Em resumo: Desde o final de agosto de 2026, os anúncios no ChatGPT estão disponíveis. Não são comprados com base em palavras-chave. O sistema os adapta ao sentido de toda a conversa, ao conteúdo da página de destino e à descrição da situação em que o cliente precisa de ajuda. O anúncio aparece diretamente abaixo da resposta do modelo, portanto, sua eficácia também depende do que o ChatGPT disse sobre a marca na frase anterior. Pesquisas de Brand Semantics em onze setores, desde construção e indústria até hotéis, moda e serviços jurídicos, mostram que esse contexto raramente é neutro. Portanto, este é um canal para empresas preparadas. Uma marca sem entidades organizadas, sem uma página de destino clara e sem conhecimento sobre o que os modelos dizem sobre ela hoje, não conseguirá obter vantagem aqui – apenas comprará cliques para uma conversa que já perdeu na frase anterior. Isso muda o conjunto de competências necessárias para conduzir uma campanha: de gestão de lances e frases para gestão de significado, contexto e representação da marca em modelos de linguagem. Abaixo, explico como esse canal funciona, por que pode mudar as regras do jogo na conversão, o que é necessário para uma empresa que deseja aproveitá-lo e como verificar se você está pronto para isso.
1. O que realmente aconteceu
A OpenAI anunciou anúncios no ChatGPT em 9 de fevereiro de 2026 e testou-os por seis meses nos Estados Unidos. Em 24 de agosto de 2026, o canal foi lançado em 31 países europeus. O Gerenciador de Anúncios (Ads Manager) está em versão beta. Na Europa, as primeiras campanhas foram lançadas por parceiros, e a autoatendimento será disponibilizada gradualmente.
Alguns fatos que vale a pena começar, pois organizam o restante:
O anúncio aparece abaixo da resposta do ChatGPT, é marcado como patrocinado e visualmente separado do texto do modelo. Não está inserido na resposta.
Um formato: nome da marca com ícone, título de até 30 caracteres, descrição de até 60 caracteres, imagem quadrada de 256×256 px e link para a página de destino. Sem vídeo, sem carrossel.
Por enquanto, é visto por usuários de planos gratuitos (Free, e em mercados onde existe – também Go). A OpenAI declara que não exibe anúncios em planos Plus, Pro ou Business, nem para pessoas abaixo de 18 anos. Os anúncios também não aparecem em chats temporários e para usuários não logados. Vale lembrar disso ao planejar o alcance. Também é importante acompanhar se essa política mudará.
O anunciante não tem influência sobre a resposta do modelo e não recebe dados sobre o usuário: nem conteúdo da conversa, nem histórico, nem endereço de e-mail.
Liquidação: CPM (por mil impressões), CPC (por clique; a OpenAI recomenda lances de 3–5 USD) e – a partir de agosto – oCPC, ou seja, otimização para conversões. O mínimo orçamentário anterior de 50 mil USD foi abolido.
Medição: impressões, cliques, CTR, CPC e CPM médios, gastos, conversões. As campanhas podem ser marcadas com parâmetros UTM, e as conversões medidas com pixel e através da Conversions API. A OpenAI ressalta que o canal não possui benchmarks de eficácia entre setores.
2. Como o ChatGPT seleciona o anúncio. E por que isso não é "o novo Google Ads"
No mecanismo de busca, a mecânica é conhecida há quase um quarto de século: o usuário digita uma frase, o anunciante faz um lance pela frase, vence quem tem a melhor combinação de lance e resultado de qualidade. A frase é o denominador comum. Pode ser comprada, excluída, medida.
No ChatGPT, esse denominador não existe. De acordo com a documentação da OpenAI, o sistema seleciona o anúncio com base em quatro fatores simultaneamente:
o contexto e a intenção de toda a conversa, e não da última frase;
o conteúdo da página de destino do anúncio, que a OpenAI lê com seu próprio robô (OAI-AdsBot) e verifica quanto à conformidade com a política de anúncios;
o título e a descrição do anúncio;
as dicas contextuais fornecidas pelo anunciante – e, se o usuário ativou a personalização, sinais selecionados de suas conversas anteriores.
As dicas contextuais não são palavras-chave. A OpenAI afirma claramente que não funcionam como correspondência exata e não garantem a exibição em uma conversa específica. Trata-se de uma descrição da situação de necessidade: quem pergunta, o que, em que momento da decisão. Em vez da frase "sistema CRM", o anunciante descreve "equipe de vendas que compara ferramentas de automação de relatórios e deseja reduzir o trabalho manual". A decisão final sobre a exibição é tomada pelo modelo de relevância da OpenAI.
Além disso, há um leilão. O lance é apenas uma das entradas, e a relevância do anúncio e da página de destino em relação à conversa co-decide quem vence e quanto paga. Em outras palavras: se a página de destino descreve claramente o que é o produto, para quem, em que situações e como se diferencia das alternativas, o sistema tem uma base para a correspondência, e o anúncio vence mais barato.
Elemento | Anúncio em mecanismo de busca | Anúncio no ChatGPT |
|---|---|---|
Unidade de compra | palavra-chave | situação de necessidade descrita em linguagem natural |
Sinal de correspondência | consulta | sentido de toda a conversa + página de destino + criação + dicas |
Controle do anunciante | alto (frases, exclusões, correspondências) | limitado (dicas sem garantias, geografia, plataforma, listas próprias) |
O que o usuário vê acima do anúncio | lista de links | resposta pronta do modelo, muitas vezes com recomendação |
Leilão | lançamento × resultado de qualidade | preço segundo ponderado pela relevância |
Formatos | texto, gráfico, vídeo, compras | um cartão: título, descrição, imagem, link |
Dados do usuário para o anunciante | limitados | nenhum |
A consequência é simples: neste canal não é possível "configurar uma campanha" com base em palavras. É necessário saber como as pessoas realmente conversam com o modelo sobre uma determinada categoria, em que momento da decisão isso acontece e o que o modelo responde antes de exibir o anúncio.
3. Por que a conversão pode parecer diferente do mecanismo de busca
Para ser honesto: a OpenAI não publica benchmarks, e o mercado está apenas começando a coletar dados. Mas existem três premissas independentes que ajudam a entender por que este canal tem um potencial de conversão diferente dos meios tradicionais.
Primeiro, o momento. O usuário do ChatGPT não "procura"; ele já está conversando. Fez uma pergunta, recebeu uma resposta, muitas vezes pediu mais detalhes. O anúncio aparece no momento em que a necessidade já foi nomeada e os critérios de escolha discutidos. Este é o momento de decisão mais próximo que a publicidade já teve.
Segundo, a qualidade do tráfego. A Shopify relatou que no primeiro trimestre de 2026, o tráfego de assistentes GenAI converteu 49% melhor na página do produto do que o tráfego do mecanismo de busca, e o número de visitas dessa fonte aumentou oito vezes ano a ano. A Criteo, em uma amostra de 500 vendedores, mediu que o tráfego enviado por modelos de linguagem converte cerca de 1,5 vezes melhor do que outros canais de referência. Esses dados são sobre tráfego orgânico, não pago, mas mostram com que tipo de usuário estamos lidando: uma pessoa que já passou pela fase de comparação em uma conversa.
Terceiro, os primeiros testes pagos. Um teste de duas semanas da SE Ranking em mercados de língua inglesa deu 1,30% de CTR em mais de 97 mil impressões. Outro teste, publicado por uma agência canadense, deu 0,65% de CTR com custo por clique em torno de 4,4–4,9 CAD. A variação é grande e deve ser tratada como um sinal de que o canal funciona, e não como um benchmark.
Há também o outro lado da moeda, que deve ser abordado com igual clareza. Os anúncios hoje alcançam usuários de planos gratuitos, e não assinantes Plus, Pro ou Business. Dois testes B2B publicados sugerem que decisores de negócios usam planos pagos com mais frequência do que o usuário médio, ou seja, aqueles em que os anúncios ainda não estão disponíveis. O clique custa entre 3 e 5 USD. O inventário é limitado, o formato é único e as ferramentas de otimização são novas. Cada correspondência imprecisa é cara neste canal. É exatamente por isso que a precisão do contexto deixa de ser uma questão estética e se torna uma condição de rentabilidade.
4. Uma janela, duas camadas: o que o modelo diz sobre seu anúncio
Aqui chegamos a algo que não está em nenhum guia sobre anúncios do ChatGPT, mas que, na minha opinião, decide o resultado da campanha.
O anúncio aparece abaixo da resposta do modelo. O usuário primeiro lê o que o ChatGPT pensa sobre seu problema, quais soluções recomenda, quais marcas menciona e como as descreve. Somente depois ele vê o cartão patrocinado. Isso significa que em uma única janela existem duas camadas de comunicação sobre a marca: representação orgânica da marca na resposta do modelo e cartão pago. O anunciante controla apenas este último.
Vamos considerar quatro situações típicas que observamos em pesquisas de respostas de modelos conduzidas com nossa ferramenta de pesquisa Semantio:
Situação A: o modelo recomenda um concorrente. O usuário pergunta sobre uma solução em uma categoria, o modelo menciona três marcas e recomenda uma delas. Abaixo aparece o anúncio de uma quarta marca – a sua. O cartão pago compete com a recomendação que o usuário acabou de ler e na qual confiou. O clique é possível, mas o anúncio começa de uma posição que o modelo já perdeu.
Situação B: o modelo fornece informações incorretas sobre a marca. Na resposta, sua marca aparece, mas com um preço errado, um certificado inexistente, uma localização errada ou uma característica atribuída a um concorrente. O anúncio abaixo leva a uma página que diz o contrário. O usuário recebe uma mensagem contraditória e não sabe em quem confiar.
Situação C: o modelo não conhece a marca. A resposta é sobre a categoria, mas sua marca não está presente. O anúncio é o primeiro contato – e o único argumento. Este é o cenário mais caro, pois todo o trabalho persuasivo recai sobre 30 caracteres do título e 60 caracteres da descrição.
Há também situação D: o modelo recomenda sua marca, e o anúncio confirma isso. Nesse caso, as duas camadas trabalham juntas: a resposta orgânica constrói confiança, e o cartão pago oferece o caminho mais curto para a ação. Esta é a única configuração em que o custo por clique tem chance de se reverter com lucro.
O que vemos nas pesquisas: onze setores, o mesmo mecanismo
Os exemplos abaixo vêm de pesquisas sobre representação de marcas que realizamos em 2026 na Semantio para clientes da Brand Semantics e como parte do estudo da Fundação AI Business Center com dados da Semantio. Os setores e a escala da pesquisa são mencionados, pois mostram que o mecanismo é independente do setor. Cada resultado é uma foto datada de um dia de pesquisa – os modelos mudam as respostas ao longo do tempo, por isso a medição é repetida.
Setor (cliente) | Escala da pesquisa | O que o modelo faz na resposta, sobre a qual o anúncio seria exibido | Situação |
|---|---|---|---|
Fabricante de portas e janelas (premium, construção) | 150 respostas, 4 sistemas | Sentiência 8,1/10, mas 0% de recomendações diretas na fase de decisão; em perguntas gerais, os modelos indicam marcas de massa e orçamento em 88% dos casos. Além disso, os modelos "concedem" à marca uma garantia vitalícia que o fabricante não oferece. | A + B |
Fabricante polonês de sistema ERP (software B2B) | 225 respostas, 5 sistemas | Visibilidade de 9,3% em perguntas gerais, 49–51% em comparações e decisões. 11 de 225 respostas contêm informações falsas – a mais grave: atribuição do sistema a fabricantes concorrentes. | C, depois B |
Fabricante regional de embutidos com loja online | 120 respostas, 4 sistemas | 0 de 40 respostas a perguntas gerais sobre compras com entrega na região menciona a marca; os modelos indicam redes nacionais. Quando o nome é mencionado: 24 de 120 respostas contêm informações falsas (falta de pão na oferta, falta de entrega no mesmo dia, entrega em Varsóvia) – todas na fase de consideração e decisão. O modelo baseia a resposta na página da marca apenas em 17% dos casos. | C + B |
Fabricante de iluminação (residencial e B2B) | 199 respostas, 4 sistemas | 95% de visibilidade após o nome, 40% sem nome. 18 respostas com alerta de erro ou problema de representação – 16 delas com alta recomendação. O modelo recomenda, mas com informações erradas. | D com risco de B |
Fabricante de ventilação contra incêndio (indústria, B2B) | 130 respostas, 5 sistemas | 0 de 30 respostas a perguntas sobre a categoria menciona a marca; 82 de 100 respostas com nome a recomendam "altamente". 14 respostas com informações falsas, incluindo atribuição da empresa polonesa a grupos de capital estrangeiros. Em uma de cada três respostas: "falta de dados públicos, pergunte ao fabricante". | C, D, B – dependendo da fase |
Escritório de advocacia e consultoria (serviços profissionais) | 240 respostas, 4 sistemas | Sem sugestões de nome, a marca aparece em 1 de 92 respostas – na oitava posição da lista. Em 7 respostas, o modelo confunde o nome do fundador. Em 51,5% das perguntas sobre provas de competência, remete o cliente "para verificação adicional". | C |
Hotel premium (Cracóvia, turismo e MICE) | 225 respostas, 5 sistemas | Visibilidade de 47%, sentiência 8/10, mas o modelo reduz o objeto a "hotel wellness" e o ignora em cenários de conferência, apesar de uma infraestrutura robusta. A mesma localização em algumas respostas é uma vantagem, em outras uma desvantagem. | D em wellness, A em MICE |
Hotel boutique (Cracóvia; estudo paralelo para o mercado norueguês) | 5 sistemas, dois mercados | Um dos sistemas interpretou o nome próprio do hotel como uma categoria de objeto e, com base nisso, desaconselhou diretamente como um lugar para turistas da Noruega. | B (erro de entidade) |
Marca de calçados (moda, e-commerce) | 200 respostas, 5 sistemas | Visibilidade de 55%, boa recomendação na fase de consideração, mas na fase de decisão os modelos repetem menções a problemas de durabilidade e reclamações. O anúncio sob tal resposta leva o cliente que acabou de ler um aviso. | A na decisão |
Fabricante de perfis de plástico (indústria, B2B, empresa em grupo internacional) | 180 respostas, 6 sistemas | 0 de 60 cenários de consciência; 82% de recomendações quando a marca já é mencionada. Apenas 7% das respostas citam o domínio polonês – os modelos atribuem referências e certificados à empresa-mãe estrangeira. | C + B |
Centro de construção (comércio, mercado local) | auditoria de site + Semantio | Os robôs que os modelos usam para ler a internet veem no site da empresa uma "página em branco" – o conteúdo só é renderizado no navegador do cliente. Para os modelos, a oferta não existe; as recomendações são coletadas pela concorrência. | C – e landing page sem relevância |
Três coisas desta tabela têm impacto direto nos Anúncios do ChatGPT.
Primeiro, "falta de marca em perguntas sobre a categoria" é a norma, não a exceção. Em oito dos onze estudos, a marca está quase ausente quando o cliente ainda não conhece seu nome, ou seja, exatamente nas conversas em que o anúncio deveria entrar. O anúncio nesse contexto atua na situação C: é o único argumento e paga o preço total por cada clique.
Segundo, alta recomendação não significa um fundo seguro. No fabricante de iluminação, 16 dos 18 erros apareceram em respostas nas quais o modelo recomendou a marca. No fabricante de ventilação, os modelos recomendavam a empresa e ao mesmo tempo a atribuíam a um grupo de capital estrangeiro. O anúncio sob tal resposta reforça a recomendação e o erro juntos.
Terceiro, a mesma pergunta em diferentes sistemas dá diferentes contextos. No fabricante regional de embutidos, a avaliação da recomendação (em uma escala de 0–100) variou de 16 a 51 dependendo do sistema; no fabricante de ventilação, quatro sistemas viram a marca em 20 de 20 perguntas, e o quinto em 13 de 20. A campanha no ChatGPT diz respeito a um sistema, mas o cliente compara em vários – e o fundo orgânico deve ser conhecido em cada um deles.
A diferença entre a situação A e D não é uma questão de lance ou criação. É uma questão de como o modelo representa a marca antes mesmo de a campanha começar. E isso não é visível em nenhum painel de anúncios. Para ver isso, é necessário fazer aos modelos as mesmas perguntas que os clientes fazem – muitas vezes, em várias variantes, em vários sistemas – e medir as respostas. Isso é exatamente o que envolve a Generative Engine Optimization (GEO) e o que é medido na Semantio.pro.
5. Quatro competências necessárias para este canal
Uma vez que o ChatGPT não adapta anúncios a frases, mas a significados, a pergunta é: quem pode trabalhar com significados? Com base em nossa experiência, são necessárias quatro competências. Vale a pena verificar quais delas a equipe que conduz a campanha possui – interna ou externa.
5.1. Mapa de entidades e mapa de afirmações – para que a página de destino seja compreensível para o modelo
O sistema OpenAI lê a página de destino e, com base nela, avalia a relevância do anúncio para a conversa. Se a página descreve a empresa como "um parceiro tecnológico inovador", o modelo não tem como deduzir em quais conversas o anúncio faz sentido. Se a página diz claramente: qual produto, para quem, para qual problema, em que categoria, com quais provas e como se diferencia das alternativas – o modelo tem uma base para a correspondência.
Dois exemplos de nossas auditorias mostram com que frequência essa condição não é atendida. A página de um centro de construção local renderizava todo o conteúdo apenas no navegador do cliente – os robôs que os modelos usam para ler a internet viam nela uma "página em branco"; a única coisa que conseguiam ler eram duas palavras. Tal página como landing page para anúncios no ChatGPT não tem como vencer o leilão de relevância, e o robô OAI-AdsBot não tem o que verificar. Por outro lado, um fabricante polonês de produtos industriais que atua em um grupo internacional tinha no mapa da página 699 dos 729 endereços levando ao domínio da empresa-mãe estrangeira; os modelos citavam o domínio polonês em 7% das respostas e atribuíam referências e certificados a outra empresa. O anúncio de tal marca levaria a uma página que o modelo não associa ao sujeito mencionado na resposta anterior.
Chamamos isso de unicidade semântica. Na prática, isso significa separar duas coisas: mapa de entidades (quais objetos compõem o mundo da marca: produtos, públicos, problemas, concorrentes, provas) e mapa de afirmações (quais frases sobre esses objetos devem ser verdadeiras, confirmadas por fontes e passíveis de serem adotadas pelo modelo). Uma página de destino preparada dessa forma é ao mesmo tempo uma melhor página em mecanismos de busca, uma melhor fonte para modelos de linguagem e um landing page mais barato em um leilão ponderado por relevância. É um trabalho que gera três efeitos.
5.2. Cenários de intenção – para que as dicas contextuais resultem de dados, não de brainstorming
A dica contextual é uma descrição da situação de necessidade: quem, qual necessidade, qual contexto, qual momento de decisão. Para escrevê-la bem, é necessário saber como os clientes realmente perguntam aos modelos sobre uma determinada categoria – na fase de descoberta ("como resolver o problema X"), comparação ("o que diferencia A de B") e decisão ("onde comprar, a quem contratar").
Na Semantio, trabalhamos exatamente com essas unidades: cenários, ou seja, perguntas completas inseridas em uma persona específica, produto e fase de decisão, direcionadas a sistemas selecionados. Uma empresa que estuda cenários de compra na categoria do cliente há meses escreve dicas contextuais a partir da medição: sabe quais situações terminam em recomendação, em quais o modelo menciona concorrentes e em quais a marca está ausente. Uma equipe que não possui tal medição escreve dicas a partir da intuição – e as verifica apenas com o orçamento.
5.3. Medição da representação da marca – antes, durante e depois da campanha
Esta é uma competência que diferencia a condução de campanhas no ChatGPT de campanhas em qualquer outro meio. Como acima do anúncio está a resposta orgânica do modelo, é necessário saber:
antes do início – em que percentual de cenários de compra o modelo menciona a marca, com que frequência a recomenda, qual é sua participação de voz em relação aos concorrentes, como a descreve e se não fornece informações falsas sobre ela;
dentro da campanha – se a resposta orgânica favorece o anúncio (situação D), ou compete com ele (A, B, C); se mudanças na página e nas fontes deslocam as respostas do modelo; quais fontes o modelo cita ao falar sobre a categoria;
após a campanha – o que exatamente o modelo disse sobre a marca no dia da exibição, em uma forma que pode ser mostrada à gerência ou ao cliente.
Na prática, essa medição muda as decisões da campanha. No fabricante de portas e janelas, o fundo orgânico na fase de decisão era neutro (0% de recomendações diretas com sentiência de 8,1/10) – o anúncio só faz sentido lá quando acompanhado de provas na página de destino que permitam ao modelo justificar um preço mais alto. Na marca de calçados, o fundo na fase de decisão era diretamente desfavorável (menções a reclamações) – uma campanha sem trabalho prévio nas fontes pagaria por cliques de clientes que acabaram de ler um aviso. No hotel premium, o fundo era excelente em cenários de wellness e ruim em conferências – as dicas contextuais e as páginas de destino precisam ser diferentes para cada um desses segmentos.
A Semantio mede essas dimensões em respostas reais do ChatGPT, Gemini, Claude, Perplexity, Google AI Overview, Microsoft Copilot, Grok e DeepSeek: Taxa de Visibilidade, Participação de Voz, nível de recomendação, sentiência, impacto das fontes e detecção de afirmações contraditórias com fatos verificados sobre a marca. Cada resultado é uma medição datada de uma pesquisa específica, não uma previsão a partir de sinais na página. Isso significa que a campanha no ChatGPT não é conduzida às cegas: sabemos em que fundo orgânico o anúncio é exibido e se esse fundo trabalha a favor ou contra ele.
5.4. Prova – para que o resultado possa ser defendido
Em um canal sem benchmarks e com um atraso de 24 a 48 horas na reportação de conversões, é especialmente importante que o diagnóstico e as conclusões sejam auditáveis. Na Semantio, cada resposta do modelo é registrada em um log junto com metadados, classificação e fontes citadas, e respostas selecionadas podem ser preservadas como um registro verificável, protegido contra modificações do que determinado sistema disse em um determinado dia.
6. Como conduzimos campanhas no ChatGPT
Na Brand Semantics, conduzimos campanhas de Anúncios ChatGPT desde o diagnóstico até o relatório – com acesso direto ao Ads Manager e à nossa própria ferramenta de medição. O processo é o seguinte:
Diagnóstico da representação da marca nos modelos. Pesquisa na Semantio: cenários de compra reais na categoria do cliente, na linguagem do mercado, em vários sistemas. Resultado: onde a marca é recomendada, onde perde para concorrentes, onde os modelos se enganam, quais fontes moldam a resposta.
Mapa de entidades e preparação da página de destino. Organização do que o modelo deve entender sobre a marca e tradução para a página de destino: clara, fundamentada, permitindo a passagem dos robôs da OpenAI (OAI-AdsBot e OAI-SearchBot – bloquear qualquer um significa rejeição do anúncio ou desaparecimento das respostas orgânicas).
Cenários → dicas contextuais e criações. A medição resulta em situações de necessidade nas quais o anúncio faz sentido, e variantes de títulos e descrições adaptadas à fase de decisão.
Campanha no Ads Manager. Objetivo (alcance, cliques ou conversões), geografia, plataforma, orçamento diário, medição de conversões com pixel e pela Conversions API configurados antes do início.
Monitoramento de duas camadas. Paralelamente: resultados da campanha do Ads Manager e medição cíclica das respostas orgânicas dos modelos na Semantio. Se o fundo orgânico trabalha contra o anúncio – ações de GEO nas fontes e conteúdos, não apenas nos lances.
Relatório com prova. O que o modelo disse, o que o anúncio fez, o que mudou entre as medições – com logs e registro verificável das respostas.
7. Quem deve entrar agora e quem deve esperar
Vale a pena testar agora, se a marca atua em uma categoria onde o cliente compara, pergunta e volta com mais perguntas: e-commerce com produtos considerados, eletrônicos, finanças pessoais (dentro da política de anúncios da OpenAI), telecomunicações, automóveis, viagens, educação, serviços escolhidos após pesquisa, bem como produtos para casa, produtos de construção e acabamentos ou artigos para crianças. Também vale a pena se a empresa deseja ganhar experiência no canal antes que a concorrência o faça – em um canal jovem, o custo de aprendizado é menor do que o custo do atraso.
Vale a pena esperar, se:
os clientes são principalmente decisores B2B que usam planos pagos do ChatGPT – os anúncios ainda não chegarão a eles; neste caso, a representação orgânica da marca nas respostas, que todos os usuários veem, independentemente do plano, é mais importante. No estudo do fabricante de ventilação, chamamos isso de "licitação perdida antes da licitação": o projetista pergunta ao modelo o que incluir na especificação, recebe uma lista sem marca – e a marca só entra como substituto na fase de execução, lutando com o preço. Isso não pode ser corrigido por um cartão patrocinado, apenas pela presença na própria resposta;
o produto é FMCG ou um serviço local de baixo valor de cesta – com CPC de 3–5 USD, a economia não se fecha;
o setor está sujeito a restrições da política de anúncios (álcool, jogos de azar, conteúdos políticos são proibidos; saúde e serviços financeiros são limitados e, fora dos EUA, na maioria das vezes não permitidos);
a empresa não tem uma página de destino que o modelo possa entender – então o primeiro passo não é a campanha, mas a organização da representação da marca.
Independentemente de a empresa entrar em anúncios pagos, a camada orgânica sempre atua: o usuário do plano pago não verá o anúncio, mas verá o que o modelo diz sobre a marca. Para muitas empresas B2B, este é hoje um canal mais importante do que qualquer cartão patrocinado.
8. Lista de verificação de prontidão para Anúncios ChatGPT
Antes de iniciar a campanha, vale a pena responder a dez perguntas:
Sabemos em que percentual de perguntas de compra reais em nossa categoria o ChatGPT menciona nossa marca?
Sabemos quem ele recomenda em vez de nós – e por quê (quais fontes)?
O modelo fornece informações falsas sobre nós que o anúncio reforçaria em vez de corrigir?
A página de destino descreve claramente o produto, o público, o problema e as provas – em uma linguagem que o modelo pode adotar?
A página permite a passagem do OAI-AdsBot e do OAI-SearchBot?
Temos cenários de intenção para três fases de decisão, dos quais resultam dicas contextuais?
Temos várias variantes de título e descrição, cada uma mostrando um benefício diferente, e não a mesma mensagem?
A medição de conversões (pixel, Conversions API, UTM) está configurada antes do início, e não depois?
Os nossos clientes usam o plano gratuito do ChatGPT?
Temos uma maneira de mostrar à gerência o que o modelo disse sobre a marca no dia da exibição – em uma forma que possa ser verificada?
Se as respostas às perguntas 1–3 forem "não sabemos", a campanha começará às cegas – independentemente de quem a conduza.
9. Glossário de termos
Anúncios ChatGPT – canal publicitário da OpenAI, onde cartões patrocinados aparecem abaixo das respostas do ChatGPT para usuários de planos gratuitos; a correspondência é baseada no contexto da conversa, na página de destino, na criação e nas dicas contextuais do anunciante, e não em palavras-chave.
Dicas contextuais (context hints) – descrições de situações de necessidade (quem, qual necessidade, qual contexto, qual momento de decisão) que o anunciante fornece no Ads Manager; não são correspondências exatas e não garantem a exibição.
Otimização do Motor Generativo (GEO) – disciplina que se segue ao SEO: em vez de posições na lista de links, o objetivo é como os modelos de linguagem descrevem, comparam e recomendam a marca na resposta pronta. Inclui a organização de entidades e afirmações sobre a marca, a construção de fontes que os modelos citam e a medição das respostas.
Representação da marca nas respostas dos modelos de linguagem (LLM brand representation) – a maneira observável como a marca está presente, descrita, comparada, recomendada e referenciada nas respostas dos sistemas GenAI em uma pesquisa específica. A visibilidade é apenas uma de suas dimensões.
Participação de Voz (SoV) – participação da marca no "tempo de antena" da resposta do modelo em relação aos concorrentes nomeados em um determinado conjunto de cenários.
Alucinação da marca (brand hallucination) – afirmação do modelo sobre a marca que contraria fatos verificados: preço errado, certificado inexistente, localização errada, característica atribuída a um concorrente.
Mapa de entidades / mapa de afirmações – ferramentas de organização da representação da marca: lista de objetos que compõem o mundo da marca (produtos, públicos, problemas, concorrentes, provas) e lista de frases sobre esses objetos que devem ser verdadeiras, confirmadas por fontes e passíveis de serem adotadas pelo modelo.
Semantio – plataforma de pesquisa da Brand Semantics para analisar e monitorar a representação de marcas nas respostas do ChatGPT, Gemini, Claude, Perplexity, Google AI Overview, Microsoft Copilot, Grok e DeepSeek, em respostas reais, na linguagem do mercado, com logs e prova verificável.
10. Perguntas frequentes
Os anúncios no ChatGPT podem mudar o que o modelo diz sobre a marca? Não. A OpenAI separa o sistema publicitário do modelo. O anunciante não pode influenciar o conteúdo, a ordem ou o tom das respostas. A mudança na representação orgânica da marca só é possível através do trabalho nas fontes, conteúdos e estrutura da informação – ou seja, através do GEO.
É possível comprar um anúncio para a frase "melhor X em Lisboa"? Não. Não há palavras-chave. É possível descrever a situação de necessidade em que o anúncio faz sentido e garantir que a página de destino e a criação sejam relevantes para isso. A decisão sobre a exibição é tomada pelo modelo de relevância da OpenAI.
Quanto custa um clique? A OpenAI recomenda lances de CPC de 3–5 USD. Os primeiros testes publicados no exterior estão dentro dessa faixa. Não há benchmarks poloneses ainda.
Meus clientes B2B veem isso? Se eles usam o plano gratuito – sim. Nos planos Plus, Pro e Business, os anúncios ainda não estão disponíveis; seus usuários veem, no entanto, as respostas orgânicas do modelo sobre a marca, e são elas que decidem se a marca entra na lista curta.
Por onde começar? Pela medição: o que hoje o ChatGPT e outros modelos dizem sobre a marca em perguntas de compra reais. Sem isso, não se sabe se o anúncio reforçará a recomendação ou competirá com ela.
