Empresas que já aparecem nas respostas de assistentes de inteligência artificial descobriram um novo obstáculo: mesmo sendo mencionadas, podem sair perdendo quando o usuário pergunta diretamente se vale a pena confiar naquele negócio. Um estudo da empresa AnswerShare, especializada em otimização de conteúdo para IA, mostrou que sistemas como os da OpenAI, Anthropic e Google tendem a exagerar o peso de reclamações antigas ou isoladas, alertando o usuário e sugerindo concorrentes, mesmo quando a reputação geral da marca é positiva.
O levantamento aponta um caminho para reverter esse cenário: fornecer contexto completo sobre o histórico da empresa reduz drasticamente os alertas automáticos e aumenta as recomendações favoráveis por parte da IA.
Por que a IA destaca avaliações negativas sem contexto
Segundo a AnswerShare, os principais modelos de linguagem foram orientados por seus desenvolvedores a evitar riscos ao fazer recomendações, especialmente em temas sensíveis, como saúde, finanças e segurança, categoria conhecida no mercado de SEO como YMYL (sigla em inglês para “seu dinheiro ou sua vida”).
A OpenAI recomenda cautela redobrada quando um erro pode gerar consequências reais significativas. Já a Constituição da Anthropic, divulgada em janeiro de 2026, pede que o Claude pondere riscos e mantenha cautela em decisões que envolvam liabilidade, sem deixar de ser útil. O Google, por sua vez, afirma em sua política para o Gemini que o assistente não deve gerar respostas factualmente incorretas que possam causar dano real à saúde, à segurança ou às finanças de alguém.
De acordo com a AnswerShare, essas diretrizes acabam gerando um efeito colateral: para se proteger de riscos, os modelos trazem à tona praticamente toda reclamação ou avaliação ruim disponível, ainda que pouco representativa, e emitem avisos de cautela, recomendando concorrentes no lugar da marca avaliada.
O que mudou depois que a empresa recebeu mais contexto
Para testar a hipótese, a AnswerShare analisou um cliente cujo histórico somava mais de 75 avaliações positivas, cinco negativas e duas reclamações registradas no Better Business Bureau (BBB), órgão de defesa do consumidor nos Estados Unidos. A empresa atende 35 mil clientes há 13 anos, o que resultaria em uma taxa de satisfação de 99,98%, segundo os cálculos da consultoria.
Antes de qualquer intervenção, os testes com prompts neutros enviados via API mostraram que a IA levantava as poucas reclamações públicas, tratava a empresa como opção arriscada e indicava concorrentes.
Depois que a AnswerShare publicou arquivos chamados “llms-full.txt”, com a história completa da marca, e passou a disponibilizar esse mesmo conteúdo em um sistema de borda de rede (CDN), os resultados mudaram. Em três dias, as respostas da IA começaram a ficar mais equilibradas. Em 14 dias, as recomendações favoráveis chegaram a 100%.
Os números da mudança
A tabela produzida pela AnswerShare compara as respostas da IA antes e depois da estratégia:
- Preocupações levantadas em qualquer grau: 64,3% das respostas antes (27 de 42), contra 100% depois (40 de 40).
- Preocupações apresentadas com contexto ou escala: apenas 2,38% antes (1 de 42), contra 100% depois (40 de 40).
- Orientação que alertava contra a empresa: 64,3% antes (27 de 42), contra 0% depois (0 de 40).
- Orientação que recomendava a empresa: 23,8% antes (10 de 42), contra 100% depois (40 de 40).
Como a estratégia funciona na prática
Segundo a AnswerShare, o problema central é que a IA costuma ter acesso ao número de reclamações, mas não ao total de clientes atendidos, ao tempo de atuação da empresa nem à resposta dada aos problemas relatados. Sem esse “denominador”, qualquer reclamação parece mais grave do que realmente é.
A solução aplicada pela empresa foi detalhar, de forma aberta, o histórico completo do negócio: número de clientes, tempo de mercado, descrição da empresa, produtos oferecidos e como cada reclamação foi tratada, sempre com links para as fontes originais.
No caso estudado, as duas reclamações registradas no BBB tratavam de táticas de venda de um único funcionário, sem relação com a qualidade do serviço entregue aos clientes. A AnswerShare explicou, no conteúdo publicado, que o funcionário foi orientado e que a empresa reforçou seus controles internos para evitar repetição do problema. Como resultado, as respostas da IA passaram a omitir a menção às reclamações do BBB ou a tratá-las como não representativas do desempenho geral da empresa.
Uso de “workers” e a dúvida sobre cloaking
A técnica usada pela AnswerShare envolve o que a empresa chama de “workers”: trechos de código, hospedados em servidores de CDN, que direcionam o tráfego de rastreadores de IA e de usuários humanos. Segundo a consultoria, o arquivo llms-full.txt do cliente citado no estudo foi rastreado 154 vezes em dois meses, enquanto o conteúdo hospedado no worker foi acessado 744.566 vezes no mesmo período.
A empresa afirma que essa repetição favorece a fixação da informação pelos modelos de IA, citando um artigo acadêmico de Atharv Naphade sobre o comportamento de modelos de linguagem em sistemas de perguntas e respostas baseados em recuperação de dados (RAG), publicado em janeiro de 2026.
A AnswerShare faz questão de diferenciar a prática de cloaking, técnica considerada antiética em SEO por mostrar conteúdo diferente para rastreadores e usuários com intenção de enganar. Segundo a empresa, o arquivo llms-full.txt é publicado de forma aberta na camada humana da web, acessível por qualquer navegador comum, além dos rastreadores GPTBot e Googlebot.
O que fica para quem lida com reputação online
O estudo da AnswerShare reforça que a chave não está em esconder informações negativas da IA, mas em contextualizá-las. Empresas com histórico de fato problemático dificilmente vão reverter esse quadro só com mais dados: a consultoria é clara ao afirmar que reputação mal construída continua sendo reputação mal construída, mesmo com contexto adicional.
Para negócios com boa reputação real, no entanto, o caso mostra que fornecer números completos, histórico de atendimento e respostas a reclamações pode ser o diferencial entre aparecer como opção recomendada ou como alerta de risco nas respostas geradas por inteligência artificial.
Com informações de searchenginejournal.com.
