Por que automatizar isso
A medição de visibilidade em IA tem uma característica ruim: ela é feita de tarefas pequenas, chatas e frequentes. Rodar 40 consultas em quatro plataformas, registrar quem apareceu, comparar com o mês anterior. Feito à mão, isso consome meio dia por cliente e ninguém sustenta por três meses.
Feito uma vez em n8n, roda sozinho na madrugada e você recebe a diferença. A economia de tempo é real, mas o ganho maior é outro: consistência. Medição manual falha justamente nos meses corridos, que costumam ser os meses em que algo mudou.
Uso n8n por três motivos: é self-hosted, então dado de cliente não sai da infraestrutura; tem nó de HTTP genérico, então qualquer API entra; e o fluxo visual é fácil de entregar para alguém dar manutenção depois de mim.
Fluxo 1: citação em IA
É o fluxo principal. O desenho:
- Gatilho agendado, semanal. Mais frequente que isso gera ruído, porque resposta de modelo varia entre execuções mesmo sem nada ter mudado.
- Fonte das consultas: uma planilha ou tabela com 30 a 50 consultas prioritárias, marcadas por categoria e intenção. Manter isso fora do fluxo facilita o cliente sugerir consultas.
- Loop por consulta, chamando as APIs: OpenAI, Gemini e Perplexity. Onde não há API adequada, registre a lacuna em vez de improvisar scraping.
- Extração: para cada resposta, registrar se a marca aparece, se há link, quais concorrentes aparecem, e a posição da menção no texto.
- Armazenamento em banco ou planilha, com data. A série histórica é o produto, não a foto do dia.
- Comparação com a execução anterior e cálculo da participação: em quantas das consultas você aparece, contra o principal concorrente.
O detalhe que faz esse fluxo ser útil e não só bonito: registre a resposta completa, não só o resultado booleano. Quando a participação cai, você vai querer ler o que o modelo respondeu no lugar. Já descobri assim que um cliente tinha sumido das respostas porque o modelo passou a citar um comparativo de terceiro que não incluía a marca.
A lógica de medição é a que descrevo em ser citado vale mais que ranquear.
Fluxo 2: impressões em IA no Search Console
Mais simples, e complementar. A API do Search Console entrega os dados, incluindo os relatórios de IA generativa lançados em junho de 2026, que descrevo em Search Console e dados de IA generativa.
- Gatilho diário, puxando a janela dos últimos 28 dias.
- Autenticação OAuth com conta de serviço, para não depender de token pessoal.
- Coleta por página, para acompanhar quais URLs viram fonte.
- Gravação em BigQuery ou banco próprio, porque a API do GSC só guarda 16 meses.
- Cálculo de variação e disparo de alerta quando a queda passa de um limite definido.
Esse fluxo resolve um problema que quase todo mundo tem e poucos percebem: a janela de retenção do Search Console. Se você não extrai e guarda, perde o histórico, e histórico é o que permite responder "isso é normal para esta época do ano".
Fluxo 3: menções de marca
Como menções são cerca de 3x mais preditivas de visibilidade em IA que backlinks, conforme discuto em menções de marca contra backlinks, vale acompanhar com o mesmo cuidado que se acompanha link.
- Gatilho diário sobre feeds de notícia e resultados de busca por nome da marca e variações, incluindo erros de grafia comuns.
- Filtro para descartar o que já foi registrado, comparando por URL normalizada.
- Classificação simples da menção: veículo, tem link ou não, contexto de categoria presente ou ausente.
- Notificação no canal do time para menção em veículo relevante, e registro silencioso do resto.
A classificação de contexto é a parte que dá trabalho e é a que importa. Menção que aparece junto da categoria de atuação constrói associação de entidade. Menção solta, não. Uma chamada de LLM barata resolve essa classificação bem.
Fluxo 4: alerta técnico
Esse não é sobre IA, mas é o que mais evita prejuízo, e por isso instalo primeiro em cliente novo.
- Checagem periódica do
robots.txt, comparando com a última versão conhecida. Alerta em qualquer mudança. Isso pega o caso descrito em Cloudflare e o bloqueio de crawlers de IA, quando alguém aperta a configuração e derruba o canal sem querer. - Requisição às URLs prioritárias com user-agent de bot de busca e de IA, verificando o código de status. 403 para bot e 200 para navegador é a assinatura de bloqueio acidental.
- Comparação de contagem de palavras entre HTML bruto e renderizado, para detectar quando um deploy passou conteúdo para o cliente. É o problema de crawlers de IA não executam JavaScript, e ele aparece silenciosamente.
- Presença do JSON-LD no HTML servido, com validação de que os
@idreferenciados existem. - Alerta imediato, no canal onde as pessoas realmente olham. E-mail para alerta técnico é onde alerta vai morrer.
Cuidados
Custo de API. 50 consultas em 3 plataformas por semana é volume pequeno, mas revise antes de escalar para 20 clientes.
Variação natural do modelo. A mesma consulta devolve respostas diferentes em execuções diferentes. Por isso a leitura precisa ser de tendência sobre várias semanas, e por isso a frequência semanal funciona melhor que a diária.
Termos de uso. Use API oficial. Scraping de interface é frágil e problemático.
Alerta demais vira ruído. Calibre os limites. Um alerta por semana que as pessoas leem vale mais que quinze por dia que ninguém abre.
Estrutura de dados
O erro que mais atrapalha esse tipo de projeto é começar pelo fluxo em vez de começar pelo modelo de dados. Se a estrutura estiver errada, você coleta por três meses e descobre que não consegue responder a pergunta que queria.
A estrutura mínima que uso tem três tabelas:
Consultas. Identificador, texto da consulta, categoria, intenção, prioridade, cliente. Manter em planilha compartilhada facilita, porque o cliente sugere consulta sem depender de você.
Execuções. Identificador, consulta, plataforma, data e hora, resposta completa em texto, e o custo da chamada. Guardar a resposta inteira é o que torna a análise possível depois.
Ocorrências. Execução, marca detectada, se houve link, posição da menção no texto, e domínios citados como fonte. É a tabela que gera os números.
A coluna de domínios citados é a mais útil e a menos óbvia. Ela responde à pergunta que importa quando a visibilidade cai: quem está sendo citado no meu lugar. Sem ela, você só sabe que caiu.
Como consultar os modelos
Alguns cuidados que aprendi errando:
Use a consulta como o usuário escreveria. Não peça ao modelo para "listar as melhores empresas de X incluindo a marca Y". Isso mede a obediência do modelo, não a sua visibilidade. Consulte exatamente o que uma pessoa perguntaria.
Não dê contexto anterior. Cada consulta em sessão limpa, sem histórico. Contexto contamina o resultado e inviabiliza comparação entre execuções.
Fixe os parâmetros. Mesma temperatura, mesmo modelo, mesma configuração em todas as execuções. Quando você precisar trocar de versão de modelo, registre a data da troca, porque a série antes e depois não é diretamente comparável.
Repita a mesma consulta algumas vezes. A variação natural entre execuções é grande. Três execuções por consulta, e você trabalha com a proporção de vezes em que apareceu, o que é bem mais estável que sim ou não.
Detecte a marca com cuidado. Busca simples por string gera falso positivo quando o nome é palavra comum, e falso negativo quando o modelo escreve o nome de outro jeito. Uma verificação com regex mais uma chamada barata de classificação resolve bem.
Registre também o que você não mediu. Se uma plataforma não tem API adequada e você deixou de fora, isso precisa estar no relatório. Lacuna não documentada vira conclusão errada.
Do dado ao relatório
Coleta sem leitura não serve para nada. O que apresento a partir desses dados:
Participação em citação. Percentual das consultas monitoradas em que a marca aparece, por plataforma, com evolução mensal. É a métrica principal.
Comparação com concorrentes. A mesma métrica para os dois ou três principais concorrentes. Isso costuma ser o slide que gera decisão, porque transforma uma métrica abstrata em posição relativa.
Consultas ganhas e perdidas no período. Lista curta, com o que passou a ser citado no lugar quando houve perda.
Fontes que aparecem no seu lugar. Ranking dos domínios mais citados nas suas consultas prioritárias. É daí que sai a pauta de digital PR, porque mostra exatamente em quais publicações vale a pena estar. Conecta com menções de marca contra backlinks.
Cruzamento com Search Console e GA4. Impressões em recursos de IA e sessões de origem de IA, na mesma página, com a ressalva de que são sistemas diferentes.
Uma escolha que faço e recomendo: mande o alerta só quando algo muda de forma relevante, e o relatório completo uma vez por mês. Alerta semanal de métrica que oscila naturalmente treina as pessoas a ignorar alerta, e aí quando algo importante acontece ninguém olha.
Conclusão
Automação de SEO tem fama de ser sobre gerar conteúdo em escala, o que é justamente a aplicação que mais dá problema. O uso que realmente compensa é o oposto: coletar, comparar e avisar. Trabalho repetitivo, de baixo julgamento, que humano faz mal justamente porque é chato.
O fluxo de alerta técnico, sozinho, já pagou o esforço várias vezes em projetos que acompanho, sempre pelo mesmo motivo: alguém mexeu em algo e ninguém teria percebido antes do relatório mensal.
Se quiser montar isso na sua operação, é o que faço em automação de SEO, e a base de workflows está descrita em n8n para SEO.