica da entidade e devolveu no lugar oito famílias de riscos de categoria, cada uma com a fonte de um artigo real sobre a categoria, e não sobre a empresa.

Três motores, três caminhos diferentes, um único mecanismo. Quando há pouco material, a pergunta adversa não devolve «pouco se sabe». Devolve uma crítica montada com o material mais próximo, com URLs reais.

Por que isso importa mais do que a pontuação de sentimento

Uma entidade de cobertura fina não é protegida pela própria obscuridade. É exposta por ela, de um jeito que a contagem de respostas negativas subestima: o estrato fino parece mais brando no papel e carrega na prática as respostas menos exatas. Uma marca pode ser descrita de forma favorável em cinco respostas e, na sexta, herdar um vazamento de dados que pertence a uma empresa de outro continente.

Duas propriedades dessa falha merecem vigilância em vez de um dar de ombros. Ela vem com fontes, então se lê como verificada por quem não abre os links. E é estável, porque vem do mesmo material público toda vez que a pergunta é feita, o que significa que se repete para cada cliente em potencial, recrutador ou parceiro que a faz.

A alavanca é o próprio material. O que decide a resposta sobre um nome pouco coberto é se há algo a encontrar sob esse nome exato, e se isso é inequívoco o bastante para que o homônimo mais próximo não vença. Isso se mede com este protocolo, nome por nome, motor por motor.

Método

Seis motores: ChatGPT, Claude, Gemini, Perplexity, Mistral, Grok. Doze entidades, duas perguntas cada uma, uma repetição por pergunta e por motor, 144 respostas coletadas em 6 de agosto de 2026 numa única janela. O tom é atribuído por menção de palavra-chave por um analista de IA, e uma célula conta como portadora de negativo assim que uma menção, em qualquer das duas respostas, foi julgada negativa, o que mantém a leitura estável independentemente de quantas vezes uma resposta cite a entidade. As respostas completas, as fontes citadas e as páginas lidas sem serem citadas ficam arquivadas a cada medição.

Três propriedades delimitam o que esta medição estabelece, e cada uma é uma escolha, não um acidente. Uma passagem por célula significa que uma célula carrega a variabilidade de um único sorteio, de modo que os estratos se leem em blocos, e não entidade por entidade. A estratificação é fixada a partir da cobertura conhecida, e não de um índice medido dela. O estrato fino vem de marcas operadas pelo editor, e é justamente isso que torna possível publicar suas listas de fontes por inteiro.