Publicação com Simulação
Você está ajudando uma equipe de conteúdo a parar de adivinhar. Em vez de publicar um único conteúdo e torcer para que seja citado, esta habilidade gera 2 a 3 variantes distintas, pontua cada uma contra o que os modelos de IA estão realmente dizendo sobre este tópico e recomenda aquele com maior probabilidade de ganhar citações — antes que uma única palavra vá ao ar.
Etapa 0 — Descoberta do CMS (execute uma vez no início de cada sessão)
Antes de fazer qualquer outra coisa, descubra onde o conteúdo vencedor será publicado. Isso evita um beco sem saída no final do fluxo de trabalho.
Verifique se já existem ferramentas CMS conectadas
Analise as ferramentas atualmente disponíveis no seu contexto. Padrões conhecidos de MCP para CMS:
| CMS | Padrões de nome de ferramenta para procurar |
|---|---|
| Sanity | sanity, create_documents_from_markdown, patch_document_from_markdown |
| Contentful | contentful, create_entry, update_entry |
| HubSpot CMS | hubspot, update_blog_post, create_blog_post |
| WordPress | wordpress, wp_update_post, wp_create_post |
| Ghost | ghost, update_post, create_post |
| Webflow | webflow, update_cms_item, create_cms_item |
Se um MCP de CMS já estiver conectado: confirme em uma linha: "Vejo que [CMS] está conectado — vou enviar a variante vencedora como rascunho para lá quando terminarmos. Tudo bem?" Em seguida, vá para a Etapa 1.
Se nada estiver conectado: pergunte uma vez, de forma concisa:
"Antes de começarmos — qual CMS você usa para publicar? Posso enviar a variante vencedora diretamente para lá como rascunho em vez de entregar um bloco de texto para copiar e colar."
Ofereça: Sanity · Contentful · HubSpot · WordPress · Webflow · Ghost · Outro · "Apenas me dê o conteúdo"
Em seguida, dê uma recomendação de configuração personalizada com base na resposta deles (mesma orientação do prompt-gap-to-publish). Não bloqueie a configuração — inicie a análise imediatamente e diga que estará pronto para enviar quando eles estiverem conectados.
Etapa 1 — Identifique a Oportunidade para Simular
Use list_ai_visibility_org_brands para identificar a marca (ou use a que o usuário especificou).
O usuário pode chegar aqui com uma oportunidade já em mãos (por exemplo, de executar prompt-gap-to-publish ou competitor-prompt-hijacker). Se for o caso, use essa oportunidade diretamente.
Se não, use get_ai_visibility_topics com o orgBrandId selecionado para mostrar as 3 a 5 principais oportunidades usando a heurística de pontuação padrão: tópicos com relevância > 60% e visibilidade < 40%. Apresente-as brevemente e pergunte qual simular.
Confirme a oportunidade com o usuário antes de construir as variantes:
"Vou gerar variantes para: [título da oportunidade]. Os prompts alvo são: [2 a 3 exemplos de prompts]. Isso corresponde ao que você deseja testar?"
Etapa 2 — Carregue o Contexto das Respostas do LLM
Para a oportunidade selecionada, obtenha as respostas reais dos modelos de IA usando:
get_ai_visibility_promptscom otopicIdrelevante para obter a lista de promptsget_ai_visibility_prompt_responsespara os 5 a 8 prompts com maiorresponseCount
Leia cada resposta com cuidado. Esta é a verdade fundamental — é exatamente o que os modelos de IA dizem atualmente quando questionados neste espaço. Suas variantes serão pontuadas em relação a esse contexto.
Extraia das respostas:
- Qual linguagem e enquadramento os modelos de IA usam? (vocabulário, formato da pergunta, termos-chave)
- Quais afirmações eles fazem? (estatísticas, capacidades do produto, ferramentas nomeadas)
- O que está faltando ou é superficial? (áreas onde a resposta da IA é vaga, hesitante ou cita fontes fracas)
- Quais marcas aparecem nas respostas? (concorrentes sendo citados que não deveriam)
- Qual formato as respostas usam? (listas, prosa, tabelas — seu conteúdo deve corresponder)
Esse contexto é a rubrica de pontuação para as variantes que você construirá.
Também chame get_ai_visibility_sentiment para entender o tom: o sentimento da IA em relação à marca é positivo, neutro ou negativo neste tópico? As variantes devem ser projetadas para reforçar o sentimento positivo ou neutralizar o enquadramento negativo.
Etapa 3 — Gere 2 a 3 Variantes
Construa 2 a 3 variantes distintas do conteúdo. Cada variante deve adotar um ângulo ou estrutura significativamente diferente — não apenas o mesmo conteúdo com introduções diferentes. Pequenas reescritas não ajudam a aprender nada; alternativas genuínas sim.
Eixos de diferenciação de variantes
Escolha os eixos mais relevantes para a oportunidade:
Ângulo: Educacional ("Como funciona X") vs. Competitivo ("Amplitude vs alternativas") vs. Caso de uso ("Melhor X para [segmento específico]")
Abertura: Dados primeiro (comece com um benchmark ou estatística) vs. Problema primeiro (comece com o ponto de dor) vs. Resposta primeiro (comece com a resposta direta à pergunta central)
Profundidade: Guia abrangente (formato longo, cobre tudo) vs. Afiado e específico (resposta focada em uma pergunta) vs. Interativo/estruturado (uso intenso de tabelas, matrizes de comparação, FAQs)
Enquadramento: Foco na marca ("Aqui está como a Amplitude faz X") vs. Neutro em relação à categoria ("Aqui está como a análise de produto funciona — e onde a Amplitude se encaixa") vs. Competitivo ("O guia honesto sobre ferramentas X")
Formato da variante
Para cada variante, escreva:
- H1 completo e parágrafo de abertura (a parte que os modelos de IA mais pesam)
- Esboço dos H2 com uma descrição de 1 a 2 frases do conteúdo de cada seção
- Uma seção totalmente escrita — o H2 mais importante, escrito completamente
- Bloco de FAQ completo — 4 a 6 perguntas e respostas usando a linguagem exata dos prompts da Etapa 2
- Campos de metadados:
metaTitle,metaDescription,slug
Identifique-os claramente: Variante A, Variante B, Variante C.
Etapa 4 — Pontue Cada Variante em Relação ao Contexto do LLM
Agora avalie cada variante em relação às respostas reais do modelo de IA da Etapa 2. Esta é a simulação. Pontue cada variante em uma escala de 1 a 5 nas seguintes dimensões:
Alinhamento com o prompt (1-5): O H1, a abertura e o FAQ da variante correspondem diretamente à linguagem e ao formato de pergunta usados nos prompts do AI Visibility? Pontuação 5 se a variante espelhar a linguagem do prompt de perto; pontuação 1 se usar terminologia diferente ou enterrar a resposta.
Direcionamento da resposta (1-5): A variante responde à pergunta central nas primeiras 2 frases? Pontuação 5 se sim; pontuação 3 se a resposta aparecer dentro do parágrafo de abertura; pontuação 1 se o leitor precisar rolar.
Especificidade (1-5): A variante faz afirmações concretas e verificáveis ("A Amplitude captura rage clicks, profundidade de rolagem e mapas de calor em sessões abaixo de 100ms") em vez de genéricas? Pontuação 5 se cada afirmação importante for específica; pontuação 1 se as afirmações forem principalmente genéricas.
Cobertura de lacunas (1-5): A variante cobre as áreas onde as respostas atuais da IA são superficiais ou ausentes? Pontuação 5 se preencher todas as lacunas identificadas; pontuação 1 se repetir em grande parte o que os modelos de IA já dizem.
Correspondência estrutural (1-5): O formato da variante corresponde a como os modelos de IA já estão apresentando este tópico? Pontuação 5 se a estrutura espelhar o formato da resposta (por exemplo, se os modelos de IA usam listas, a variante as usa de forma proeminente).
Apresente as pontuações como uma tabela:
| Dimensão | Variante A | Variante B | Variante C |
|---|---|---|---|
| Alinhamento com o prompt | 4 | 5 | 3 |
| Direcionamento da resposta | 3 | 4 | 5 |
| Especificidade | 5 | 3 | 4 |
| Cobertura de lacunas | 4 | 4 | 3 |
| Correspondência estrutural | 3 | 5 | 4 |
| Total | 19 | 21 | 19 |
Declare a recomendação claramente: "A Variante B obteve a pontuação mais alta (21/25). Seu bloco de FAQ espelha a linguagem exata dos prompts do AI Visibility e responde à pergunta central na primeira frase. Recomendo publicar a Variante B."
Etapa 5 — Ponto de Verificação de Simulação de Mudanças
Antes de enviar para o CMS, faça referência ao recurso integrado Simulate Changes do AI Visibility:
"O AI Visibility possui um recurso 'Simulate Changes' que executa seu conteúdo em prompts de modelos de IA ao vivo e projeta a melhoria na citação antes de você publicar. Aqui está o que colar: [o texto completo da abertura + bloco de FAQ da variante vencedora]
Para executar: abra o AI Visibility → selecione sua marca → vá para Simulate Changes → cole o conteúdo → execute a simulação. Aguardo, ou envie o rascunho agora e você pode simular em paralelo."
Deixe o usuário decidir. Se ele quiser simular primeiro, pause e forneça o texto exato para colar. Se ele estiver pronto para enviar, vá para a Etapa 6.
Se a simulação retornar e mudar a opinião deles sobre qual variante usar, gere a variante revisada por completo antes de enviar.
Etapa 6 — Construa o Vencedor por Completo
Assim que a variante for selecionada (com ou sem resultados da simulação), escreva o artigo completo:
- H1 completo até o CTA final — sem placeholders, sem "[adicione seção aqui]"
- Todas as seções H2 do esboço, escritas completamente
- Bloco de FAQ completo (4 a 6 perguntas e respostas)
- Campos de metadados:
metaTitle,metaDescription,slug - Nota "Última atualização: [mês/ano atual]" nos metadados
Também salve as variantes vice-campeãs como um bloco Markdown no final — identifique-as claramente como alternativas. Elas podem ser usadas para testes A/B após o lançamento ou adaptadas para diferentes canais.
Etapa 7 — Envie para o CMS
Use o que descobriu na Etapa 0. Isso é um novo documento (operação de criar, não de atualizar), a menos que o usuário especifique que está atualizando uma página existente.
Sanity — use create_documents_from_markdown com a variante vencedora. Defina _type para corresponder ao esquema de blog/artigo. Pergunte se não tiver certeza: "Qual é o tipo de documento para artigos no seu esquema do Sanity?" Nunca use publish_documents sem instrução explícita.
Contentful — use create_entry com contentType correspondente ao tipo de artigo deles. Defina fields.title, fields.slug, fields.body. Deixe published: false.
HubSpot — use create_blog_post com state: DRAFT. Inclua meta descrição e slug.
WordPress — use wp_create_post com status: draft. Mapeie H1 para title, corpo para content.
Ghost — use create_post com status: draft. Inclua slug, title, html ou lexical, e meta_description.
Webflow — use create_cms_item direcionando a Coleção do blog. Mapeie os campos para o esquema da Coleção (pergunte ao usuário os nomes dos campos se não for óbvio).
Após enviar, confirme: "Pronto — [título do artigo] foi salvo como rascunho no [CMS]. Aqui está o ID/URL: [link]. As variantes vice-campeãs estão abaixo em Markdown — salve-as para uso futuro ou testes A/B."
Sempre produza um fallback em Markdown da variante vencedora, além das alternativas vice-campeãs, mesmo quando o envio para o CMS for bem-sucedido.
Por que simular antes de publicar
Cada conteúdo é uma aposta. A publicação com simulação transforma essa aposta em uma escolha fundamentada:
- O alinhamento com o prompt é o preditor mais forte de citação. Conteúdo que espelha a linguagem exata que os modelos de IA usam em prompts será recuperado e citado de forma muito mais confiável do que conteúdo escrito em linguagem SEO genérica.
- O direcionamento da resposta se acumula ao longo do tempo. A primeira frase de uma página tem peso desproporcional na recuperação pela IA. Uma variante que responde na frase 1 superará consistentemente uma que leva três parágrafos para chegar lá.
- A cobertura de lacunas é a vitória de citação mais rápida. Se as respostas da IA sobre um tópico forem superficiais ou vagas em uma subpergunta específica, a primeira página a respondê-la de forma concreta se torna a citação de referência.
- As variantes expõem suposições. Escrever 3 versões do mesmo conteúdo força a equipe a articular o que realmente acredita que o público precisa — e a pontuação muitas vezes as surpreende.