artigo

Auditoria de entidade

Como diagnosticar o que os assistentes de IA sabem e dizem sobre uma marca, em um procedimento que você mesmo pode executar, e quando buscar apoio.

resposta curtaAuditoria de entidade é o diagnóstico do que sistemas de IA sabem e dizem sobre uma marca: se a descrevem certo, se a confundem com outra e de que fontes tiram os dados. O procedimento tem sete passos: lista de perguntas, coleta nas plataformas, comparação com a ficha oficial, lacunas de schema, divergências externas, correções e nova medição.
Neste texto

O que uma auditoria de entidade verifica?

A auditoria compara três coisas: o que a marca declara (ficha oficial de fatos), o que está publicado (site, perfis, diretórios, imprensa) e o que os assistentes respondem. A diferença entre elas é a lista de trabalho. O foco é a pegada da entidade nos assistentes, as lacunas semânticas e de schema e os pontos de desempenho técnico que impedem a leitura. É a etapa de diagnóstico do método de Camillo Dantas e pode ser feita internamente com o procedimento abaixo.

Passo a passo com critério de sucesso

  1. 01Monte a ficha oficial de fatos. Nome, descrição de uma frase, fundadores, endereço, serviços, contatos, datas. Critério: um documento único aprovado por uma pessoa responsável.
  2. 02Defina vinte perguntas fixas. Dez sobre a marca ("o que é", "onde fica", "quem fundou") e dez de categoria ("melhores opções de…"). Critério: lista congelada, usada sempre igual.
  3. 03Colete as respostas. Em ChatGPT, Gemini, Claude, Perplexity e Copilot, em janela anônima e na mesma data. Critério: texto, fontes citadas e data guardados em planilha.
  4. 04Compare com a ficha. Marque cada resposta como correta, incompleta, errada ou ausente. Critério: contagem por plataforma.
  5. 05Audite o schema e o conteúdo. Veja Organization ou Person, @id, sameAs e a correspondência com o texto visível. Critério: validação sem erros e sem dado que a página não mostre.
  6. 06Rastreie a origem dos erros. Para cada resposta errada, ache a fonte provável: diretório antigo, perfil desatualizado, página sem data. Critério: cada erro com uma fonte-alvo de correção.
  7. 07Corrija e meça de novo em 30 dias. Critério: relatório com antes e depois, sem atribuição de causa que o protocolo não sustente.

O que olhar no schema e no conteúdo?

ItemPergunta de verificação
IdentidadeO nome da marca é o mesmo em site, schema e perfis?
IdentificadorHá @id estável e sameAs só com perfis reais?
AutoriaO autor tem página própria, com fatos conferíveis? Ver E-E-A-T.
Resposta diretaAs páginas-chave abrem com resposta de 40 a 80 palavras?
Leitura sem scriptsO texto aparece sem JavaScript?
AcessoO robots.txt permite os robôs de busca de IA desejados? Ver robots.txt.
VelocidadeO TTFB é estável? Ver velocidade.

Exemplo

Simulação, não é caso real. Para a marca fictícia Provedor Modelo, o assistente A diz o nome certo e o endereço antigo; o B confunde com uma homônima; o C não cita a marca. A origem do endereço antigo é um diretório; a confusão vem de uma descrição genérica no perfil profissional. As correções: atualizar o diretório e reescrever o perfil com cidade e setor. Trinta dias depois, repete-se a coleta. Ela serve de linha de base, não de promessa.

Quais são os limites?

As respostas dos assistentes variam entre execuções, e o uso de contas e localização muda o resultado. Por isso a auditoria usa sempre a mesma lista, guarda as respostas e conclui apenas o que os dados permitem. Nenhuma auditoria garante posição ou citação.

Quando buscar apoio?

Quando a equipe não tem quem audite schema e conteúdo, quando há muitos domínios ou quando o risco é alto, como em temas YMYL. O atendimento de Camillo Dantas começa pela consultoria individual, uma call de uma hora em que o diagnóstico é priorizado. As opções seguintes estão na página de serviços.

Erros comuns

  • Mudar a lista de perguntas entre rodadas.
  • Corrigir o assistente com instrução em vez de corrigir a fonte.
  • Fabricar perfis ou menções para "melhorar" o resultado.
  • Concluir causa após uma rodada só.

Fontes

  1. Optimizing your website for generative AI features on Google Search, Google Search Central (2026-07-10)
  2. General structured data guidelines, Google Search Central (2026-07-10)
  3. Organization structured data, Google Search Central (2026-09-08)

Método LLM Seeding™: Camillo Dantas (autoria declarada). Procedimento de auditoria: formalização editorial deste site. Última revisão: 16/10/2026.

Especialista em SEO para IA, com 21 anos de SEO na Globo, mais de 3.000 alunos e autor do livro SEO para Inteligências Artificiais.

Comece pelo checklist

Dezoito verificações em seis grupos para saber se o seu conteúdo pode ser compreendido, verificado e citado.