Estudo de Visibilidade em IA para Restaurantes 2026: 551 Respostas do ChatGPT, Gemini e Perplexity

Perguntamos 551 vezes ao ChatGPT, ao Gemini e ao Perplexity onde comer, em doze cidades dos Estados Unidos, do jeito que cliente digita: melhor pizza, melhor brunch, um lugar para levar um cliente. Cada pergunta duas vezes, porque a resposta muda. A meta era descobrir o que faz um restaurante ser citado quando a resposta inteira é um punhado de nomes. Os dados são americanos; o mecanismo não tem passaporte, porque os três motores são o mesmo produto aqui e lá, e fazem a mesma coisa antes de responder: buscam na web na hora e resumem o que acharam. O que voltou parece menos um ranking e mais um caça-níquel com boa memória. As alavancas que movem esse caça-níquel não são as que o marketing de restaurante costuma citar.

TL;DR: O que 551 respostas mostraram sobre visibilidade em IA para restaurantes

• A mesma pergunta, feita duas vezes, devolve uma lista diferente. As duas respostas coincidiram em 46,7% das vezes.
• Os três motores são três canais separados. Só 4,8% dos nomes entraram nas três listas.
• O Reddit é a fonte mais lida com folga. Foi citado em 58% de todas as respostas.
• Três em cada quatro respostas do ChatGPT traziam anúncio. Gemini e Perplexity não traziam nenhum.
• Perfil completo não separa ninguém. Tanto os mais citados quanto os citados uma única vez tinham um, com 97%.
• Foto é o que realmente separa. Os mais citados tinham quase quatro vezes mais que os citados uma única vez.

A visibilidade em IA de um restaurante é a frequência com que um motor o cita quando alguém pergunta onde comer, medida como taxa ao longo de perguntas repetidas, e não como sim ou não. Essa definição faz trabalho de verdade aqui. Consultado uma vez, um restaurante aparece ou não aparece. Esse resultado não diz quase nada. Consultado vinte vezes em três motores, surge um número que dá para acompanhar, comparar entre unidades e mexer. Uma resposta isolada é o tempo. A taxa é o clima.

As oito perguntas que o cliente realmente faz

Cada pergunta abaixo foi feita ao ChatGPT, ao Gemini e ao Perplexity, nas doze cidades, duas vezes cada. Elas estão escritas do jeito que um cliente digita, não do jeito que um profissional de marketing busca, e foram escolhidas para cobrir a faixa de ocasião e de preço onde restaurante disputa de verdade.

No estudo elas foram feitas em inglês, nas cidades americanas. Mais adiante você encontra a versão em português para rodar na sua praça.

As duas últimas pesam mais do que parecem. As perguntas de um a seis puxam quase inteiramente para casas autorais e independentes, que não é onde a maioria das redes opera. Comer bem e barato e comer de madrugada são a faixa em que marcas com várias unidades aparecem, e foi ali que saíram as respostas mais estranhas do estudo.

Por que a IA cita restaurantes diferentes a cada vez?

Faça a mesma pergunta gastronômica duas vezes a um motor e voltam duas listas parecidas, mas diferentes. Nos 269 pares repetidos, as duas respostas dividiram em média 46,7% dos nomes.

Isto não é relatório de bug. Esses motores não guardam uma tabela de classificação de restaurantes do jeito que um índice de busca guarda posição de página. Cada pergunta manda o motor à feira de novo, e o que tinha de fresco naquele dia acaba na resposta. A sacola do Gemini foi a que mais mudou. ChatGPT e Perplexity foram mais estáveis, o Perplexity em parte porque citar pouca gente facilita concordar consigo mesmo.

Para quem opera, a consequência é prática e um pouco irritante. Conferir visibilidade em IA uma vez não diz nada. Uma ausência pode ser problema real ou pode ser que alguém perguntou numa terça-feira. Taxa de aparição em uma dúzia de perguntas é o único número que vale anotar.

ChatGPT, Gemini e Perplexity recomendam os mesmos restaurantes?

A sobreposição entre motores é muito menor do que a maioria dos planos de marketing supõe. Contando só as combinações em que os três motores responderam à mesma pergunta sobre a mesma cidade, eles citaram 2.158 nomes no total e concordaram em 103. São 4,8%, menos de um nome em cada vinte. Os três motores concordam do jeito que críticos de gastronomia concordam: em que comida existe, e pouco mais.

Aos pares, o quadro se mantém. ChatGPT e Gemini dividiram cerca de um quinto dos nomes; com o Perplexity a sobreposição caiu para perto de um décimo. Seja lá para onde esses sistemas estejam convergindo, não é um para o outro.

Eles também se comportam de forma diferente dentro da resposta. O ChatGPT cita uns dez restaurantes e os organiza por ocasião, como um concierge com uma lista plastificada. O Gemini escreve coluna de revista, um número parecido de nomes com bairro e currículo do chef anexados. O Perplexity é aquele amigo que responde “onde a gente come” mandando três reportagens: em um quarto das respostas ele se recusou a escolher, descrevendo quais publicações mantêm listas em vez de escolher dentro delas. Vinte e três vezes não citou absolutamente ninguém.

Ou seja, “estamos visíveis na IA” é a pergunta errada. São três respostas, e elas só se conhecem de longe.

O que os restaurantes mais citados pela IA têm em comum

Saber quais restaurantes são citados não diz nada sobre o motivo. Então os 36 restaurantes mais citados nas doze cidades foram analisados contra 34 citados uma única vez nas mesmas cidades, usando os dados do perfil deles no Google.

O grupo de controle importa aqui. Não são restaurantes que ninguém conhece. São casas reais, nos mesmos mercados, que pelo menos um motor citou, uma vez. O confronto é campeão contra vice, não campeão contra a lista telefônica. Isso deixa a comparação mais difícil de ganhar, e significa que o que ainda separa os dois grupos está fazendo trabalho de verdade.

• Fotos no perfil

  3.979

  1.044

  Cada foto é um cliente ou um operador somando prova. A maior diferença do estudo.

• Avaliações no Google

  2.559

  1.178

  O volume funciona como piso, não como fator de ranking. Quase metade dos pouco citados está abaixo de mil.

• Nota média

  4,6

  4,5

  Praticamente igual. Acima de mais ou menos 4,4 o número para de carregar informação.

• Atributos preenchidos

  50

  47

  Os dois grupos preenchem quase tudo. Isto é taxa de entrada, não vantagem.

• Link de reserva no perfil

  67%

  47%

  Vinte pontos de diferença. Ser reservável anda junto com ser recomendado.

• Link de cardápio no perfil

  86%

  76%

  Diferença menor, mesma direção: os motores preferem um lugar que conseguem descrever em concreto.

• Perfil reivindicado

  97%

  97%

  Idêntico. Reivindicar o perfil não te distingue de ninguém; não reivindicar só te tira da disputa.

• Abaixo de 1.000 avaliações ↓

  11%

  47%

  A divisão mais limpa de toda a comparação.

O resultado não é o que o manual costuma prever.

Completude é taxa de entrada, não vantagem: perfil reivindicado ficou em 97% nos dois grupos. Em descrição, horário, site e atributos, os dois grupos ficam a poucos pontos um do outro, todos perto do teto. Cada restaurante desta amostra já tinha feito a higiene do perfil, e metade deles mesmo assim foi citada uma única vez em 551 respostas. O conselho de “complete seu Perfil da Empresa no Google” descreve o preço do ingresso, não o assento.

A prova acumulada é a vantagem, e foto carrega mais dela do que avaliação. Os restaurantes mais citados tinham mediana de 3.979 fotos no perfil; os citados uma vez tinham cerca de mil. As avaliações mostraram a mesma inclinação, pela metade. Quatro mil fotos são quatro mil pequenos depoimentos sobre o salão, os pratos e quem come ali, e nenhum calendário de marketing produziu isso. Os clientes produziram.

A nota média, número que muito dono confere mais do que a própria pressão, quase não fez diferença: os dois grupos ficaram separados por um décimo de ponto. Quase nenhuma no topo da escala, vale dizer, porque os dois grupos já estavam na casa dos 4,5. A nota funciona como o segurança da porta: decide quem entra, e lá dentro ninguém pede documento de novo. A MyPlace registrou o mesmo formato em fevereiro de 2026. Os restaurantes que ela viu recomendados tinham mais que o triplo de avaliações dos ignorados, e passadas mais ou menos 4,4 estrelas a nota parou de separar qualquer um. Vale como segunda leitura, não como confirmação, já que a MyPlace vende software de relacionamento com o cliente e tem interesse em volume de avaliação importar. Duas medições apontando na mesma direção ainda vale alguma coisa. Não é prova.

A divisão mais limpa de toda a comparação foi o volume de avaliações. Entre os restaurantes mais citados, 11% estavam abaixo de mil. Entre os citados uma vez, 47% estavam. Então volume é piso a vencer, não pontuação a maximizar, e acima desse piso está a economia das 4,5 estrelas, onde as redes de restaurante realmente disputam.

De onde vêm as recomendações de restaurante da IA?

Nas 551 respostas foram citados 1.113 domínios diferentes. A concentração no topo é a parte acionável.

Cada motor tem um hábito de leitura próprio, forte o bastante para planejar em cima. O Gemini citou o Reddit em três quartos das respostas. O Perplexity leu o Tripadvisor em 86% das suas, com o The Infatuation como crítico favorito. O ChatGPT se espalhou mais, citando imprensa local e puxando detalhe operacional de plataformas nos bastidores.

Esse último ponto merece uma pausa. Quando o ChatGPT citava um restaurante, ele grampeava dados estruturados de negócio ao nome, e três vezes em cada quatro esses dados vinham do Yelp, com OpenTable e Resy atrás. Ou seja, a lista editorial decide quem é mencionado, enquanto as plataformas de reserva e avaliação decidem o que a resposta sabe: horário, cardápio, se aparece link de reserva.

Quase nada disso é o site do próprio restaurante. Uma página de unidade pode ser a melhor do mercado e continuar fora da conversa, uma mesa posta com capricho numa sala onde os motores de IA quase não entram, porque a resposta está sendo montada com um tópico de fórum sobre pizza e uma lista de julho.

A lista de sites muda quando você troca de país; o formato dos sites, não. No Brasil o papel do Reddit é dividido entre grupos, fóruns e comentários onde se discute comida da cidade, o do Time Out cabe aos guias e perfis locais que publicam lista de melhores, e o do OpenTable cabe às plataformas de reserva e pedido que a sua praça usa. Descubra quais são as suas rodando as perguntas e anotando o que o motor cita.

Quando a IA recomenda redes, e a pergunta em que ela nunca recomenda

Marcas com várias unidades apareceram, mas não de forma uniforme, e o padrão é nítido o suficiente para planejar em cima. Nos 4.312 nomes, redes reconhecíveis responderam por 2,1%. Aberta por pergunta, essa média esconde a história real.

Nenhuma unidade de rede apareceu nos 490 nomes da pergunta sobre jantar com cliente, em nenhuma cidade, em nenhum motor. Os motores tratam rede como resposta a um problema de logística, alimentar criança, comer barato ou achar algo aberto tarde, e nunca como resposta a uma ocasião. Para um grupo que opera uma marca premium dentro de um portfólio, essa é a restrição a enfrentar.

A ponta barata também produziu os resultados mais esquisitos do estudo. Frios de mercado e a praça de alimentação de um clube de atacado apareceram como recomendação, sempre nas perguntas de comer barato ou de madrugada, nunca em outro lugar. Sete vezes em 4.312 nomes, a resposta de um motor para “onde eu como” foi, na prática, um supermercado.

Quando a IA recomenda um restaurante que não existe mais

Analisar os 72 restaurantes trouxe à tona algo que o texto da resposta jamais revelaria. Dois foram recomendados para Dallas, onde a unidade em questão já havia fechado: a Pizzeria Testa, cujo restaurante da Greenville Avenue encerrou em 2025, e o Baker’s Ribs, cujo endereço recomendado não aparece mais na página de unidades da própria empresa. As duas marcas seguem operando na região, de outro endereço. As fichas sobreviveram aos salões, e os motores continuaram mandando gente jantar lá.

Os dois também vieram do grupo citado uma única vez, o que é um alívio moderado: as escolhas confiantes e repetidas dos motores se sustentaram. E localiza a falha com precisão. A cauda de uma resposta de IA, o quarto e o quinto nome, é onde a exatidão se perde, e o cliente não tem como saber que está lendo a cauda.

Em quarenta unidades, isso é um problema de operação vestido de checklist. A Pluspoint é uma plataforma de reputação e marketing local para marcas com várias unidades, que reúne cadastros, avaliações, mensagens de clientes e posts sociais de cada endereço em um lugar só. A sobreposição com este estudo não é coincidência de marketing. São os mesmos registros que um motor lê quando decide quem citar.

O ChatGPT já vende anúncio dentro da recomendação de restaurante

Das 189 respostas do ChatGPT, 141 traziam um espaço patrocinado ao lado das recomendações orgânicas. Três em cada quatro. Gemini e Perplexity não mostraram nenhum.

Os anunciantes eram uma turma estranha. DoorDash liderou com 39 inserções, e a Domino’s pelo menos tem a ver com jantar. Daí piora: Hilton, sites de reserva de hotel, um marketplace de passeios, um serviço de limusine, um software de contabilidade, uma empresa que vende mala e camisa de linho. O que software de contabilidade faz ao lado de uma recomendação de jantar é um mistério. Várias respostas traziam dois ou três anúncios ao mesmo tempo.

Os anúncios eram identificados, e não há nada escondido neles. O que importa é a direção da coisa. A busca levou mais ou menos uma década para ir de resultado limpo a uma tela cujo topo é comprado. As respostas de IA estão rodando a versão comprimida disso, e a resposta tem a largura de um slot. A recomendação orgânica vale a pena construir agora, enquanto ela ainda é quase toda a resposta.

Quanto mais específica a pergunta, mais curta a lista

Faça a pergunta mais simples e você recebe a lista mais longa: “melhores restaurantes em [cidade]” devolveu cerca de dez nomes. Cada pergunta mais específica devolveu de seis a oito.

Isso contraria o conselho de sempre sobre perseguir cauda longa. Na busca clássica uma consulta específica é mais fácil de ganhar, porque menos páginas miram nela. Numa resposta de IA uma consulta específica é mais difícil de aparecer, porque a lista é mais curta e o motor quer prova de que aquele restaurante atende à condição. Às vezes ele não acha nenhuma. Ninguém é recomendado para jantar em família porque o campo de categoria diz “restaurante”. É recomendado porque uma avaliação conta que o garçom trouxe giz de cera sem ninguém pedir.

O dinheiro, sem graça nenhuma, está nas perguntas específicas. Jantar com cliente é mesa para seis numa quinta-feira, reservada por alguém que não vai pesquisar preço, e é exatamente a pergunta em que o motor devolve quatro nomes em vez de doze. Quatro nomes. Um deles pode ser o seu.

Como fazer seu restaurante ser recomendado pela IA: quatro passos

Tire as doze cidades e os três motores, e o estudo diz uma coisa. A IA recomenda os restaurantes sobre os quais outras pessoas já escreveram, fotografaram e discutiram, filtrados pelas plataformas em que cada motor confia. Os campos de cadastro que você controla se revelaram taxa de entrada, e a ordem depois da porta é definida pela prova que outras pessoas deixam: avaliação, foto, tópico, lista.

É um funil brutal. Milhares de restaurantes operam em cada um desses mercados, algumas dezenas entraram nas respostas, e quase metade de todo mundo citado foi citado uma única vez, para nunca mais voltar. Ninguém compra lugar nessa lista. Os assentos vão para o punhado de casas que a web insiste em trazer sozinha. Não existe atalho aí, o que é também o que torna o assento defensável depois que o trabalho paciente e sem glamour está feito.

1. 1

   2 de 72 recomendações analisadas apontavam para uma unidade que já havia fechado.

   O que fazer Arrume o cadastro. Corrija cada ficha em cada plataforma e comece caçando unidades fechadas e duplicadas.

2. 2

   3,8× de diferença em fotos entre os restaurantes mais citados e os citados uma única vez.

   O que fazer Acumule prova. Peça uma foto junto de cada pedido de avaliação e leve cada unidade acima de mil avaliações.

3. 3

   58% das respostas citaram o Reddit. Tripadvisor e listas de melhores da cidade responderam por quase todo o resto.

   O que fazer Trabalhe as páginas que não são suas. Trate Tripadvisor, plataformas de reserva e a imprensa gastronômica local como canais.

4. 4

   46,7% de concordância quando o mesmo motor recebeu a mesma pergunta duas vezes.

   O que fazer Meça a taxa. Rode as oito perguntas todo mês em cada motor e conte aparições, não prints.

Com base em 551 respostas registradas no ChatGPT, no Gemini e no Perplexity em doze cidades dos EUA, de 30 de julho a 3 de agosto de 2026.

Quatro passos, nesta ordem.

1. Deixe cada registro em ordem, inclusive os mortos

Cada unidade precisa de ficha reivindicada e correta no Google, no Tripadvisor e na plataforma de reserva ou pedido que a praça usa. Não porque esses sites mandam tráfego, cada vez mandam menos, mas porque são o que os motores citam. Uma unidade que falta no Tripadvisor está quase invisível para o Perplexity, que o leu em seis de cada sete respostas.

Exatidão tem um lado mais afiado do que a maioria das auditorias supõe. Este estudo pegou motores recomendando unidades fechadas, então registro velho é pior que registro faltando: é resposta errada entregue a um cliente com o seu nome nela. Varra unidades mortas, endereços que mudaram e fichas duplicadas primeiro, em todas as plataformas, não só no Google. Fazer isso na mão, plataforma por plataforma, é onde o checklist vira sistema: a Pluspoint mantém um cadastro por unidade e distribui as mudanças, então um endereço corrigido chega a todo lugar e não a um painel só. Depois mantenha a visão honesta do que isso compra. Tira os motivos para te deixarem de fora. Não fornece um motivo para te escolherem.

2. Aumente a pilha de prova, foto na frente

Volume de avaliação importa até um piso, e esse piso parece ficar perto de mil. Passado ele, a contagem para de separar qualquer um, e a nota para de trabalhar a seu favor em torno de 4,5. Foto importa mais do que o setor age como se importasse; foi a maior diferença de toda a comparação. Então acople um pedido de foto a cada pedido de avaliação que você já dispara, e sirva algo que valha a foto, porque prato fotogênico é marketing que roda sozinho.

As palavras importam tanto quanto a contagem. Para um motor afirmar que um lugar é “bom para ir com criança”, precisa existir uma frase em algum lugar dizendo isso, o que significa que avaliação citando o prato, a ocasião e o salão é a matéria-prima de toda recomendação. Pergunte ao cliente sobre a visita, não só estrelas.

3. Trabalhe as páginas que não são suas

O hábito de leitura de cada motor é um canal. O Perplexity trata o Tripadvisor como escritura. O Gemini mora no Reddit. O ChatGPT cita imprensa local e puxa os fatos operacionais das plataformas, então cardápio desatualizado lá vira resposta desatualizada. Trate quem publica lista de melhores na sua cidade, do guia grande ao perfil que todo mundo segue, como imprensa, porque essas listas decidem quem chega a ser mencionado.

Fórum merece uma frase de cuidado à parte. Você não compra um tópico, e o jeito mais rápido de ser citado em um pelos motivos errados é ser pego plantando elogio. Fórum sente cheiro de assessoria de imprensa através da tela. Apareça como dono, responda pergunta, conserte o que reclamam, e deixe os frequentadores discutirem por você. A mesma lógica que rege aparecer mais no ChatGPT rege a pilha inteira: o motor acredita na web, então mude a web.

4. Acompanhe a taxa, não o print

Rode um conjunto fixo de perguntas por praça, por motor, com periodicidade, e registre com que frequência cada unidade é citada. Duas vezes por pergunta, no mínimo, porque resposta isolada é cara ou coroa. Acompanhe a taxa ao longo dos meses, com a mesma disciplina que tornou o monitoramento de posição útil vinte anos atrás. E anote quais fontes cada resposta cita, porque essa lista mostra para onde vai o esforço do mês seguinte.

Aqui está o conjunto de perguntas do estudo, em português. Troque a cidade e rode.

Os mesmos quatro passos, quebrados em pedaços que um time consegue de fato marcar:

Rodar as perguntas todo mês, por praça, é a metade de medir. A outra metade é ter o que mudar quando os números voltam: cadastros que continuam certos em cada plataforma, pedidos de avaliação e de foto que realmente saem, e um registro do que o cliente disse. É esse o trabalho que a Pluspoint faz para marcas com várias unidades, e a comparação de plataformas de experiência do cliente para restaurantes cobre como as ferramentas diferem para quem está avaliando opções.

Perguntas frequentes

Como o estudo foi feito

Doze cidades, escolhidas por volume medido de prompt em IA e não por população: Nova York, Chicago, Houston, Las Vegas, Nashville, Charlotte, Seattle, Los Angeles, Dallas, Miami, Boston e Atlanta. San Francisco era a próxima candidata e foi excluída pela mesma regra.

As oito perguntas estão listadas na íntegra perto do começo, e foram feitas em inglês. Três motores (ChatGPT, Gemini e Perplexity), cada um com busca na web ativa, acessados pelos endpoints de IA da DataForSEO entre 30 de julho e 3 de agosto de 2026. Cada pergunta foi feita duas vezes para medir repetibilidade.

O plano previa 576 respostas e produziu 551. Por motor: ChatGPT 189, Perplexity 192, Gemini 170. O déficit do Gemini está em Boston e Atlanta, onde o endpoint recusou de forma intermitente o parâmetro de busca na web. Coletar sem ele misturaria respostas de memória, sem base na web, a dados com base, então essas células estão ausentes em vez de erradas. Catorze chamadas com falha foram descartadas em vez de contadas como resposta vazia, porque contar falha como “a IA não citou ninguém” inventaria um achado. Toda comparação entre motores é calculada só nas células em que os três responderam, então as contagens desiguais não distorcem nada.

Para cada resposta registramos os restaurantes citados e a ordem deles, cada domínio de fonte citado, se a resposta trazia anúncio e o texto integral. Os nomes foram normalizados dentro de cada cidade, de modo que “Pequod’s” e “Pequod’s Pizza” contam uma vez, enquanto Nobu Houston e Nobu Las Vegas seguem separados. Sobram 4.312 vagas de nome em 1.917 restaurantes diferentes. Lugares mencionados como contexto, e não oferecidos como opção para comer, ficaram de fora.

Para a comparação dos vencedores, os três restaurantes mais citados de cada cidade foram analisados contra três citados uma única vez na mesma cidade, usando dados de perfil do Google consultados em 4 de agosto de 2026. Dois não puderam ser associados a nenhuma ficha e saíram de todos os números. Outros dois pareceram fechados à primeira vista e, conferidos de novo, estavam operando, então ficha faltando nunca foi lida como restaurante fechado. Três campos coletados na análise foram descartados como inutilizáveis: a faixa de preço do Google não acompanha preço, a contagem estruturada de itens de cardápio mede o que o Google absorveu e não o tamanho do cardápio, e a contagem de temas de avaliação é limitada a dez.

O que este estudo não mostra

Ele mede respostas de API, não o aplicativo de consumidor logado. Um cliente de verdade traz localização, histórico de conversa e um perfil personalizado, e tudo isso muda a resposta.

É um retrato de uma semana, e esses sistemas mudam todo mês. Mede se um restaurante é citado, não se alguém depois reservou; atribuir uma mesa a uma resposta de IA segue basicamente sem solução.

A comparação dos vencedores se apoia em 70 restaurantes. Isso sustenta uma direção e uma mediana, não um teste de significância, e nada acima deve ser lido como tal. Também mostra apenas correlação: restaurantes com mais fotos são citados com mais frequência, e este estudo não consegue dizer se as fotos causaram isso ou se as duas coisas vêm de ser popular. A leitura honesta é que ser escrito, fotografado e avaliado em volume é o que os motores conseguem enxergar, seja lá o que tenha produzido isso.

Esses limites merecem ser ditos com todas as letras, porque os achados úteis sobrevivem a todos eles. A resposta é instável. Os motores discordam entre si. O que eles leem, em boa parte, não é seu. E os campos de cadastro em que o marketing de restaurante mais se concentra se revelaram a única coisa que não separou ninguém de ninguém.