O seu candidato já perguntou ao ChatGPT antes de vos contactar

O primeiro contacto real já não é o dia aberto — é a resposta que o ChatGPT deu ontem à noite

Quando um candidato liga para a secretaria de admissões ou preenche o formulário de contacto de uma escola, já formou uma primeira ideia sobre essa instituição. Essa ideia não veio do site, nem do dia aberto, nem de uma conversa com um antigo aluno. Veio de uma pergunta que colocou a uma ferramenta de IA generativa, provavelmente sozinho, provavelmente à noite, e provavelmente sem que a escola alguma vez o soubesse.

Em Portugal, o ChatGPT é hoje a ferramenta de IA mais utilizada — 87,5% de taxa de utilização, muito à frente do Copilot (37,6%) — segundo o estudo IA – Impacto e Futuro, que recolheu 2.762 respostas de profissionais e estudantes universitários entre junho e outubro de 2025 (Fonte: Magma / CIP, publicado nov. 2025). Não existe, para já, um estudo nacional que meça especificamente quantas candidaturas ao ensino superior começam por uma pergunta ao ChatGPT sobre uma escola em concreto. Mas a ferramenta que os candidatos usariam para o fazer já não é uma incógnita: é a mesma que usam para tudo o resto.

Isto muda o que significa "primeiro contacto". Uma direção de admissões costumava planear a jornada do candidato a partir do momento em que ele chegava ao site — o dia aberto, a landing page do curso, o formulário. Hoje, esse momento já é o segundo ou o terceiro contacto. O primeiro aconteceu numa caixa de conversação onde a escola não teve palavra, e onde o que foi dito — certo, desatualizado ou simplesmente inventado — já moldou a expetativa do candidato antes de qualquer interação humana.

O que o ChatGPT já "sabe" sobre a sua escola — e de onde vem essa informação

O ChatGPT e o Perplexity não têm acesso direto a nenhuma base de dados oficial sobre o seu curso. Constroem a resposta a partir de duas fontes: o que aprenderam durante o treino do modelo, e — quando a pergunta o justifica — uma pesquisa web em tempo real que cruzam com esse conhecimento de base. Nenhuma das duas fontes é fiável por defeito.

O treino captura o que existia online quando o modelo foi construído — muitas vezes uma versão do site com um ano ou dois. A pesquisa em tempo real, quando existe, depende de o motor indexar corretamente as páginas atuais — e se a informação de propinas ou acreditação estiver escondida num PDF ou numa secção "sobre nós" em prosa vaga, o motor não a extrai como facto citável.

O resultado é que a resposta que o candidato recebe cai tipicamente numa de três categorias, e raramente a escola sabe em qual:

• Correta, mas incompleta — o nome existe, o grau existe, mas faltam propinas, datas de candidatura ou requisitos de acesso.
• Desatualizada — um curso que foi descontinuado, uma nota mínima de anos anteriores apresentada como atual, um regime de acesso que já mudou.
• Errada ou inventada — uma acreditação atribuída à instituição errada, um valor de propinas fabricado por ausência de dado real, ou a confusão entre duas escolas com nomes parecidos.

Para perceber porque é que a informação de acreditação em particular é um dos pontos mais frágeis desta cadeia, o artigo sobre acreditação e citação em IA detalha como tornar os dados A3ES e DGES legíveis para os motores.

As próprias escolas ainda não geriram isto — e os números do sector confirmam porquê

O diagnóstico mais recente sobre IA no ensino superior português não fala de candidatos, mas explica o problema na origem. O relatório Inteligência Artificial no Ensino Superior em Portugal: Diagnóstico Nacional para Governação Institucional, divulgado a 9 de abril de 2026 pelo Conselho Nacional para a Inovação Pedagógica no Ensino Superior (CNIPES) junto de 68 instituições, mostra que o uso de IA já ultrapassou largamente a sua governação interna:

O próprio relatório resume o desfasamento numa frase: a implementação já ultrapassa a formalização. Traduzindo para a linguagem de uma direção de marketing: se apenas 14,7% das instituições têm sequer uma política interna sobre como a IA deve ser usada dentro de portas, é razoável assumir que quase nenhuma pensou ainda em como a IA fala delas para fora — para os candidatos que nunca vão pisar o campus antes de decidir se vale a pena candidatar-se.

Este desfasamento não é uma falha de vontade. É uma questão de prioridade: entre gerir o uso de IA pelos docentes e gerir o que o ChatGPT diz a um candidato de 18 anos às 23h de uma sexta-feira, a segunda opção nem chegou à agenda da maioria das equipas de admissões.

Três formas concretas como isso custa uma candidatura

1. Datas e regime de acesso desatualizados

Um candidato pergunta ao ChatGPT quando abrem as candidaturas para o próximo ano letivo. Se a resposta reproduzir o calendário do ano anterior — porque foi essa a versão indexada — o candidato pode concluir, erradamente, que já perdeu o prazo, e nunca chegar a contactar a escola para confirmar.

2. Estatuto de acreditação impreciso

Um mestrado que teve a acreditação renovada pela A3ES há seis meses pode continuar a aparecer numa resposta de IA como "em processo de acreditação", se essa for a última versão indexada da página. Para um candidato que está a decidir entre duas escolas, essa única frase pode bastar para eliminar a opção.

3. Programas confundidos ou já descontinuados

Escolas com nomes semelhantes, ou que reestruturaram a sua oferta formativa nos últimos dois anos, arriscam ver o ChatGPT combinar dados de um curso antigo com o nome de um curso atual. O candidato recebe uma descrição que não corresponde a nada que a escola realmente oferece — e decide noutro lugar, sem perceber que a informação estava errada.

O que estruturar para que a IA diga o que é verdade

Corrigir isto não passa por tentar controlar o que o ChatGPT diz — isso não é possível diretamente. Passa por tornar a informação correta mais fácil de encontrar e mais difícil de confundir do que a informação errada ou desatualizada.

O ponto de partida é a marcação de dados estruturados. O vocabulário EducationalOrganization e Course do Schema.org permite publicar, em formato legível por máquina, os factos que hoje estão apenas em prosa: propinas, duração, regime, área CNAEF, acreditação, datas de candidatura. A documentação do Google Search Central explica como esses dados estruturados são processados — e o mesmo tipo de marcação é o que motores como o Perplexity, segundo a sua própria explicação sobre como funciona, privilegiam para extrair factos citáveis em vez de opinião de marketing.

Depois vem a coerência entre o que o site diz e o que as fontes externas de referência dizem. Se a ficha da sua instituição na DGES ou na A3ES contradiz a página do seu próprio site — uma data diferente, um número de vagas diferente — os motores de IA tendem a reduzir a confiança na fonte menos consistente, o que normalmente significa reduzir a confiança no site da escola. O artigo pilar sobre GEO para instituições de ensino detalha o conjunto completo de campos e páginas prioritárias para essa marcação.

Por fim, cada página de programa deveria responder, nas primeiras frases, às perguntas que um candidato colocaria a uma IA: quanto custa, quanto dura, que grau confere, que acesso exige. Um parágrafo de 40 a 80 palavras com esses dados explícitos tem mais probabilidade de ser extraído e citado do que uma página inteira de argumentário institucional. Para compreender como esta lógica se cruza com o comportamento de pesquisa da geração que hoje representa a maioria dos candidatos, o artigo sobre pesquisa da Gen Z com IA aprofunda essa ligação.

Como verificar em 20 minutos o que o ChatGPT já diz sobre a sua escola

Antes de investir tempo a corrigir dados, vale a pena saber exatamente o que está errado. Abra o ChatGPT e o Perplexity e coloque, em separado, as perguntas que um candidato colocaria:

• "Quais são as propinas do [curso] na [nome da escola]?"
• "A [nome da escola] está acreditada pela A3ES?"
• "Quando abrem as candidaturas para [curso] na [nome da escola] este ano?"
• "Que diferença há entre a [nome da escola] e a [escola concorrente com nome parecido]?"

Registe cada resposta e assinale três tipos de erro: dados desatualizados, dados ausentes, dados incorretos. Esta lista é o roteiro de correção mais direto que uma equipa de marketing pode ter — mais útil, neste momento, do que uma auditoria SEO tradicional, porque aponta exatamente ao que o candidato já viu antes de vos ligar.