Como as personas ajudam a construir visibilidade na IA

Principais resultados da investigação da Semly

A visibilidade de uma marca na IA deve ser estudada em relação às necessidades de quem faz a pergunta e ao desenrolar da conversa com o modelo. A presença da marca numa resposta geral ainda não mostra se o sistema a recomenda a alguém para quem a oferta é adequada. No método da Semly, Leon assume o papel de um utilizador definido por uma persona e constrói contexto na conversa antes de fazer a pergunta de compra final.

Na Semly, desenvolvemos esta abordagem com o agente de IA Leon. Durante seis meses, realizámos investigações e experiências com consultas ao ChatGPT e ao Gemini. O conjunto de dados fornecido para este relatório abrange 1,2 milhões de consultas, 24 registos agregados e 12 pares de comparação. A análise inclui seis coortes e duas abordagens de preparação de conteúdos: sem persona e com persona.

O tempo médio para atingir o mesmo objetivo de visibilidade foi de 100 dias sem persona e 70 dias com persona. Isto corresponde a uma redução de 30%, ou 30 dias em média. A relevância dos conteúdos aumentou de 61,5% para 77,5% - mais 16 pontos percentuais. Observamos a mesma direção da diferença nos dois sistemas.

Os resultados apoiam a utilização de personas no planeamento de conteúdos e na análise de visibilidade. Permitem um briefing mais concreto: para quem é o material, que critérios de escolha deve explicar e a que objeções deve responder. A repetibilidade das respostas e o impacto na conversão exigem indicadores próprios; este conjunto de dados não permite quantificar esses efeitos.

Porque a pergunta, por si só, não descreve as necessidades do cliente

A pergunta «Onde posso comprar calçado de corrida confortável?» não especifica piso, experiência, orçamento ou utilização prevista. A recomendação pode, por isso, abranger uma categoria ampla de produtos, enquanto a marca precisa de saber se chega a um corredor recreativo no bosque, a um principiante no asfalto ou a alguém que participa em provas.

A informação «Corro por lazer sobretudo em trilhos florestais e procuro calçado para treinos curtos» delimita a situação. Na abordagem da Semly, Leon pode apresentar esse contexto no início e passar à pergunta final depois de interpretar a resposta. A necessidade principal de compra mantém-se, mas as condições de medição incluem persona, intenção e mensagens anteriores. Isto importa ao interpretar aumentos ou reduções de visibilidade.

A persona define o papel e o cenário do utilizador que Leon aplica na conversa com o modelo. O agente constrói o seu próprio contexto, aproximando a investigação do uso humano de um chat. Não reconstitui o historial de um utilizador real específico. Convém partir das necessidades e limitações relacionadas com o produto. Idade, género e outras características demográficas devem ser justificadas pelo cenário estudado.

As orientações oficiais da OpenAI e da Google indicam que o contexto relevante ajuda a definir a tarefa e as suas restrições [1][2]. Isto fornece uma base para conceber consultas.

Como o agente de IA Leon liga o conhecimento da marca ao contexto do utilizador

Leon cria personas a partir do conhecimento da marca, dos seus produtos, serviços e conteúdos existentes. Depois assume, na investigação, o papel de um utilizador correspondente ao perfil escolhido. Inicia uma conversa, apresenta-se ao modelo e interpreta a resposta. Assim, reconhece quando pode fazer o prompt final com contexto e intenção. O resultado responde a uma questão prática: a IA considera a marca numa conversa de alguém cujas necessidades correspondem à oferta?

Este papel liga a monitorização ao planeamento de conteúdos. Nas respostas podem identificar-se critérios de escolha, objeções e informações que o modelo utiliza para fundamentar recomendações. Se faltarem dados no site da marca para um cenário, a análise pode originar um briefing para completar os conteúdos.

Leon conduz a conversa no papel do utilizador

A investigação de Leon decorre como uma conversa. Primeiro, o agente apresenta-se ao modelo como o utilizador estudado, de acordo com a persona escolhida. Introduz assim a situação e as necessidades do destinatário. Após receber a resposta, lê-a e interpreta-a em relação ao objetivo do diálogo.

A interpretação da resposta faz parte do funcionamento do agente. Leon avalia se já pode passar à pergunta final. O momento resulta do desenrolar da conversa e da resposta recebida. O prompt final contém o contexto e a intenção do utilizador e surge numa conversa em que o modelo já dispõe de informações anteriores sobre ele.

Esta forma de consultar aproxima-se do uso humano de um chat. Uma pessoa apresenta a sua situação, lê a resposta e formula a pergunta seguinte com base nela. Leon assume esse papel na investigação, permitindo analisar a recomendação da marca no contexto de uma conversa em evolução.

A intenção define a decisão que o utilizador quer tomar. No exemplo de corrida, o contexto pode ser correr por lazer em trilhos florestais e a intenção, escolher e comprar calçado adequado. Leon pede uma recomendação depois de interpretar a resposta anterior e concluir que pode fazer a pergunta final.

Todo o historial da conversa se torna relevante para interpretar o resultado. Uma pergunta final com o mesmo texto pode produzir respostas diferentes se as mensagens anteriores introduzirem necessidades distintas. A investigação deve, portanto, identificar tanto o prompt final como a conversa em que foi apresentado.

A descrição do processo explica o papel de Leon e a aproximação a uma interação de chat. Contudo, os agregados fornecidos não isolam o efeito de se apresentar, interpretar a resposta ou escolher o momento da pergunta. Não atribuímos separadamente os resultados de 30% e de 16 pontos percentuais a nenhuma dessas etapas.

O que significa reduzir o tempo em 30%

O conjunto de dados assume um nível inicial comum de visibilidade de 20% e um objetivo comum de 40%. A visibilidade é o número de respostas que recomendam a marca dividido pelo número de consultas. Isto representa um aumento de 20 pontos percentuais. As abordagens descrevem a preparação dos conteúdos; os resultados são avaliados face ao mesmo objetivo e painel de perguntas, segundo os pressupostos do conjunto de dados.

O tempo médio é de 100 dias sem persona e 70 dias com persona. A redução calcula-se como (100 - 70) / 100 × 100%, ou seja, 30%. A diferença é de 30 dias. A formulação precisa é «menos 30% de tempo para atingir o mesmo objetivo».

Para uma equipa que constrói visibilidade, isto pode significar um ciclo mais curto entre identificar necessidades e alcançar o resultado previsto. A interpretação operacional é relevante: conteúdos melhor orientados podem reduzir revisões sucessivas. Os dados não isolam, porém, o tempo de trabalho editorial nem as causas individuais da diferença; não atribuímos todo o efeito apenas à automatização de Leon.

Os dados incluem o nível inicial, o final e o tempo até ao objetivo, sem uma série diária de visibilidade. O gráfico apresenta, por isso, o tempo para chegar a um resultado comum. Não desenhamos uma curva que sugira uma acumulação uniforme do efeito.

Gráfico 1. Tempo médio até ao objetivo comum de 40% de visibilidade: 100 e 70 dias. Base: 12 pares comparativos nos dados da Semly. Diferença: 30 dias, uma redução de 30%.

Relevância dos conteúdos e precisão das respostas são medidas diferentes

A relevância é a proporção de conteúdos avaliados considerados adequados às necessidades da persona. Cada registo contém 100 avaliações. Sem persona, são 738 conteúdos relevantes em 1200; com persona, 930 em 1200. Isto corresponde a 61,5% e 77,5%, respetivamente.

A diferença é de 16 pontos percentuais. O aumento relativo face aos 61,5% iniciais é de aproximadamente 26,0%. São duas formas de descrever os mesmos dados, mas unidades distintas. A medida principal no texto e no gráfico continua a ser a diferença em pontos percentuais.

A relevância do conteúdo não equivale à veracidade da resposta do modelo. Uma resposta pode satisfazer necessidades e conter uma especificação incorreta do produto. A precisão deve ser avaliada separadamente: o modelo considera os requisitos, a recomendação é adequada e as fontes sustentam a informação?

O resultado de 77,5% mostra uma proporção maior de materiais adequados às necessidades na abordagem com persona. Permite falar de uma seleção mais relevante no conjunto analisado. Como apenas foram fornecidos agregados, sem avaliações individuais ou uma grelha detalhada, o relatório não declara significância estatística nem equipara relevância à correção factual de todas as respostas de IA.

Gráfico 2. Relevância dos conteúdos: 61,5% e 77,5%, diferença de 16 pontos percentuais. Base: 1200 avaliações por abordagem nos dados da Semly. O indicador mede adequação às necessidades da persona; não é uma taxa de conversão.

Resultados do ChatGPT e do Gemini

No ChatGPT, o tempo médio é de 95 dias sem persona e 66,5 dias com persona. No Gemini, é de 105 e 73,5 dias. Em ambos os sistemas, a redução é de 30%. A comparação mostra a mesma direção da diferença nos grupos analisados.

A relevância nos registos do ChatGPT é de 60,5% sem persona e 76,5% com persona. No Gemini, é de 62,5% e 78,5%. Em cada sistema, a diferença é de 16 pontos percentuais. Cada combinação de sistema e abordagem inclui 600 avaliações.

Separar os resultados por sistema permite verificar se a média agregada esconde resultados distintos. Nestes dados, as diferenças entre abordagens são consistentes no ChatGPT e no Gemini. Não se trata de uma classificação da qualidade dos modelos: tempos e relevância descrevem ações e conteúdos analisados.

Na prática, convém manter perfis de visibilidade separados para cada sistema. Os mesmos conteúdos e necessidades podem ser apresentados de forma diferente. As recomendações de Leon podem então ser avaliadas para um sistema e cenário específicos, sem reduzir toda a presença da marca a um único número.

Gráfico 3. Tempo médio até ao objetivo comum no ChatGPT e no Gemini. Base: 6 pares comparativos por sistema, dados da Semly. O resultado descreve as abordagens analisadas, não uma classificação de qualidade dos modelos.

Resultados nas seis coortes

O conjunto abrange as coortes M1-M6. O tempo médio, calculado para os dois sistemas em cada coorte, é de 75, 85, 95, 105, 115 e 125 dias sem persona. Com persona, é de 52,5, 59,5, 66,5, 73,5, 80,5 e 87,5 dias.

A diferença aparece tanto em prazos curtos como longos. Em M1 é de 22,5 dias e em M6 de 37,5 dias. Em todos os pares fornecidos, o tempo com persona equivale a 70% do tempo sem persona. Mostramos esta relação constante explicitamente, sem a tratar como uma medida da repetibilidade das respostas.

M1-M6 descrevem coortes, não seis leituras sucessivas da visibilidade de uma marca. Tempos crescentes não devem ser interpretados como menor eficácia nos meses seguintes. Analisar sazonalidade e alterações temporais exige datas de calendário e leituras diárias ou semanais.

Uma avaliação completa deve também comunicar os casos que não atingiram o limiar antes do fim da observação. Os dados não identificam esses casos separadamente. Este aspeto deve ser considerado nos próximos estudos comparativos.

Gráfico 4. Tempo até ao objetivo em seis coortes, média de dois sistemas, dados da Semly. M1-M6 não são uma série mensal de visibilidade de uma única marca.

A mesma pergunta para várias personas

No trabalho da Semly também estudámos a mesma pergunta de base para várias personas. Leon assume o papel de um utilizador de cada perfil e conversa antes da pergunta final. Isto ajuda a reconhecer como necessidades, intenção e contexto anterior influenciam recomendações e informações úteis à compra. Para calçado de corrida, podem comparar-se um principiante no asfalto, um corredor recreativo no bosque e alguém que faz treinos longos em trilhos. A matriz seguinte ilustra o método; não é uma transcrição de respostas do estudo.

Em cada resposta convém registar marcas recomendadas, argumentos de escolha, requisitos técnicos, objeções e URL citados. A comparação mostra que informações se repetem entre cenários e quais respondem a uma necessidade específica. O briefing pode incluir um núcleo comum e secções adicionais para as diferenças.

A Semly utiliza estas observações para recomendações de conteúdo mais relevantes. Os dados fornecidos não contêm, porém, identificadores de personas, prompts completos ou respostas dos modelos. O relatório não atribui por isso um efeito numérico a uma persona específica nem apresenta uma classificação das marcas que recomenda.

Como transformar respostas de várias personas num briefing de conteúdo

A conversa pode fornecer informação para o briefing antes da recomendação final. Uma resposta anterior pode revelar critérios que precisam de explicação; a pergunta final de Leon liga-os à intenção do utilizador. Analisar todo o diálogo ajuda a encontrar conteúdos úteis nas diferentes fases da decisão.

Primeiro, os critérios de escolha devem ser separados dos nomes das marcas. Uma lista de empresas recomendadas não explica a sua presença. Para a redação, é mais útil saber que alguém precisa de comparar utilizações, compreender compatibilidade ou encontrar condições de devolução claras.

Depois, comparam-se essas necessidades com os materiais da marca. A falta de uma resposta importante pode justificar atualizar uma página existente. Diferenças entre grupos podem justificar uma secção ou comparação específica. A decisão deve assentar na utilidade para as pessoas, não na multiplicação mecânica de páginas por persona.

Um briefing pode conter o cenário do utilizador, a decisão a tomar, os critérios principais, dados verificáveis do produto, objeções e fontes. Se a análise trata de trilhos florestais, o material deve explicar a utilização e as limitações do produto.

Um conteúdo assim preparado pode ser mais relevante para quem chega a partir de uma resposta de IA. Isto sustenta a hipótese de melhor conversão. Confirmá-la exige comparar o comportamento dos utilizadores e os resultados de vendas após a implementação.

A repetibilidade exige medições repetidas

Uma descrição estável da persona e regras de conversa coerentes facilitam a comparação. Como Leon interpreta a resposta antes da pergunta final, também é necessário controlar o historial e as regras de decisão. A repetibilidade do processo e a concordância das respostas finais devem medir-se separadamente.

O teste proposto deve manter a versão do modelo, o modo de pesquisa, a língua, a localização e as regras de início das sessões. Convém comparar conversas completas com a mesma persona e objetivo, bem como respostas com contexto reconstruído de forma idêntica. A primeira comparação avalia a variação do processo completo; a segunda, a da resposta final. Os painéis de base e com personas devem decorrer em paralelo.

Podem medir-se estabilidade da presença da marca, concordância entre conjuntos de marcas recomendadas e correspondência das fontes citadas. Para dois conjuntos A e B, uma medida simples é a proporção de marcas comuns no conjunto de todas as marcas das duas respostas. Dois conjuntos vazios exigem uma regra de apresentação específica.

A repetibilidade dentro de uma persona e as diferenças entre personas respondem a perguntas distintas. Recomendações estáveis para um perfil podem coexistir com diferenças claras entre perfis. As descrições estruturadas de Leon ajudam a manter condições de consulta consistentes. Como o conjunto de dados não mede concordância entre respostas sucessivas, não quantificamos melhorias de repetibilidade.

Como verificar o impacto na conversão

A medição de negócio deve distinguir presença da marca na resposta, citação do site, visita e ação realizada. Cada etapa requer um indicador próprio. O número de recomendações não corresponde ao de visitas e o de visitas não corresponde ao de compras.

Após implementar os conteúdos, convém acompanhar sessões de fontes IA identificáveis, envolvimento, pedidos comerciais, transações e receita. Parte do tráfego pode não ter uma fonte inequívoca; por isso, deve descrever-se o âmbito das sessões identificadas. A taxa de conversão exige um denominador claro, como sessões qualificadas.

Comparar páginas ou grupos de conteúdos semelhantes com uma definição de conversão e uma janela de observação consistentes melhora a fiabilidade. É necessário registar outras alterações, como promoções, preços, disponibilidade e campanhas. Caso contrário, o crescimento das vendas pode ser indevidamente atribuído à estratégia de conteúdos.

O relatório formula uma hipótese concreta: conteúdos ligados a necessidades reais podem ajudar a decidir. A dimensão do efeito nas vendas continua por medir. A folha de cálculo não contém sessões, leads ou transações.

O que uma mudança de metodologia implica para a visibilidade

Introduzir personas e conversas conduzidas por Leon altera as condições das consultas. A resposta ao prompt final considera também mensagens anteriores. O resultado pode subir se a marca responder melhor às necessidades, ou descer se o sistema escolher outra oferta. As comparações devem considerar tanto a pergunta como a preparação do contexto da conversa.

A solução mais transparente é apresentar lado a lado os resultados do painel de base e do painel com personas. Se for necessária uma média conjunta, os pesos das personas devem resultar de pressupostos explícitos sobre o público. Pesos iguais são uma opção analítica simples, mas não demonstram que cada grupo represente a mesma proporção da procura real.

A adequação às necessidades importa também na escolha das personas. Um perfil criado apenas da perspetiva da oferta pode omitir barreiras de compra ou situações em que o produto não se adequa. Convém incluir cenários exigentes e não limitar o painel a utilizadores a quem é fácil recomendar a marca.

Resumo do relatório

A investigação da Semly mostra que as personas ajudam a adequar conteúdos às necessidades e a reduzir o tempo de construção de visibilidade na IA. Nos dados analisados, o tempo médio foi de 100 dias sem persona e 70 dias com persona - menos 30%. A relevância passou de 61,5% para 77,5%, ou seja, mais 16 pontos percentuais. A diferença teve a mesma direção no ChatGPT e no Gemini.

Leon dá a esta abordagem uma forma de conversa. Atua como utilizador: apresenta-se segundo a persona, interpreta a resposta do modelo e reconhece quando fazer a pergunta final com contexto e intenção. A Semly analisa assim recomendações em condições mais próximas do uso humano de um chat.

Consultar a mesma pergunta de base para várias personas revela diferentes critérios de escolha, objeções e necessidades de informação. Estas observações podem originar briefings, comparações e materiais mais concretos que ajudem a decidir. A maior relevância apoia esta abordagem; o impacto na conversão exige medir separadamente comportamentos e resultados de negócio.

Personas e regras de conversa coerentes criam uma base para monitorização comparável. A repetibilidade deve, contudo, ser avaliada em medições posteriores, considerando o historial e as condições de consulta. Os resultados não quantificam melhorias de repetibilidade nem aumentos de conversão.

A implicação prática para as marcas é clara: estudar a quem e em que situação a IA recomenda a oferta e usar essa informação para desenvolver conteúdos. A Semly liga assim a monitorização da visibilidade à investigação sobre contexto, intenção e recomendações dos modelos.

Fontes

Material da Semly: «Mais de um milhão de consultas, seis meses de investigação. Porque a Semly introduz personas na monitorização de visibilidade na IA», complementado pela descrição das conversas de Leon - fontes para a descrição do agente e da investigação.

[1] OpenAI, Prompt engineering. Orientações sobre a inclusão de contexto relevante nas consultas. https://developers.openai.com/api/docs/guides/prompt-engineering

[2] Google AI for Developers, Prompt design strategies. Orientações sobre contexto e restrições da tarefa. https://ai.google.dev/gemini-api/docs/prompting-strategies

[3] Franziska Weeber, Vera Neplenbroek, Jan Batzner, Sebastian Padó, One Persona, Many Cues, Different Results: How Sociodemographic Cues Impact LLM Personalization, ACL 2026. https://aclanthology.org/2026.acl-long.2079/

Compartilhar:

Copiar link