Tempo de leitura: 11 minutos
Share of model é a fatia que a sua marca ocupa nas respostas de IA da categoria, frente aos concorrentes. O uso mais antigo do termo share of model que encontramos é da Jellyfish, uma agência de mídia digital. Em GEO, portanto, o share of model mostra com que frequência, com que destaque e com que tom a IA apresenta a marca.
Em resumo
- O uso mais antigo do termo share of model que encontramos é da Jellyfish. Um artigo da Harvard Business Review de 2025 o define pela frequência, pelo destaque e pelo tom com que os LLMs apresentam uma marca.
- Ele difere do share of voice, porque mede o que o modelo responde a um prompt, e não o que as pessoas publicam.
- Para medir, fixe prompts sem marca, concorrentes e motores, repita a coleta todo mês e leia a fatia por motor.
- A métrica não tem fórmula padrão, e a sigla SOM também quer dizer share of market. Por isso, escreva o nome por extenso no relatório.
O que é share of model?
Share of model é a métrica que mostra quanto os modelos de IA falam da sua marca quando alguém pergunta sobre a categoria. Ou seja, ela compara a presença da marca com a dos concorrentes nas respostas do ChatGPT, do Gemini e de outros LLMs, sempre num conjunto fixo de prompts.
Uma definição do termo está num artigo da Harvard Business Review de junho de 2025. O texto é assinado por David Dubois, professor do INSEAD, e por dois executivos da Jellyfish, John Dawson e Akansh Jaiswal. Para eles, a métrica mede um novo tipo de reconhecimento de marca:
“Com que frequência, com que destaque e quão favoravelmente uma marca é apresentada pelos LLMs aos consumidores. Chamamos esse reconhecimento de Share of Model (SOM).”
David Dubois, John Dawson e Akansh Jaiswal, Harvard Business Review (2025, tradução nossa)
Em seguida, o artigo propõe três lentes. A primeira é a taxa de menção em cada LLM. A segunda é a diferença entre o reconhecimento da marca entre pessoas e entre modelos. A terceira, por fim, é o sentimento sobre a marca e a categoria. No entanto, o texto não publica uma fórmula fechada nem o número de prompts usados.
Se o conceito de GEO é novo, entenda antes o que é GEO e onde o share of model entra.
Quem criou o termo share of model?
Não achamos fonte que diga quem criou o termo, mas o uso mais antigo que encontramos é da Jellyfish, agência do grupo Brandtech. Ela usa o nome com o símbolo de marca (™). Segundo a HBR, a agência foi pioneira num método que mede o share of model com prompts em grande escala. Em setembro de 2024, Jack Smyth, diretor de soluções da agência, já descrevia num texto da Jellyfish a plataforma Share of Model. Segundo ele, a ferramenta analisa como os LLMs respondem a perguntas sobre marca, categoria e produto.
Em janeiro de 2025, uma reportagem da AdExchanger contou que a plataforma tinha acabado de abrir em acesso antecipado. Todo dia, ela envia perguntas aos modelos, como “Que marca de X você recomenda?”. Assim, o share of model da Jellyfish funciona como uma pesquisa de mercado em que os entrevistados são os LLMs. Como a agência vende a plataforma, os números dela vêm de quem tem interesse no resultado.
Qual a diferença entre share of model e share of voice?
O share of voice mede quanto a marca ocupa da conversa que pessoas e mídia produzem. Já o share of model mede o que o modelo responde quando recebe um prompt. Ou seja, o primeiro conta conteúdo publicado, enquanto o segundo conta respostas geradas, que mudam a cada execução.
Os autores da HBR tratam a métrica como herdeira do share of search, a fatia de buscas pela marca, e do share of voice. A diferença, segundo eles, é que o share of model reproduz as percepções e as recomendações do LLM diante de um prompt. Em outras palavras, ele não reflete a intenção humana nem o conteúdo disponível.
| Métrica | O que mede | De onde vem o dado |
|---|---|---|
| Share of search | Buscas pela marca frente aos concorrentes | Volume de busca |
| Share of voice | Menções da marca frente aos concorrentes | Redes, imprensa e mídia |
| Share of model | Presença e tom da marca nas respostas | Prompts repetidos nos LLMs |
Na prática, porém, as ferramentas de GEO costumam chamar de share of voice a fatia de menções nas respostas, que é o centro do share of model. A Peec AI, por exemplo, calcula o share of voice sobre as menções de todas as marcas nas respostas de IA. Como cada ferramenta faz a conta de um jeito, compare números só dentro da mesma ferramenta. A NotHuman, que publica este blog, atua no mesmo mercado.
Para juntar a fatia nas respostas ao que se fala da marca nas redes e na imprensa, veja o guia de monitoramento de marca na IA.
Share of model e visibilidade são a mesma coisa?
Não. A visibilidade, ou taxa de presença, conta em quantas respostas a marca aparece, sem olhar os concorrentes. O share of model, por sua vez, olha a mesma resposta pela concorrência: quanto do espaço dado às marcas fica com a sua. Por isso, a presença pode subir enquanto a fatia cai, se os concorrentes crescem mais. Na HBR, aliás, a taxa de presença entra como a primeira lente, a taxa de menção por LLM. Veja como cada ferramenta calcula a nota de visibilidade.
Como medir o share of model: prompts, rodadas e motores
Para medir o share of model, rode a mesma lista de prompts sem o nome da marca nos motores que o público usa, várias vezes por mês. Em seguida, anote todas as marcas de cada resposta, a sua e as dos concorrentes, e calcule a fatia de cada uma por motor e no total.
O protocolo de coleta, com país, idioma e chats sem personalização, está no guia para medir menções e citações da marca em IA. Nessa coleta, quatro escolhas pesam mais:
- Prompts: de 40 a 60 perguntas sem marca, de categoria, problema e comparação. Afinal, um prompt com o nome da marca quase sempre gera uma resposta com ela.
- Concorrentes: de 3 a 5, escolhidos entre as marcas que a IA mais cita na primeira rodada, e não só pela lista do cliente.
- Rodadas: 5 execuções por prompt em cada motor, espalhadas pelo mês, porque a resposta muda a cada vez.
- Motores: os que o público usa, lidos um a um, já que cada motor consulta fontes próprias.
Congele prompts, concorrentes e motores por um trimestre. Além disso, guarde cada resposta completa, com data, motor e prompt. Assim, se um concorrente entrar na lista, dá para recalcular a série inteira com as respostas antigas. A conta da fatia também tem escolhas próprias, como o denominador e o peso da posição.
Numa estratégia de GEO com muitos clientes, o share of model pede milhares de respostas por mês. Nessa escala, a coleta vai para uma ferramenta de GEO ou para um script próprio.
Como ler o resultado?
Leia a fatia em três cortes: por motor, por grupo de prompts e por concorrente. Por exemplo, a marca pode liderar nos prompts de comparação e sumir nos de problema, em que a pessoa ainda não sabe qual produto quer. Esse corte mostra onde trabalhar conteúdo e fontes, enquanto a média serve para o relatório do mês.
Quando a marca some de um motor inteiro, comece pelas causas mais comuns de a IA não citar uma marca.
Como separar menção, citação e recomendação?
Separe as três numa planilha, com uma coluna para cada. A menção é o nome da marca na resposta, enquanto a citação é o site da marca usado como fonte. Já a recomendação é a marca indicada como opção. Cada uma gera a sua fatia frente aos concorrentes, e as três contam histórias diferentes.
- Fatia de menções: é a leitura mais direta do share of model, isto é, quanto do espaço dado às marcas fica com a sua.
- Fatia de recomendações: conta só as respostas que indicam a marca, numa lista ou com um verbo como “considere”.
- Citações do site: mostram se a IA usa o site da marca como fonte, mesmo quando não diz o nome dela.
Uma marca pode ter fatia alta de menções e baixa de recomendações. Isso acontece, por exemplo, quando ela aparece em comparações em que perde para o concorrente.
A terceira lente da HBR vai além da contagem, porque separa os motivos da recomendação em pontos fortes e fracos da marca. Na planilha, isso vira uma coluna com o atributo que a resposta associa a cada marca, como preço, suporte ou qualidade. Desse modo, o relatório mostra não só quanto a IA fala, mas também o que ela diz.
Que variação é ruído e que variação é mudança real?
Variação é ruído quando cabe na margem de erro da amostra ou some no mês seguinte. É mudança real quando passa da margem, se repete em dois períodos e aparece em mais de um motor ou grupo de prompts. Portanto, nunca leia uma alta isolada como resultado do trabalho.
Como a resposta da IA muda a cada execução, cada mês mede só uma amostra. O protocolo mínimo tem 50 prompts, 5 execuções e 4 motores, ou seja, 1.000 respostas por mês. Nessa amostra, a margem de erro vai de ± 3 a ± 7 pontos. Como os dois meses têm erro, a diferença entre eles precisa passar de cerca de 1,4 vez a margem. Por isso, só trate como mudança real uma variação acima de 4 a 10 pontos, confirmada no mês seguinte.
Antes de comemorar uma alta na fatia, faça quatro perguntas:
- A lista mudou? Um concorrente novo ou um prompt trocado mexe na fatia sem a IA mudar nada.
- O motor mudou? Uma versão nova do modelo ou a busca na web ligada mexe em todas as fatias ao mesmo tempo.
- A alta aparece em mais de um motor? Uma alta num motor só pode ser acaso da amostra.
- Você subiu ou o concorrente caiu? Como a fatia é relativa, a queda de um rival sobe a sua sem nenhuma ação sua.
Quais são os limites do share of model?
O share of model tem quatro limites. Não há fórmula padrão, e a lista de prompts define o resultado. Além disso, o número não diz se a resposta está certa, e falta estudo público que ligue a fatia a vendas. Por isso, use a métrica como sinal de consideração, ao lado do tráfego e das conversões.
- Sem fórmula padrão: a HBR propõe lentes, e não uma conta. Logo, 30% numa ferramenta não equivale a 30% em outra.
- A lista é a amostra: a fatia vale para as perguntas escolhidas, e não para tudo o que as pessoas perguntam à IA.
- Sigla confusa: SOM também é a sigla de share of market, a fatia de vendas. Então, no relatório, escreva o nome por extenso.
- Sem prova de vendas: não encontramos estudo público, com método aberto, que ligue a fatia nas respostas de IA às vendas.
A métrica também não mede se a IA diz a verdade sobre a marca. O próprio Jack Smyth, da Jellyfish, descreveu assim o papel do share of model à AdExchanger:
“O trabalho do Share-of-Model não é necessariamente obter a informação mais precisa do modelo, e sim ajudar o profissional de marketing a entender o que o modelo pode estar dizendo aos clientes.”
Jack Smyth, Jellyfish, à AdExchanger (2025, tradução nossa)
Assim, o share of model é uma das métricas de GEO, e não a única. No relatório, ele fica ao lado do tráfego de IA e das conversões, como nos KPIs de marketing digital que provam resultado.
Quer saber como sua marca aparece hoje nas respostas de IA?
A NotHuman está abrindo vagas para agências e marcas acompanharem como aparecem nas respostas de IA. Entre na lista de espera e avisamos quando houver uma vaga para você.
Fontes principais
- Harvard Business Review, artigo de David Dubois, John Dawson e Akansh Jaiswal que define o share of model (2025).
- Jellyfish, texto de Jack Smyth sobre a plataforma Share of Model (2024).
- AdExchanger, reportagem sobre o lançamento da plataforma da Jellyfish (2025).
- Peec AI, como a Peec AI calcula o share of voice nas respostas de IA (2026).
