Visibilidade no ChatGPT e Perplexity: os KPI e o ritual mensal da direção de comunicação

A diretora de comunicação de uma escola superior de gestão em Lisboa recebe uma mensagem de um colega numa manhã de outubro: «O ChatGPT recomenda a escola X quando pedem MBA em Lisboa. Aparecemos?» Ela abre o ChatGPT, escreve «melhores MBA em Lisboa acreditados», lê a resposta — e o nome da sua escola não aparece. O concorrente está na segunda linha. A candidatura abre dentro de três semanas.

Este momento acontece cada vez mais depressa nas direções de comunicação de escolas superiores em Portugal. E revela uma lacuna concreta: a visibilidade IA não está definida como KPI, não é monitorizada com cadência regular e, por isso, ninguém detetou o problema a tempo de agir.

Este artigo define os três KPIs de visibilidade IA que realmente importam e propõe um ritual mensal de 90 minutos para os acompanhar — sem ferramentas pagas obrigatórias e com um formato apresentável à direção executiva.

Por que a visibilidade IA é agora um KPI para a direção de comunicação

O comportamento de pesquisa dos candidatos mudou de forma estrutural. Uma percentagem crescente dos estudantes do ensino superior utiliza o ChatGPT ou o Perplexity como primeiro ponto de contacto para se informar sobre formações, comparar escolas e obter recomendações antes de visitar qualquer site institucional. Para a direção de comunicação, isto traduz-se num canal de influência que escapa completamente às métricas tradicionais — sem aparecer no Google Analytics, sem conversão rastreável por UTM, sem impressão paga.

Em Portugal, apenas 8 % das respostas do ChatGPT mencionam uma instituição de ensino superior portuguesa em consultas sobre formações, contra uma média europeia de 19 % (Fonte: Estudo de Monitorização GEO da Skolbot, 500 consultas × 6 países × 3 motores IA, fev. 2026). O fosso de 11 pontos percentuais representa candidatos que pedem uma recomendação de escola e recebem nomes de concorrentes estrangeiros ou simplesmente não recebem o nome de nenhuma escola portuguesa.

A razão não é ausência de qualidade académica: é ausência de sinal legível pelos motores IA. Um site institucional com texto de marketing genérico, sem dados estruturados Schema.org, sem acreditações visíveis da A3ES e sem menções externas verificáveis é, do ponto de vista do ChatGPT e do Perplexity, um bloco de texto não estruturado. A sua escola pode ter a melhor taxa de empregabilidade do mercado — se esse dado não estiver num formato extraível pelo motor IA, ele não existe para o candidato que pergunta.

A boa notícia é quantificável: escolas com dados Schema.org estruturados ganham em média +12 pontos de visibilidade nas respostas IA (Fonte: Estudo de Monitorização GEO da Skolbot, fev. 2026). Trata-se de um ganho mensurável, replicável e diretamente atribuível a uma ação técnica — o tipo de dados que uma direção executiva consegue compreender e financiar.

Para contextualizar esta realidade na estratégia global de visibilidade da sua instituição, consulte o guia GEO completo para universidades portuguesas.

Os 3 KPIs de visibilidade IA que realmente importam

Existem dezenas de métricas possíveis para acompanhar a presença nos motores IA. A maioria é interessante; três são acionáveis pela direção de comunicação sem infraestrutura técnica especializada.

Por que estes três e não outros?

A taxa de citação mede a presença bruta — a escola existe ou não existe nas respostas IA para as consultas que os candidatos realmente fazem. É o ponto de partida sem o qual nada mais faz sentido.

A taxa de citação em 1.ª posição mede a relevância percebida pelo motor IA. Uma escola citada em décimo lugar numa lista de doze não está a competir com a citada em primeiro. Para o candidato que lê a resposta, a posição na resposta é a posição no mercado — tal como o era no Google.

A taxa de atribuição com link é a que liga visibilidade IA e tráfego real para o site. O Perplexity cita fontes sistematicamente com links clicáveis; o ChatGPT faz-o com menor frequência mas o comportamento tem vindo a aumentar. Uma menção sem link é awareness; uma citação com link é tráfego qualificado.

Para definir as consultas estratégicas a utilizar nestes cálculos, o diagnóstico de visibilidade no ChatGPT propõe uma bateria de 20 consultas prontas a adaptar.

O ritual mensal de 90 minutos

Este protocolo foi desenhado para ser executável por um diretor de comunicação ou um gestor de marketing sem conhecimentos técnicos em IA. Requer apenas o acesso ao ChatGPT e ao Perplexity, uma folha de cálculo e 90 minutos mensais divididos em três blocos de 30 minutos.

Bloco 1 — 30 minutos: recolha de dados (semana 1 do mês)

Defina uma lista fixa de 20 a 30 consultas estratégicas, divididas em três categorias:

• Consultas de marca (8 consultas): incluem o nome da escola, os seus programas principais e a sua localização — «[nome da escola] MBA Lisboa propinas», «[nome da escola] acreditação A3ES», «[nome da escola] taxa empregabilidade».
• Consultas genéricas da categoria (12 consultas): não incluem o nome da escola — «melhores escolas de gestão em Lisboa», «mestrado marketing Portugal acreditado», «licenciatura engenharia informática Porto empregabilidade».
• Consultas comparativas (8 consultas): incluem o nome da escola e o de um concorrente direto — «[nome da escola] vs [concorrente] Lisboa», «qual a diferença entre [escola A] e [escola B]».

Para cada consulta, submeta ao ChatGPT e ao Perplexity (com modo de pesquisa ativado no Perplexity). Registe na folha de cálculo: Citada com link (CL), Citada sem link (C), Mencionada em lista (M), Ausente (A). O preenchimento de 30 consultas em dois motores demora aproximadamente 25 a 30 minutos com prática.

Uma sessão nova (sem histórico de conversa) é obrigatória para cada bloco de consultas — o historial de conversação influencia as respostas e enviesa os resultados.

Bloco 2 — 30 minutos: análise e atualização do painel (semana 2 do mês)

Com os dados da recolha, calcule os três KPIs para o mês e atualize o painel histórico. O foco deste bloco não é o número absoluto — é a variação face ao mês anterior.

Identifique as consultas onde a escola retrocedeu (passou de C para M ou de M para A) e as consultas onde progrediu. Para cada retrocesso, registe a hipótese de causa: novo concorrente que publicou conteúdo estruturado? Página do seu site desatualizada? Alteração no modelo do motor IA?

Identifique também as consultas onde a escola está ausente e que representam maior volume de pesquisa dos candidatos reais — estas são as prioridades de conteúdo para o mês seguinte.

Consulte o guia de monitorização GEO para universidades para a estrutura completa de painel de acompanhamento com variações intermensais.

Bloco 3 — 30 minutos: plano de ação (semana 3 do mês)

Com a análise do bloco 2, defina uma a três ações concretas para o mês seguinte. A regra é nunca definir mais de três — obriga a priorizar.

As ações possíveis agrupam-se em quatro famílias:

Conteúdo: criar ou atualizar uma página de programa com dados verificáveis (taxa de empregabilidade com fonte, propinas do ano letivo corrente, acreditação A3ES com link para a ficha), criar uma página FAQ para um programa sem ela, publicar um artigo com dados de inserção profissional datados.

Técnico: implementar ou corrigir marcação Schema.org EducationalOrganization numa página prioritária, verificar que o GPTBot e o PerplexityBot não estão bloqueados em robots.txt, assegurar que as propinas e datas estão em HTML acessível e não apenas em PDFs.

Menções externas: verificar e atualizar o perfil da instituição no portal da DGES, confirmar que as acreditações A3ES estão atualizadas no portal da A3ES, publicar um contributo em meio especializado com link para a página de programa relevante.

Dados: verificar a proteção e conformidade dos dados recolhidos via formulários e chatbot com as orientações da CNPD, nomeadamente no que respeita ao tratamento de dados de prospectos durante o ciclo de admissão.

Registe o plano na folha de cálculo com responsável, prazo e critério de verificação. O próximo ciclo mensal começa por verificar se as ações do mês anterior foram executadas.

Interpretar as variações — quando agir, quando monitorizar

Nem todas as variações nos KPIs de visibilidade IA requerem ação imediata. A capacidade de distinguir variações de ruído de variações de sinal é o que separa o ritual de 90 minutos de um exercício burocrático.

Quando agir: uma queda de mais de 5 pontos percentuais na taxa de citação em duas medições consecutivas é um sinal de alerta. Pode indicar que um concorrente publicou conteúdo novo e estruturado que está a deslocar a sua escola das respostas; que uma página do seu site ficou inacessível ao rastreamento dos motores IA; ou que um programa que era sistematicamente citado perdeu os dados quantificados que suportavam a citação (uma propina atualizada, uma acreditação expirada).

Quando monitorizar: uma variação de 2 a 3 pontos numa única medição é, na maioria dos casos, ruído estatístico das respostas generativas. Os modelos de linguagem produzem variações naturais entre sessões para a mesma consulta. Aguarde a medição do mês seguinte antes de concluir.

Casos específicos: se a taxa de atribuição com link cair abruptamente enquanto a taxa de citação se mantém, verifique a acessibilidade técnica das suas páginas — o motor cita o seu nome mas não encontra a fonte para linkar. Se a taxa de citação em consultas genéricas cair mas a de marca se mantiver, o problema é de conteúdo GEO (as suas páginas de programa não respondem às perguntas que os candidatos fazem sem saber o nome da escola).

Para as consultas do Concurso Nacional de Acesso, que ganham volume nos meses de março a julho, crie um sub-conjunto de 5 consultas específicas neste período — «notas de corte [programa] 2026», «vagas [programa] concurso nacional» — e adicione-as temporariamente ao ritual mensal.

O plano de ação de 90 dias para ser citado pelo ChatGPT e Perplexity detalha as alavancas de melhoria por prioridade quando os KPIs revelam uma lacuna estrutural.

Apresentar a visibilidade IA à direção executiva

O ritual mensal só produz impacto organizacional se os resultados forem comunicados de forma clara à direção executiva. A maioria dos reitores, diretores gerais e conselhos pedagógicos ainda não tem quadros de referência para interpretar «taxa de citação no ChatGPT» — a direção de comunicação tem de traduzir os dados em termos que a direção reconheça.

O dashboard abaixo é o formato recomendado para a reunião mensal ou trimestral de reporte:

Três regras para uma apresentação eficaz à direção:

A primeira: enquadrar sempre os números próprios com o benchmark de Portugal (8 % no ChatGPT, 19 % na Europa). A direção precisa de saber se está acima ou abaixo da média setorial, não apenas da sua própria evolução.

A segunda: ligar cada variação a uma ação específica já executada ou em curso. «A taxa de citação subiu 4 pontos porque implementámos as páginas FAQ dos três programas de mestrado» é uma narrativa causal que a direção consegue avaliar e financiar. Um número isolado não é.

A terceira: nunca apresentar mais de três KPIs prioritários. A tentação de mostrar todos os dados disponíveis resulta na diluição da atenção executiva. O dashboard acima é um exemplo máximo — na maioria das reuniões, duas ou três linhas são suficientes.

Para a auditoria de visibilidade específica no Perplexity, que alimenta os dados deste dashboard, consulte o guia de auditoria de visibilidade no Perplexity para universidades.

Perguntas frequentes

Quanto tempo demora a ver melhorias nos KPIs após implementar ações GEO?

O Perplexity é o motor com resposta mais rápida — uma página FAQ com Schema.org publicada hoje pode refletir-se na taxa de citação em 2 a 4 semanas, porque o Perplexity consulta a web em tempo real. O ChatGPT é mais lento: o seu corpus de treino é atualizado periodicamente e as melhorias podem demorar 6 a 12 semanas a materializar-se nas respostas. Por esta razão, o Perplexity é o melhor indicador de progresso a curto prazo durante o ritual mensal; o ChatGPT confirma os ganhos estruturais a médio prazo.

É necessário contratar uma agência ou ferramenta especializada para executar este ritual?

Não, para começar. O protocolo descrito neste artigo é executável com o ChatGPT (versão gratuita ou Plus), o Perplexity (versão gratuita) e uma folha de cálculo. As ferramentas especializadas de monitorização GEO tornam-se relevantes quando se monitorizam mais de 100 consultas mensalmente ou quando se pretende acompanhar sistematicamente vários concorrentes em tempo real. Para uma escola que está a começar, o ritual manual é suficiente e produz dados accionáveis.

A acreditação A3ES tem impacto direto na visibilidade IA?

Sim, e de duas formas. A A3ES é uma fonte de autoridade que o ChatGPT e o Perplexity utilizam para corroborar as afirmações dos sites institucionais. Uma escola com acreditação A3ES explicitamente marcada no Schema.org (campo accreditation com link para a ficha A3ES) e mencionada no portal da A3ES tem um sinal de credibilidade reconhecível pelos motores IA. Além disso, consultas como «licenciatura em gestão acreditada em Portugal» ou «mestrado acreditado A3ES Lisboa» são respondidas diretamente com os dados do portal A3ES — uma escola sem ficha atualizada não aparece nessas respostas.

As classificações do CNAEF influenciam a forma como os motores IA descrevem os programas?

Indiretamente. Os motores IA não leem as classificações CNAEF como um sinal de ranking; leem os dados quantificados que as escolas publicam sobre cada programa. No entanto, as classificações CNAEF são utilizadas pela DGES para categorizar as formações e os dados do Concurso Nacional de Acesso — que são fontes de autoridade consultadas pelos motores IA. Uma escola com fichas DGES completas e atualizadas, corretamente referenciadas nas páginas de programa do seu site, beneficia indiretamente da estrutura de dados que o CNAEF suporta.

Como lidar com respostas da IA que contêm informação incorreta sobre a escola?

O controlo da informação citada é feito pela qualidade do conteúdo do seu próprio site e das fontes de terceiros. Se o ChatGPT ou o Perplexity citam um dado incorreto — uma propina desatualizada, uma acreditação expirada — é porque esse dado está errado numa das fontes que o motor consulta. O procedimento é: identificar a fonte (o Perplexity indica-a com link), corrigir o dado no site e na fonte de terceiros, e aguardar a próxima atualização do motor. A CNPD não tem jurisdição sobre o conteúdo das respostas dos motores IA, mas o direito à retificação de dados incorretos pode ser invocado quando o erro se refere a dados pessoais de indivíduos identificáveis.