Como a Softonic resolveu em 4 meses um problema de reputação na IA que se arrastava há uma década

Para quem é isto: equipas de marca, SEO e comunicação de empresas com uma longa história online, onde as respostas de IA ainda se apoiam em coisas que deixaram de ser verdade há anos.

Em resumo

A Softonic era sinalizada pelos modelos de IA como uma origem pouco segura para descarregar software, apesar de a empresa ter passado anos a depurar o catálogo e a reforçar os sinais de confiança. Nos quatro meses seguintes à adoção do LLM Pulse, identificou os prompts concretos que alimentavam essa perceção, construiu um plano de conteúdo e de relações públicas centrado neles e aumentou o sentimento positivo em 7 pontos percentuais nos prompts sem marca monitorizados.

Sobre a Softonic

A Softonic é uma das maiores plataformas de descoberta de software do mundo, com mais de 100 milhões de utilizadores por ano em mais de 20 idiomas. O seu catálogo abrange desde utilitários de código aberto até aplicações comerciais de produtividade, com análises editoriais e verificações de segurança por trás de cada ficha.

O problema: uma lacuna de sentimento na IA que não conseguiam ver

As ferramentas tradicionais de SEO e de monitorização de marca diziam à Softonic que estava tudo bem. O tráfego orgânico era saudável, as pesquisas de marca mantinham-se estáveis e os sites de avaliações apresentavam boas pontuações.

Então, a equipa começou a fazer verificações pontuais no ChatGPT, Perplexity e Gemini, e o panorama era muito diferente:

• "Is Softonic safe?" devolvia respostas cautelosas e com reservas em 3 de 5 modelos.
• Os prompts extensos sobre recomendações de software incluíam frequentemente advertências sobre problemas históricos de há uma década.
• Os concorrentes com catálogos mais pequenos eram recomendados à frente da Softonic em 47% dos prompts de comparação direta.

Precisavam de uma forma de quantificar essa lacuna, decidir o que corrigir primeiro e medir se as correções estavam a funcionar.

O que fizeram com o LLM Pulse

Passo 1: mapear os prompts que realmente importam

Com a Monitorização de prompts, a equipa configurou 450 prompts de elevada intenção em inglês e espanhol, os dois idiomas que concentram a maior parte do seu risco na pesquisa com IA. Cada prompt é executado semanalmente no ChatGPT, Perplexity, Gemini, Google AI Mode e Google AI Overviews.

Após o primeiro ciclo de execução, tinham uma lista ordenada dos prompts em que a Softonic tinha a visibilidade mais baixa, o sentimento mais negativo, ou ambos.

Passo 2: usar a análise de sentimento para encontrar a narrativa

A Análise de sentimento decompôs cada menção à Softonic em três elementos: a polaridade (positiva, neutra ou negativa), os temas por trás dela (segurança, anúncios, empacotamento de software, qualidade das aplicações) e as fontes que o modelo citava como evidência.

Foi aí que tudo encaixou. 78% do sentimento negativo vinha de discussões antigas em fóruns e de um único relatório de incidente de 2014 que os modelos de IA continuavam a recuperar através de citações desatualizadas.

Passo 3: agir sobre as citações e as recomendações de conteúdo

A partir daí, o plano escreveu-se sozinho:

• Ações de relações públicas e de contacto direto para atualizar as fontes citadas sempre que possível. Mais de 95% delas tinham mais de 10 anos.
• Reescrita do conteúdo das 22 páginas de maior impacto assinaladas pelas Recomendações de conteúdo, centrada na segurança, na transparência e nos sinais de confiança.
• Novas landing pages canónicas para as perguntas em que os modelos de IA não tinham nada atual para citar.
• GEO Testing para fazer testes A/B do layout e da colocação dos sinais de confiança.

Passo 4: medir todas as semanas

Todas as segundas-feiras, a equipa revê a visibilidade por grupo de prompts (Taxa de menções e AI Visibility Score), a evolução do sentimento de semana para semana, as novas citações conquistadas pelas páginas reescritas e o Share of Voice face aos seus quatro principais concorrentes.

Os resultados após quatro meses

A pontuação de sentimento líquido melhorou 7 pontos percentuais em quatro meses. Quem pergunta hoje a um modelo de IA pela Softonic obtém uma imagem da empresa tal como ela é hoje, em vez de uma moldada por um relatório de incidente com uma década. A equipa repete o mesmo ciclo todas as semanas e continua a trabalhar nisso.

"Compreender como os LLMs percecionam a nossa marca já não é opcional. É a próxima fronteira de uma estratégia de SEO moderna. O LLM Pulse dá-nos o conhecimento profundo de que precisamos para ver exatamente o que influencia a nossa visibilidade na IA. Transformou as nossas impressões num roteiro de passos concretos, garantindo que o nosso conteúdo é percecionado com exatidão em todos os principais modelos."

Ferran Gavin, Diretor de Catálogo e Tráfego, Softonic

Porque funcionou

• Cobertura multimodelo. A Softonic deixou de otimizar para um único modelo e começou a otimizar para a resposta que quer que os utilizadores recebam, seja qual for a IA a que se pergunte.
• Os prompts como unidade de trabalho. Em vez de um objetivo vago de "melhorar a perceção de marca", tinham uma lista fechada de prompts e um critério claro de conclusão para cada um.
• Sentimento e citações em conjunto. A polaridade, por si só, apenas teria confirmado que existia um problema. As citações disseram-lhes que fontes tinham de corrigir.

Aplique o mesmo método

Se a sua marca está online há uma década, é possível que os modelos de IA continuem a responder com fontes que deixou de reconhecer há anos. Comece um teste gratuito para ver que prompts e que fontes moldam hoje as suas respostas, ou fale connosco se preferir analisá-lo primeiro com alguém.