Como o ChatGPT e o Google AI Mode escolhem produtos

Faça a mesma pergunta de compra ao ChatGPT e ao Google AI Mode e muitas vezes você vai receber duas respostas diferentes. Sabemos disso porque fizemos as mesmas 100 perguntas reais de compra aos dois mecanismos, e eles indicaram exatamente o mesmo produto principal só em 38% das vezes. Com a mesma frequência, apontaram para uma marca completamente diferente.

Depois abrimos cada produto que qualquer um dos dois recomendou, 138 no total, e auditamos cada página campo por campo. Este relatório é o que encontramos: em que a escolha realmente se baseia e quanto custa para uma marca quando os próprios dados dela são o motivo de uma resposta sair errada.

Por que olhamos para isso agora

Em julho de 2026, o Google lançou os primeiros relatórios de visibilidade no AI Overviews e no AI Mode. O detalhe que chamou nossa atenção foi onde eles ficam: dentro do Google Merchant Center, o feed de produtos, e não no Search Console. As buscas são agrupadas em três etapas:

O fato de a escolha da IA já ser real o bastante para o Google criar relatórios sobre ela, e de esses relatórios ficarem no feed e não na Busca, é o pano de fundo deste estudo. Quisemos ver como as escolhas funcionam de verdade, do lado de quem compra: os dois mecanismos, nas interfaces públicas que os consumidores reais usam, com os 138 produtos recomendados abertos e auditados página por página.

O estudo em seis números

Tudo neste relatório parte destes seis números. As seções seguintes mostram o trabalho por trás de cada um.

Uma nota sobre o método: os dois mecanismos, nas interfaces públicas que os consumidores de fato usam, não em chamadas fixas de API. O método completo está no apêndice, no fim do texto.

Ser recomendado não é um funil. São camadas.

É tentador imaginar as compras com IA como um cano reto: entrar na lista curta, ser lido, ser indicado ao comprador. Não funciona assim. Se você vai aparecer ou não é decidido por três camadas de alavanca, cada uma com o seu próprio relógio; e se o que é dito sobre você é verdade é uma outra questão, que fica por baixo das três.

Duas dessas camadas são rápidas e totalmente suas: o feed e a página. A terceira, a presença da marca, é o jogo longo, e é o motivo sincero pelo qual uma marca desafiante não vai passar a líder da categoria da noite para o dia. Nada disso está fora de alcance; só segue relógios diferentes. E a maioria das marcas nem sequer tomou conta das duas rápidas.

As quatro descobertas abaixo medem os dois eixos: quão estável é a escolha e com que frequência a história contada sobre o produto escolhido está quebrada.

Descoberta 1: faça a mesma pergunta a duas IAs e é cara ou coroa

Fizemos as mesmas 100 perguntas aos dois mecanismos. Eles indicaram exatamente o mesmo produto principal só em 38% das vezes. Com a mesma frequência, chegaram a uma marca completamente diferente.

Como fica essa divisão em perguntas reais?

Uma categoria com um carro-chefe óbvio puxa os dois mecanismos para a mesma escolha; uma categoria disputada os separa, e mesmo uma marca em comum muitas vezes vira dois modelos diferentes. A escolha também não é garantidamente estável em um mesmo mecanismo: em uma checagem menor de repetição, a mesma pergunta às vezes voltava com outra resposta no topo. Então 38% é um retrato do momento, não um número fixo que uma marca possa perseguir, e é por isso que acompanhar onde você realmente aparece importa mais do que correr atrás de uma nota única de concordância.

Descoberta 2: 17 produtos foram escolhidos sem nada que uma máquina pudesse ler

Verificamos se os 138 produtos recomendados tinham dados de produto legíveis por máquina e depois avaliamos cada página que conseguimos baixar e interpretar com uma rubrica de 15 pontos: preço, disponibilidade, GTIN, marca, notas, avaliações, frete, devoluções e mais.

Primeiro checamos a explicação alternativa óbvia: que a nossa própria ferramenta simplesmente não tivesse enxergado dados renderizados por JavaScript. Cada página bloqueada ou suspeita foi verificada de novo em um navegador real antes de ser contada como zero. Os anúncios de um varejista pareciam não ter schema em dois produtos, mas um terceiro produto de outra categoria do mesmo varejista estava totalmente preenchido. Por isso corrigimos o registro em vez de arredondar: isso depende do template, não da empresa inteira.

Alguma coisa além da página colocou esses 17 produtos na disputa. Fomos checar: os 17 estavam listados no Google Shopping, a camada de feed da qual esses mecanismos sabidamente puxam dados, 15 deles pela loja da própria marca. A página era invisível para as máquinas; o feed, não. Dados estruturados na página não são a porta de entrada para ser escolhido; a presença no feed é um sinal muito mais forte. A completude dos campos nas páginas com schema ficou em 60% na média, mais perto de 50% quando as páginas sem dados entram como zero.

Ou seja, é o seu feed que coloca você na lista curta. Os motivos mais comuns para um produto sair do feed, e como corrigir cada um, estão no guia de reprovações do Merchant Center. Com que frequência as lojas deixam lacunas nesses dados, dos títulos às imagens, está no meu relatório de estatísticas de lojas Shopify. Contar a verdade quando alguém olha é outra tarefa. As duas próximas descobertas mostram o que acontece quando ninguém faz isso.

Descoberta 3: três preços não batiam com nenhum anúncio real

Além dos dados ausentes, alguns produtos tinham dados que se contradiziam. O schema de uma cadeira gamer dizia $1,099 e fora de estoque, enquanto a página ao vivo vendia por $579, em estoque. Uma página tinha dois blocos para o mesmo SKU, um em estoque e outro esgotado. Os dados de uma marca afirmavam que os anúncios dela valiam até o ano 3025. O que um schema de produto limpo precisa ter, e quais campos as lojas deixam de fora, está neste guia sobre schema markup de produto.

Um padrão mais estranho apareceu dentro do próprio painel de comparação de preços da IA: números que não batiam com nenhum anúncio que conseguimos encontrar, conferidos com a página oficial e o schema de cada produto. O erro não era do lojista, e acontecia nas duas direções.

Abrimos o painel de preços da própria IA em 11 produtos e fizemos uma pergunta mais simples: o vendedor que ela destacava era pelo menos a linha mais barata da própria lista? Nos 9 com uma comparação real entre vários vendedores, não era em 6 deles, com diferença de até 31%. A leitura sincera: um comprador lendo a resposta da IA e outro lendo a sua página podem ouvir duas coisas diferentes dos seus próprios sistemas, ao mesmo tempo.

Descoberta 4: a IA continuou vendendo produtos que ninguém conseguia comprar

Também encontramos recomendações confiantes de produtos que um comprador não conseguia de fato comprar. A camada de recomendação anda mais rápido do que a verdade por baixo dela.

• Uma escolha principal recomendada com zero avaliações, sem preço informado e sem nenhuma forma de compra funcionando.
• Um robô cortador de grama recomendado como escolha principal, descontinuado pelo próprio fabricante meses antes.
• Um carregador recomendado a compradores dos EUA que nem é mais vendido nos EUA.
• Uma loja recomendada com um bloqueio geográfico tão forte que a página do produto nem abria na região do próprio comprador.

Por que isso acontece? Os sinais de disponibilidade e de ciclo de vida são os campos mais fracos de toda a camada de dados. Quando ficam desatualizados, o beco sem saída do comprador cai na conta da sua marca, não da IA.

Os dois mecanismos não só discordam, eles se comportam de forma diferente

Ao longo do estudo, ficou claro que os dois mecanismos compram de jeitos visivelmente diferentes.

De onde vinham as recomendações? Registramos em que cada resposta se apoiava:

A autoridade conquistada faz você ser citado; a sua própria página é citada junto na maioria das respostas. Mas aqui está a armadilha de medir qualquer coisa disso por citações: a marca recomendada e a fonte citada quase nunca são a mesma. Peça um tênis de corrida para treino diário e a resposta é o ASICS Novablast 5, enquanto os chips de citação apontam para o RunRepeat, um site de reviews, e não para a ASICS. Meça a visibilidade por citações e você vai concluir que a ASICS não aparece em lugar nenhum, o que é absurdo: é exatamente o produto que o comprador está sendo levado a comprar. Em quase todas as buscas o padrão se repetiu: as citações iam para publicações, não para a página da marca recomendada. Citações são a sombra atrasada da presença conquistada, não um placar dela.

Onde este estudo se encaixa

Os trabalhos independentes mais sólidos sobre compras com IA apontam na mesma direção. Veja como este estudo se relaciona com eles.

• Semrush e Peec AI rastrearam o carrossel do ChatGPT até o Google Shopping: a escolha estava entre os primeiros resultados do Google Shopping em cerca de 75 a 83% das vezes. Nós medimos a camada que eles não mediram: o que as próprias páginas recomendadas contêm.
• Profound, em um retrato de um mês de ofertas de produtos amostradas, mostra a outra metade da mesma história: cerca de 88% do que o ChatGPT realmente cita ainda é lido da página de produto, não do feed. É por isso que este relatório trata feed e página como duas tarefas separadas.
• Ahrefs acompanhou 1.885 páginas que adicionaram schema e não encontrou nenhum ganho mensurável em citações de IA depois disso. Os nossos 17 produtos sem schema, recomendados mesmo assim, são a mesma conclusão vista pelo lado oposto.

O que há de novo aqui: uma auditoria de dados campo a campo dos produtos exatos que dois mecanismos de IA recomendaram, a taxa de concordância entre eles para a mesma pergunta, casos verificados de preços citados pela IA que não batiam com nenhum anúncio real e um catálogo de produtos recomendados mas impossíveis de comprar.

Para o lado do conteúdo nessa mesma questão, ou seja, por que páginas escritas por IA tendem a sair pela culatra na busca em vez de construir a autoridade que faz você ser citado, veja nosso texto complementar sobre por que você não deveria publicar posts de blog escritos por IA.

O que isso significa para a sua marca e o que fazer

Nenhum truque isolado faz um mecanismo escolher você, e as maiores escolhas dependem de uma presença de marca construída ao longo de anos, não de uma tag de schema publicada nesta semana. Esse é o relógio longo, e é trabalho de verdade. Mas no relógio rápido os ganhos são concretos e totalmente seus: o seu feed decide se você sequer está apto, e a sua página de produto decide o que a IA lê, repete e vende em seu nome. Hoje, a maioria das páginas conta às máquinas uma história quebrada, pela metade ou contraditória.

A parte útil: cada falha deste relatório é um problema de dados que tem solução.

• Nenhum dado legível por máquina (Descoberta 2) exige um schema de produto completo publicado na página.
• Markup conflitante ou duplicado (Descoberta 3) precisa ser reduzido a uma única fonte confiável.
• Preços e moedas errados (Descoberta 3) precisam ser alinhados ao que a página realmente vende.
• Itens esgotados e descontinuados (Descoberta 4) são reprovados no Google Shopping e ignorados pela IA, então a possibilidade de compra precisa ser monitorada.
• GTINs ausentes são o que permite ao Google Shopping e à IA associar seus produtos: é a própria camada da lista curta.

Esses são os problemas que têm solução, e são exatamente o que a BrandyBee foi feita para resolver. Aponte-a para a sua loja e ela analisa essas lacunas, dá uma nota para o quanto você está pronto para a IA e corrige tudo: publica um schema de produto completo e sem conflitos, reescreve descrições de produto fracas em textos que os mecanismos de IA realmente leem e diagnostica a saúde do seu feed no Google Merchant Center. A ideia não é burlar a escolha; é fazer a IA entender seus produtos direito, para que o que esses mecanismos dizem sobre você seja verdade.

Veja o que está faltando na sua loja →

Apêndice: como o estudo foi feito

• Interfaces. A interface web pública chatgpt.com e o Google AI Mode, no Chrome para desktop. Modelos como são entregues aos consumidores reais, não versões fixas de API.
• Sessões. Todas as capturas foram feitas sem login, em sessões anônimas: sem conta, sem histórico, sem personalização. As principais reproduções, incluindo os casos de preço errado, foram confirmadas de novo em uma sessão nova e separada.
• Prompts. 100 perguntas naturais no formato "melhor [produto] para [necessidade]", em dezenas de categorias.
• Auditoria. Uma rubrica de 15 campos aplicada aos dados estruturados de cada página de produto recomendada, com cada página acessível avaliada campo por campo. Primeiro requisições simples; páginas bloqueadas ou renderizadas por JavaScript foram verificadas de novo em um navegador real.
• Checagem de feed. Cada um dos 17 produtos sem schema foi procurado no Google Shopping para confirmar a presença no feed, uma visão pública da camada de feed do lojista, checada de forma independente do regime de recomendação.
• Estabilidade. Rodadas pareadas entre os dois mecanismos nas 100 perguntas. Um conjunto menor de prompts idênticos foi rodado de novo para medir quanto a escolha principal muda entre uma pergunta e outra; uma rodada de repetição mais completa ainda está pendente.