Um experimento recente na área de SEO técnico mostrou que nem toda tarefa de inteligência artificial precisa passar por grandes modelos como ChatGPT ou Claude. O profissional Chris Green, criador da ferramenta Exactly Matchy (voltada a avaliar se um conteúdo é recuperável por sistemas de IA), testou rodar processos localmente, direto no navegador, usando o Gemini Nano, versão compacta de IA embutida no Chrome.
O objetivo era simples: verificar quanto trabalho útil de SEO e GEO (otimização para mecanismos generativos) pode ser feito sem depender de um modelo remoto e pago. Isso importa para quem trabalha com otimização de sites, porque reduz custo, evita dependência de APIs externas e diminui riscos de privacidade de dados.
Por que usar IA local em vez de ChatGPT ou Claude?
Segundo o relato do autor, usar ferramentas como ChatGPT ou Claude é prático e muitas vezes gratuito, mas traz desvantagens. Entre elas estão o alto consumo de recursos de data centers, o custo crescente de uso, questões de privacidade dos dados enviados e a dependência de um serviço externo que o usuário não controla.
Rodar um modelo localmente, no próprio computador ou navegador, elimina esse envio de dados para fora. Em contrapartida, exige hardware compatível e escolha correta do modelo, o que nem sempre é simples para quem não tem familiaridade técnica.
O Gemini Nano, usado no teste, é baixado automaticamente pelo Chrome quando necessário. Por ser pequeno e quantizado, roda sem travar o navegador, mas tem limitações claras de capacidade de raciocínio.
Tarefa pequena não é sinônimo de tarefa fácil
Durante os testes com o Exactly Matchy, o autor percebeu que mesmo tarefas aparentemente simples, como selecionar trechos de uma página a partir de um pedido direto, já reduziam bastante a fricção para o usuário final.
A partir dessa experiência, ele foi além e tentou construir algo mais ambicioso: uma extensão de Chrome capaz de ajudar profissionais de SEO técnico a identificar problemas reais, e não apenas marcar itens genéricos de checklist.
Um dos testes comparou o HTML bruto de uma página com o DOM renderizado, observando links (tags “a”). Foram identificadas situações como o mesmo texto de âncora levando a destinos diferentes, destinos iguais com textos diferentes, links quebrados no HTML inicial que passam a funcionar após a renderização, e URLs distintas que acabam levando ao mesmo destino final.
Onde o modelo local falhou ao lidar com SEO técnico
Ao entregar esses dados ao Gemini Nano, a expectativa era que ele decidisse sozinho se a diferença entre HTML e DOM renderizado representava um problema real. Não funcionou bem. O autor descreve essa etapa como um problema de raciocínio que parece simples, mas não é.
O modelo precisaria respeitar os fatos apresentados, combinar múltiplos sinais e evitar criar informações inexistentes, para então tomar uma decisão confiável. O Gemini Nano, por ser intencionalmente pequeno e rápido, não entregou esse nível de julgamento.
Já quando a mesma evidência foi enviada a um modelo maior, via API (ChatGPT ou Gemini), o resultado foi bem mais consistente. O autor descreve o desempenho como “muito forte” na hora de raciocinar sobre os dados fornecidos.
Qual o modelo ideal para cada etapa do trabalho?
A conclusão do experimento aponta para uma divisão em três camadas de trabalho. A primeira cabe ao código tradicional: buscar URLs, comparar HTML, checar respostas HTTP, identificar relações canônicas e detectar mudanças de destino são tarefas exatas, que não deveriam depender de raciocínio probabilístico de IA.
A segunda camada é do modelo local, como o Gemini Nano. Depois que os fatos já foram estabelecidos pelo código, o modelo pequeno pode transformar esse conjunto de evidências em um texto legível para humanos, em vez de blocos de JSON ou planilhas difíceis de interpretar.
A terceira camada envolve um modelo maior, acionado apenas quando há ambiguidade técnica ou é preciso raciocínio semântico mais complexo. Nessa etapa, a mesma evidência estruturada pode ser enviada a serviços como Gemini ou OpenAI.
- Código determinístico cuida de fatos exatos, como comparação de HTML e checagem de respostas HTTP.
- Modelo local (Gemini Nano) traduz evidências já apuradas em linguagem acessível ao usuário.
- Modelo maior, via API, entra apenas quando o caso exige julgamento técnico mais complexo.
Essa arquitetura em camadas, segundo o relato, permite economizar processamento e custo ao reservar os modelos maiores apenas para os momentos em que realmente fazem diferença. O restante do fluxo de trabalho continua o mesmo, independentemente de qual modelo de IA está sendo chamado em cada etapa.
Com informações de searchenginejournal.com.
