Definição direta: Share of Model é a porcentagem de respostas de assistentes de IA em que uma marca é citada quando a mesma pergunta de recomendação é repetida muitas vezes, no contexto real do mercado (idioma e país do cliente). É a métrica central do monitoramento de presença em IA — o equivalente, para ChatGPT, Claude, Gemini e Perplexity, do que share of voice é para mídia.
Share of Model = respostas que citam a marca ÷ total de respostas coletadas × 100
Exemplo numérico: uma medição faz 8 perguntas de recomendação, repete cada uma 6 vezes em cada um dos 4 assistentes (8 × 6 × 4 = 192 respostas). A marca aparece em 57 delas: Share of Model = 29,7%, com intervalo de confiança de 23,7% a 36,5% (Wilson, 95%). O número sozinho não basta — o intervalo diz o quanto ele é estável.
Assistentes de IA são probabilísticos: a mesma pergunta, repetida, retorna listas diferentes de marcas. Levantamentos públicos mostram que menos de 1 em cada 100 execuções repete a mesma lista de recomendações (SparkToro, jan/2026) — Rand Fishkin resumiu: "any tool that gives a 'ranking position in AI' is full of baloney". A consequência prática: print de tela não é evidência, e qualquer promessa de "1º lugar no ChatGPT" ignora como a tecnologia funciona. O que se mede com rigor é frequência — em quantas respostas, de quantas coletadas, com qual margem.
| Requisito | Por quê |
|---|---|
| 1. N declarado — quantas perguntas, quantas repetições, quantos motores | Sem N, o número não tem valor de evidência. Amostra de 1 é anedota. |
| 2. Margem/intervalo publicado | Variação menor que a margem não é subida nem queda — é flutuação natural. Reportar oscilação como resultado é vender ruído. |
| 3. Controle de falso positivo — marcas-controle fictícias na mesma medição | Se o detector "encontra" uma marca inventada, o parser está frouxo e a medição é invalidada antes de chegar ao relatório. |
| 4. Contexto real do mercado — IP do país, idioma nativo | Perguntar de fora do país ou em inglês retorna outro conjunto de respostas — não o que o cliente real vê. |
| 5. Multi-motor — ChatGPT, Claude, Gemini e Perplexity | Os motores divergem muito entre si; um único motor esconde tanto o problema quanto a oportunidade. |
Entre um ciclo e outro, compare a variação com a margem da amostra: mudança dentro da margem é estabilidade; tendência real é a que se sustenta por ciclos seguidos ou excede o intervalo.
O agregado esconde assimetrias. Um caso real da nossa base (agosto/2026, 192 respostas): agregado de 29,7% composto por Perplexity 70,8%, Gemini 25,0%, ChatGPT 22,9% e Claude 0,0%. Motores com busca ao vivo (Perplexity) reagem a mudanças de presença em semanas; os demais, em ciclos mais longos. A leitura por motor é o que transforma a medição em plano de ação.
Não — complementa. SEO mede presença em resultados de busca tradicionais; Share of Model mede presença nas respostas geradas por IA, que citam poucas fontes por resposta e concentram a recomendação em poucas marcas.
Mensal é o ciclo com melhor custo-informação: rápido o suficiente pra acompanhar tendência, espaçado o suficiente pra que a variação observada supere o ruído da amostra.
"Share of Model" circula na literatura internacional de GEO (Generative Engine Optimization) desde ~2024, por analogia a share of voice. Esta página documenta a definição operacional usada nas medições da Datastep no Brasil: frequência de citação com N, margem e controles declarados.