Quando a IA erra sobre o seu negócio: o manual da correção

Errado pesa mais que ausente: por que a afirmação falsa é a lacuna cara

As respostas de IA chegam com o tom confiante e sem ressalvas de um colega que já conferiu. Esse tom faz muito trabalho que ele não conquistou. Quando o Tow Center for Digital Journalism testou oito ferramentas de busca com IA para identificar a fonte de trechos de notícias, elas devolveram, no conjunto, respostas incorretas a mais de 60% das consultas, com a Perplexity errando em 37% e o Grok 3 em 94% — e raramente sinalizavam incerteza quando estavam erradas.

Identificar a procedência de um trecho de notícia não é a mesma tarefa que resumir um fornecedor, mas o modo de falha se transfere exatamente: um fato específico e verificável é afirmado com fluência e sem ressalva. Para um comprador diante de um prompt de comparação, isso é indistinguível de pesquisa.

A consequência prática é que uma afirmação falsa se acumula. Os assistentes citam o ecossistema uns dos outros — um cadastro desatualizado de diretório alimenta um resumo, esse resumo é raspado, e o erro ganha uma segunda fonte aparente. Corrigir cedo é muito mais barato do que corrigir depois que a afirmação já passou por três intermediários. Trate as afirmações falsas como o topo da sua fila de visibilidade em IA, acima de menções rasas e comparações ausentes.

Etapa 1 — Fixe a afirmação antes de discutir com ela

Relatos vagos (“o ChatGPT diz que nosso preço está errado”) não podem ser rastreados nem verificados. Registre a afirmação como um bug: o texto exato do prompt, o assistente e o modelo, se a busca na web ou a navegação estavam ativas, a data e a resposta completa, incluindo as citações. Tire uma captura de tela e copie o texto para conseguir pesquisá-lo depois.

Duas condições importam e costumam ser puladas. Primeiro, rode o prompt numa sessão nova, com memória e personalização desligadas — caso contrário, você pode estar lendo de volta a sua própria conversa anterior, e não a visão padrão que o modelo tem de você. Segundo, teste as formulações que os compradores realmente usam, não as suas: “quanto custa X”, “X ainda está disponível”, “X ou Y”, “X é a mesma empresa que Y”. As afirmações falsas se concentram nos prompts com intenção de compra, porque são eles que exigem especificidade.

Depois classifique o erro, porque a correção muda. Um erro de recuperação significa que o assistente citou uma página no ar e a página está errada. Um erro paramétrico significa que a afirmação veio dos dados de treinamento, sem citação. Um erro de fusão significa que duas entidades foram misturadas. A maioria das reclamações sobre preço é erro de recuperação. A maioria das reclamações sobre nomes iguais é fusão.

Etapa 2 — Rastreie a citação, não o modelo

Pergunte direto: “Quais fontes sustentam isso?” Depois abra cada URL e verifique se ela de fato diz o que o assistente afirmou. Só esse passo resolve a maior parte dos casos e os separa em três reparos bem diferentes.

Se a fonte é real e a informação nela está mesmo desatualizada, você tem um problema de conteúdo que dá para resolver hoje. Se a fonte é real e correta, mas o assistente a leu errado — preço enterrado numa imagem, uma nota de rodapé lida como o número principal, um plano antigo lido como atual — você tem um problema de clareza e estrutura. Se não há fonte alguma, ou se a URL citada não contém a afirmação, você está diante da memória do modelo ou de uma invenção, e nenhuma edição isolada de página vai resolver.

Ajuda saber que a camada de recuperação é um rastreamento ao vivo que você pode influenciar. A OpenAI documenta rastreadores separados para treinamento e para respostas de busca na sua documentação de bots, a Anthropic publica como o Claude busca conteúdo na web e a Perplexity documenta seus rastreadores e agentes de usuário. O que esses rastreadores conseguem ler na sua página hoje é o material da resposta de amanhã.

Etapa 3 — Corrija na fonte, em ordem de alavancagem

Comece pelo seu próprio site, porque é a única fonte que você controla por inteiro. Dê a cada fato contestado uma página canônica que o declare explicitamente, em texto HTML, com data. Contradições dentro do seu próprio domínio são uma causa comum de erros de IA: uma página antiga de campanha, uma ficha técnica em PDF, um artigo da central de ajuda e uma entrada de changelog citando números diferentes. O modelo não tem como saber qual você considera atual, então ele escolhe — muitas vezes mal.

Depois torne o fato legível por máquina. A marcação de produto e oferta permite declarar preço, moeda e disponibilidade sem ambiguidade; o Google documenta os campos obrigatórios e recomendados no seu guia de dados estruturados para listagens de comerciante, e o schema.org define valores de disponibilidade, entre eles Discontinued. Preços que só existem dentro de uma imagem ou de um widget do lado do cliente são invisíveis para a maioria dos rastreadores.

Em seguida, os conjuntos de dados de terceiros. Wikidata e Wikipédia moldam de forma desproporcional como as entidades são descritas; se for editar por lá, siga a orientação sobre conflito de interesses da Wikipédia e faça um pedido de edição na página de discussão em vez de editar o artigo você mesmo. Atualize o seu Perfil da Empresa no Google, corrija diretórios do setor e páginas de fornecedor em sites de avaliação, e peça a revendedores e parceiros que citam preços antigos que atualizem seus registros.

Por fim, convide um novo rastreamento. Atualize os valores de lastmod do sitemap e envie as URLs alteradas pelo IndexNow, que o Bing aceita — o que importa porque as respostas web do Copilot se apoiam no índice do Bing.

As três correções que mais dão errado

Preço, produtos encerrados e colisões de nome respondem pela maior parte das afirmações falsas prejudiciais que vemos, e cada uma tem um padrão específico de falha.

Erros de preço persistem porque os números antigos vivem em mais lugares do que os atuais — cobertura de imprensa, páginas de revendedores, tabelas comparativas de sites de avaliação, suas próprias páginas arquivadas. Publicar um preço novo não apaga os antigos. Corrija tornando uma página de preços inequivocamente canônica e datada, expressando os valores em texto com marcação de oferta e perseguindo as três principais páginas de terceiros que ainda citam o número antigo.

Produtos descontinuados falham na direção oposta: o time apaga a página. Um 404 elimina a sua capacidade de declarar o fato, então os assistentes continuam respondendo a partir de descrições de terceiros em cache e avaliações velhas. Mantenha a URL no ar, indique o status e a data de fim de venda em texto simples, marque a disponibilidade como descontinuada na marcação e nomeie o produto sucessor na mesma página. Você quer que o assistente diga “descontinuado em 2024, substituído por X” — e isso só acontece se uma página rastreável disser isso.

Colisões de nome são um problema de entidade, não de conteúdo. Duas empresas com o mesmo nome acabam fundidas a menos que o grafo as separe. Use um único nome jurídico consistente mais um descritor de categoria em todos os lugares, interligue seus perfis verificados como identificadores sameAs, mantenha o seu item na Wikidata correto e — quando a confusão estiver custando negócios — publique uma linha curta e factual de desambiguação afirmando que você não tem vínculo com a outra entidade.

Etapa 4 — Verifique se a resposta realmente mudou

Uma correção que você não verificou é uma hipótese. Rode de novo os prompts exatos que registrou, em sessões novas com a memória desligada, em cada assistente onde encontrou a afirmação, e anote a data em que cada resposta muda. Teste também as variantes do prompt — os assistentes com frequência corrigem a pergunta direta enquanto o prompt de comparação ainda carrega o número antigo.

Espere prazos assimétricos. Respostas ancoradas em recuperação ao vivo podem mudar poucos dias depois de um novo rastreamento. Afirmações fixadas nos pesos do modelo podem sobreviver até uma atualização de modelo, e é por isso que a corroboração ampla em fontes independentes vale mais do que uma única página perfeita. Se a afirmação errada só aparece com o acesso à web desligado, você está esperando os dados de treinamento, não o seu CMS.

Meça a proporção de respostas corretas ao longo de várias execuções, e não uma captura de tela, porque as saídas variam entre sessões. Esse é o ciclo que a Growli automatiza para os nossos clientes — os mesmos prompts rodados de novo no ChatGPT, Gemini, Claude, Perplexity, Copilot e Grok, com alerta quando uma afirmação já corrigida reaparece; como funciona detalha a mecânica.

Quando a resposta se recusa a mudar

Use o retorno dentro do produto na resposta específica — todo assistente relevante tem um caminho de polegar para baixo e de denúncia, e é o único canal que chega à plataforma com a saída problemática anexada. Mantenha o seu registro de bugs; um relato com o prompt exato, a data e o fato correto é muito mais acionável do que uma reclamação genérica.

Quando a afirmação falsa envolve uma pessoa identificável — um fundador a quem se atribui algo que ele não fez — a legislação de proteção de dados pode se aplicar diretamente. Na União Europeia, o direito de retificação cobre dados pessoais inexatos, e os provedores publicam rotas de solicitação de privacidade exatamente para isso. Reserve a escalada jurídica para afirmações difamatórias ou comercialmente danosas, não para questões de tom.

Uma tática a evitar: bloquear rastreadores de IA como resposta a uma informação errada. Isso remove as suas páginas da camada de recuperação sem remover nada que já esteja dentro do modelo, então o assistente passa a responder a partir de fontes de terceiros que você controla ainda menos. Ser a fonte mais clara, mais atual e mais legível por máquina sobre você mesmo é a correção duradoura.

FAQ