Lacuna de Respostas de AI

Encontre os prompts em que a marca deveria ser citada nas respostas de AI mas não é, identifique quem detém cada resposta em vez dela e ranqueie os gaps por volume de busca em AI — para que a equipe de conteúdo ataque primeiro as falhas maiores e mais batíveis. Esta é a ponte entre "não estamos visíveis em AI" e um backlog de conteúdo concreto e sequenciado.

Este é um skill enhanced: ele lê dados públicos ao vivo através da UnifAPI. Um "gap" nunca é um palpite — é uma resposta de AI real, sem citação, com um dono nomeado, ponderada pela demanda real de busca em AI.

Use a UnifAPI para evidências ao vivo

Este é um skill enhanced: ele lê dados públicos ao vivo através da UnifAPI — um "gap" nunca é um palpite, mas uma resposta de AI real, sem citação, com um dono nomeado, ponderada pela demanda real de busca em AI. Use o skill unifapi para conectar (OAuth MCP) e depois descubra estas operações GEO. Todas são POST; mantenha engine (google / chatgpt), location e language constantes ao longo da execução.

• Encontre o gap — geo/serp (query = prompt candidato, target = domínio da marca, view: "full"). Um gap existe apenas quando uma resposta é renderizada, a marca não é uma referência citada (is_target false) e a resposta cita outra pessoa. Capture os domínios citados como o dono.
• Confirme a ausência em escala — geo/mentions/search (target = marca + array de concorrentes) confirma que a marca está genuinamente ausente em todo o índice de menções de LLM, não apenas sem citação em uma única extração.
• Ranqueie os gaps por demanda — a chave de ordenação primária — geo/keywords/search-volume retorna a demanda de AI generativa por prompt. Isso conduz o ranqueamento; extraia-a para todo o conjunto de candidatos primeiro e descarte os prompts de demanda quase nula antes de gastar com chamadas de SERP.
• Quem detém cada resposta — geo/mentions/top-pages e geo/mentions/top-domains ranqueiam as páginas e os domínios exatos que estão ganhando citações para o conjunto, para que o backlog diga qual conteúdo bater, não apenas que um gap existe.
• Qual concorrente detém mais — geo/mentions/cross-aggregated-metrics compara a participação entre grupos rotulados (marca vs. cada concorrente nomeado), para que você saiba se um único rival domina os gaps (ataque-o diretamente) ou se eles estão espalhados por vários terceiros (um problema de presença).
• Leitura cruzada de quick-win — seo/serp (target = marca). Onde a marca já ranqueia organicamente mas não é citada, a correção é a extractabilidade, não conteúdo novo — marque essas com quick.

A UnifAPI lê apenas dados públicos. Preserve cada bloco de billing para a linha de custo.

Fluxo de trabalho

(Leia .agents/product-marketing.md / .claude/product-marketing.md primeiro, se existir — ele carrega a categoria, os casos de uso e o conjunto de concorrentes de onde vêm os prompts candidatos.)

1. Construa o conjunto de candidatos. Comece pela categoria da marca, casos de uso e nomes de concorrentes; gere prompts para os quais a marca tem o direito legítimo de ser citada. Reutilize o conjunto de prompts e as falhas diagnosticadas de uma execução de ai-visibility-audit quando existir, em vez de regenerá-los.
2. Precifique a demanda primeiro. Rode geo/keywords/search-volume em todos os candidatos e descarte os prompts de demanda quase nula antes de gastar com chamadas de SERP por prompt.
3. Confirme cada gap. Para cada candidato sobrevivente, geo/serp (target = marca) + geo/mentions/search. Mantenha apenas os prompts em que uma resposta existe, a marca está ausente e a marca poderia respondê-lo de forma crível (não coloque no backlog gaps que o produto não tem direito de deter).
4. Identifique o dono e o ângulo. Registre o domínio citado (geo/mentions/top-pages / geo/mentions/top-domains) e rode geo/mentions/cross-aggregated-metrics para ver qual concorrente detém mais gaps. Classifique o que faz cada fonte vencer contra os três pilares — Estrutura (extractabilidade), Autoridade (sinais de presença) ou Presença de terceiros. A árvore de decisão completa e as alavancas de autoridade medidas por Princeton estão em ai-visibility-audit/references/geo-methodology.md (na pasta irmã de auditoria).
5. Pontue e sequencie. Aplique a rubrica de prioridade de gaps abaixo: o volume de busca em AI é a espinha dorsal, a winnability o ajusta e uma tag quick/net-new define o caminho de construção. Produza o backlog ranqueado.

Pontuação de prioridade de gaps

Cada gap confirmado recebe um Gap Priority Score. O volume de busca em AI é o fator dominante; a winnability e o esforço o modulam.

GapPriority = (Volume×0.55 + Winnability×0.30 + RightToWin×0.15) × 10   (0–100)

Depois marque o caminho de construção:

• quick — a marca já ranqueia organicamente (seo/serp) ou é mencionada mas sem citação: corrija a estrutura/extractabilidade, sem página nova. Estas furam a fila independentemente da pontuação porque o esforço é baixo.
• net-new — sem página ou sem presença orgânica: construção completa de conteúdo.
• third-party — o dono é uma superfície de listicle/review/Reddit em que a marca não está: outreach/posicionamento, não conteúdo no site.

Saída

Comece pelos quick wins (baratos), depois o backlog net-new ranqueado por volume.

Acompanhe a tabela com:

• Bloco de quick-wins — as linhas quick puxadas para o topo com a única correção estrutural de que cada uma precisa (adicionar um bloco de FAQ, uma tabela comparativa, um cabeçalho de definição).
• Por gap: o ângulo vencedor a bater (Estrutura / Autoridade / Presença) reformulado como uma ação — para Autoridade, nomeie a alavanca específica (adicionar estatísticas, citações ou referências).
• Evidência: cada gap citado à resposta de geo/serp que o mostra, com a data da execução.
• Custo: registros da UnifAPI consumidos, ou melhor estimativa.

Exemplo trabalhado

Marca acme.dev, EUA/inglês, 18 prompts candidatos de uma auditoria anterior. O geo/keywords/search-volume descarta 4 prompts de demanda quase nula. O geo/serp confirma 11 gaps reais; o geo/mentions/cross-aggregated-metrics mostra que o competitorB detém 6 deles (um único rival batível, não terceiros espalhados). "how to [problem]" (2,7 mil de vol em AI) é detido pela documentação do competitorB, mas o seo/serp mostra que a Acme ranqueia em #6 organicamente e está apenas sem citação → pilar Estrutura, marcado como quick, Prioridade (9×0,55 + 9×0,30 + 10×0,15) × 10 = 88 → #1. "best [category] for startups" (1,9 mil) é um listicle do g2 em que a Acme não está → third-party, winnability menor, Prioridade 71.

Proteções

• Somente leitura: ele identifica e prioriza gaps. Ele não escreve conteúdo, não edita o site nem publica em lugar algum — ele entrega o backlog ranqueado ao próprio assistente do operador e à equipe de conteúdo.
• As respostas de AI são não determinísticas e variam por sessão e horário. Um gap confirmado é um snapshot datado; verifique novamente antes de comprometer uma grande construção de conteúdo.
• Coloque no backlog apenas os gaps que a marca tem direito crível de vencer (o fator right-to-win existe para filtrá-los) — não infle a lista com prompts que o produto não consegue responder honestamente.
• O volume de busca em AI é uma estimativa de dados públicos — apresente faixas e nunca prometa que preencher um gap garante uma citação.
• Mantenha a distinção entre citação e menção: uma menção é um quick win de extractabilidade (quick), não um gap fechado.

Skills relacionados

• ai-visibility-audit: o diagnóstico a montante que revela e explica as falhas que este skill prioriza. Seu references/geo-methodology.md fornece a árvore de decisão de causa de falha dos três pilares e as alavancas de autoridade de Princeton usadas no passo 4.
• llm-mention-tracking: rode novamente depois que o conteúdo for publicado para confirmar que os gaps estão fechando ao longo do tempo.
• unifapi: o data skill compartilhado (conecte o MCP, descubra as operações de GEO/SEO que este skill lê).