Uma resposta com 30 fontes pode parecer mais confiável que outra com dez. O problema é que quantidade de citações, qualidade das fontes e suporte factual não são a mesma coisa.
ChatGPT, Claude, Gemini e Perplexity oferecem hoje recursos de pesquisa na web capazes de produzir respostas documentadas ou acompanhadas de fontes. Mas a presença de um link não funciona como selo de verificação. Um estudo publicado em maio de 2026 encontrou uma diferença importante: modelos de fronteira testados mantiveram mais de 94% de links válidos e mais de 80% de relevância temática, enquanto a taxa de afirmações efetivamente sustentadas pelas fontes ficou entre 39% e 77%.
Portanto, para trabalho verificável, a pergunta útil não é apenas “qual IA cita mais?”. É: a fonte citada sustenta exatamente a afirmação feita, é adequada para aquele fato e continua atual?
Há ainda uma limitação que precisa ficar explícita nesta comparação. Não foi executado aqui um experimento proprietário com 20 a 30 perguntas idênticas dentro das quatro interfaces comerciais. Os benchmarks disponíveis também não colocam as versões atuais de ChatGPT, Claude, Gemini e Perplexity, nas mesmas condições, em português brasileiro e na mesma data. Os números abaixo servem para identificar padrões e riscos, não para declarar um vencedor permanente.
O que cada ferramenta oferece hoje
As quatro plataformas chegaram à pesquisa profunda por caminhos diferentes.
O Deep Research do ChatGPT permite pesquisar a web pública, arquivos enviados e aplicativos conectados. O usuário pode revisar o plano antes da execução e, inclusive, restringir a pesquisa a sites específicos ou priorizar determinados domínios. O relatório final inclui citações ou links para as fontes e uma seção com as referências usadas.
O Research do Claude está disponível nos planos pagos e exige a busca na web ativada. Segundo a documentação da Anthropic, o sistema conduz múltiplas pesquisas que se encadeiam e pode combinar a web com contexto interno conectado, como Gmail, Google Calendar e Google Docs. As respostas de pesquisa são entregues com citações verificáveis pelo usuário.
No Gemini, o Deep Research usa o Google Search como fonte padrão, mas pode trabalhar também com Gmail, Drive, arquivos enviados e notebooks do NotebookLM. O serviço cria um plano de pesquisa editável antes da execução. A documentação atual informa que uma pesquisa costuma levar de cinco a dez minutos, podendo demorar mais em tarefas complexas.
O Research do Perplexity faz buscas iterativas, lê múltiplas fontes e gera um relatório. Usuários gratuitos têm acesso limitado, enquanto o Pro amplia esse uso. Em julho de 2026, a empresa atualizou o recurso para Advanced Deep Research, afirmando que ele passou a consultar mais fontes e fazer mais cruzamentos entre informações.
A comparação funcional fica mais clara lado a lado:
| Ferramenta | Característica útil para auditoria | O que a evidência externa mostra | Limite da comparação |
|---|---|---|---|
| ChatGPT | Plano editável, escolha de fontes e possibilidade de restringir ou priorizar sites. | No DeepResearch Bench, OpenAI Deep Research marcou 77,96% em Citation Accuracy e 40,79 citações efetivas na configuração testada. | O benchmark é um retrato de uma configuração anterior, não da interface atual em agosto de 2026. |
| Claude | Research faz buscas sucessivas e pode combinar web e contexto conectado. | Em outro estudo, Claude Opus 4.5 chegou a 76,8% no critério Fact Check; outros modelos Claude variaram. | O teste usou modelos em um agente padronizado com busca, não o produto Claude Research atual. |
| Gemini | Google Search por padrão, fontes selecionáveis e plano de pesquisa editável. | No DeepResearch Bench, Gemini 2.5 Pro Deep Research teve 81,44% em Citation Accuracy e 111,21 citações efetivas. | O grande volume de fontes não significa que cada afirmação esteja igualmente bem sustentada. |
| Perplexity | Produto orientado à pesquisa, com acesso limitado gratuito e Advanced Deep Research atualizado em 2026. | No DeepResearch Bench, Perplexity Deep Research obteve 90,24% em Citation Accuracy e 31,26 citações efetivas. | A versão atual do produto foi modificada depois da configuração avaliada pelo benchmark. |
Essa tabela não permite concluir que uma ferramenta é “97% confiável” ou que outra é objetivamente melhor. Até a definição das métricas muda entre estudos.
Muitas citações e citações corretas são problemas diferentes
O DeepResearch Bench é particularmente útil porque separa duas medidas. A primeira é Effective Citations, associada à quantidade de citações consideradas úteis. A segunda é Citation Accuracy, voltada à precisão da atribuição. O benchmark reuniu 100 tarefas de nível avançado, em 22 áreas, sendo 50 em inglês e 50 em chinês.
Na configuração avaliada, Gemini 2.5 Pro Deep Research produziu em média 111,21 citações efetivas, mais de três vezes o número registrado pelo Perplexity Deep Research, que ficou em 31,26. Mesmo assim, o Perplexity teve a maior Citation Accuracy entre os agentes de Deep Research daquela tabela: 90,24%, contra 81,44% do Gemini e 77,96% do OpenAI Deep Research.
Isso expõe um erro comum de avaliação: contar links.
Uma ferramenta pode trazer mais referências e cobrir mais pontos sem, necessariamente, fazer uma atribuição mais precisa em cada frase. A direção inversa também é possível: um relatório mais seletivo pode citar menos fontes, mas conectá-las melhor às afirmações.
O teste mais importante acontece depois de clicar na fonte
O trabalho “Cited but Not Verified”, publicado no arXiv em 7 de maio de 2026, avaliou 14 modelos em 130 consultas de pesquisa. Para cada citação, os autores separaram três perguntas: o link funciona? O conteúdo é relevante ao assunto? E a fonte realmente sustenta a afirmação associada a ela?
É na terceira pergunta que a aparência de confiabilidade começa a se desfazer.
Claude Opus 4.5, por exemplo, marcou 98,7% em links funcionais e 95,7% em relevância, mas 76,8% no Fact Check. GPT-5.4 chegou a 100% de links funcionais e 93,7% de relevância, porém 47,7% no Fact Check. Gemini 3.1 Pro registrou 94,1%, 80,7% e 48,5%, respectivamente.
Esses números não devem ser transferidos diretamente para ChatGPT Deep Research, Claude Research ou Gemini Deep Research. O estudo colocou os modelos em um agente com busca e regras próprias para geração de citações. Sua contribuição mais útil é metodológica: link válido e página relacionada ao assunto ainda não provam que aquela página confirme o dado atribuído a ela.
Esse é justamente o tipo de erro que passa despercebido numa revisão rápida. O leitor abre a referência, reconhece uma organização legítima, vê que o assunto é parecido e encerra a verificação. Para auditoria, é necessário localizar o trecho que sustenta o número, data, relação causal ou conclusão usada no relatório.
Pesquisar mais também pode piorar a síntese
Outro resultado merece atenção porque contraria a intuição de que mais pesquisa sempre melhora uma resposta.
No mesmo estudo, os pesquisadores aumentaram progressivamente o número máximo de chamadas de ferramentas para GPT-5.4 e Claude Opus 4.6, de duas até 150. Em média, a precisão no Fact Check caiu aproximadamente 42% entre as menores e maiores profundidades de busca, enquanto validade dos links e relevância permaneceram altas.
No GPT-5.4, o Fact Check foi de 78,6% com duas chamadas para 16,7% com 150. No Claude Opus 4.6, caiu de 80% para 57,9%. Os próprios autores tratam o resultado como evidência de um possível efeito de sobrecarga de informação durante a síntese.
Não significa que pesquisar pouco seja melhor. Significa que profundidade de coleta e precisão da síntese precisam ser medidas separadamente.
Uma ferramenta pode encontrar um excelente conjunto de documentos e ainda misturar números, contextos ou conclusões ao redigir o relatório final.
Qual ferramenta faz mais sentido em cada tipo de trabalho?
Sem um teste controlado das interfaces atuais, o critério mais defensável é escolher pelo fluxo necessário e depois verificar o resultado.
ChatGPT tem uma vantagem funcional quando o pesquisador precisa controlar previamente onde a busca deve ocorrer. A possibilidade de restringir a pesquisa a determinados sites ou priorizá-los é útil, por exemplo, para instruir o sistema a começar por órgãos públicos, documentação oficial, artigos científicos ou bases selecionadas.
Gemini ganha relevância em fluxos nos quais Google Search e documentos do ecossistema Google precisam fazer parte da mesma investigação. Gmail e Drive podem ser adicionados como fontes, além de arquivos e NotebookLM.
Claude oferece um fluxo de Research que cruza pesquisas sucessivas e pode consultar tanto a web quanto contexto interno conectado. Isso pode ser útil quando a pergunta depende simultaneamente de documentos da organização e evidência externa.
Perplexity mantém uma experiência especialmente centrada em busca e pesquisa. O Research está disponível de forma limitada para usuários gratuitos e ampliada no Pro; a atualização Advanced Deep Research de julho de 2026 acrescentou mais busca e cruzamento de fontes.
Isso é adequação de fluxo, não ranking de confiabilidade. Para afirmar que uma dessas opções sustenta melhor citações em português brasileiro hoje, seria necessário rodar um experimento próprio nas quatro interfaces.
Como fazer um teste de 24 perguntas em PT-BR sem favorecer uma plataforma
Um benchmark editorial útil não deve usar apenas perguntas fáceis com uma resposta conhecida. Uma amostra de 24 consultas pode ser distribuída entre seis tipos de tarefa: fatos atuais; localização de fontes primárias; síntese de múltiplas fontes; temas com fontes divergentes; assuntos brasileiros ou locais menos documentados; e perguntas em que a resposta correta exige reconhecer que uma fonte não confirma determinada alegação.
Depois disso, cada afirmação verificável deve ser auditada separadamente. O protocolo pode seguir esta sequência:
- Executar exatamente o mesmo prompt nas quatro ferramentas, registrando data, plano, modo de pesquisa e configurações.
- Salvar a resposta integral e o horário inicial e final.
- Separar as afirmações factuais verificáveis do texto.
- Identificar quais afirmações receberam citação e quais ficaram sem fonte.
- Abrir cada referência e verificar se o link funciona.
- Conferir se a página aborda o tema e, principalmente, se sustenta a afirmação específica.
- Classificar a fonte como primária, secundária ou apenas reprodutora de outra fonte.
- Conferir publicação ou atualização quando a data alterar a resposta.
- Registrar contradições ignoradas ou tratadas pela ferramenta.
- Medir tempo e custo real do teste, sem tentar converter limites de assinatura diferentes em uma falsa métrica única.
As métricas centrais seriam cobertura de citações, percentual de afirmações sustentadas, taxa de fontes primárias, links inacessíveis, atualidade, tratamento de contradições, latência e custo.
Também convém repetir uma parte das perguntas. Um estudo publicado em 6 de agosto de 2026 comparou condições de uso do ChatGPT em interface e API e realizou três execuções por prompt. Dentro daquele desenho experimental, respostas repetidas foram inconsistentes em até 21% dos prompts. O resultado não é um benchmark das quatro ferramentas, mas demonstra por que uma única execução pode ser insuficiente para avaliar sistemas probabilísticos.
Tempo e custo precisam entrar no teste, não ser presumidos
Os planos e limites mudam com frequência e nem sequer seguem a mesma estrutura comercial.
Em 9 de agosto de 2026, o ChatGPT Plus custa US$ 20 por mês e inclui Deep Research onde disponível. O Claude Pro custa US$ 20 no pagamento mensal, ou equivalente a US$ 17 mensais no plano anual, e inclui Research. Na página brasileira do Google One, o Google AI Pro aparece por R$ 96,99 por mês e inclui acesso ao Deep Research. O Research do Perplexity tem uso limitado no plano gratuito e acesso ampliado no Pro; a documentação da empresa informa preço inicial de US$ 20 mensais para o Pro.
Esses valores não tornam o custo por pesquisa diretamente comparável. Há diferenças de cotas, regiões, funcionalidades incluídas e políticas de uso. Para uma comparação editorial, o melhor é registrar quanto foi necessário pagar para executar o lote definido de perguntas e quantas tarefas puderam ser concluídas nas mesmas condições.
O tempo também deve ser cronometrado no experimento. O Google informa oficialmente uma faixa usual de cinco a dez minutos para relatórios do Gemini Deep Research. A Anthropic descreve o Research como um processo de minutos. Já a página atual do Perplexity contém duas estimativas conflitantes no mesmo parágrafo — “menos de três minutos” para a maioria das tarefas e “cerca de quatro a cinco minutos” para gerar uma resposta — o que é mais um motivo para medir a latência diretamente, em vez de usar a promessa comercial como resultado.
O critério final continua sendo a evidência
Os produtos avançaram bastante na apresentação das fontes. Hoje há planos editáveis, acompanhamento da pesquisa, integração com documentos internos, dezenas de buscas automáticas e relatórios extensos. Nada disso elimina a etapa de verificar a relação entre uma afirmação e sua referência.
A própria OpenAI reconhece, desde a apresentação do Deep Research, que o sistema pode alucinar fatos, fazer inferências incorretas e ter dificuldade para distinguir informação autoritativa de rumores.
Por isso, uma pesquisa gerada por IA deve ser tratada como uma investigação assistida com trilha de fontes, não como uma verificação concluída.
Para uma consulta exploratória, talvez seja suficiente ler o relatório e abrir os links decisivos. Para publicação jornalística, pesquisa acadêmica, decisões empresariais ou temas jurídicos, médicos e financeiros, a revisão precisa chegar à fonte original e testar cada afirmação material.
O melhor sistema para esse tipo de trabalho não será necessariamente o que encontrar mais páginas ou escrever o relatório mais longo. Será o que, naquela tarefa e configuração, deixar menos distância entre o que afirma e o que sua própria evidência realmente permite afirmar.
