Imagine a seguinte cena: um comprador pergunta a um assistente de inteligência artificial qual fornecedor resolve melhor um problema específico. Sua empresa entra na lista curta. O comprador compara as opções, tira uma dúvida com o assistente e, na sequência, abre o Google e pesquisa diretamente o nome da sua empresa. Ele entra no site, compra — e, dependendo de como a atribuição está configurada, quem fica com o crédito é o Google. O assistente de IA, que talvez tenha sido decisivo em todo o processo, pode nunca ter gerado uma única visita registrada. É justamente esse ponto cego que está no centro do debate sobre GEO (otimização para mecanismos generativos) e por que ele importa tanto quanto o já conhecido SEO.
Afinal, o que realmente aconteceu antes daquela visita que conseguimos medir?
O que os dados sobre GEO realmente mostram
Em um relatório chamado “GEO is a distraction” (“GEO é uma distração”, em tradução livre), Marie Haynes mostrou que as sessões vindas do ChatGPT representaram apenas 0,62% das sessões orgânicas do Google, numa amostra de 100 sites. A análise de conversões da autora também aponta vantagem do Google em volume total. São observações relevantes sobre os sites analisados — ainda que os dados brutos do GA4 por trás delas não tenham sido verificados de forma independente.
Ao mesmo tempo, Marie reconhece que transações podem acontecer sem nenhuma visita ao site e defende que as empresas se preparem para o chamado “comércio agêntico”. Essa preocupação com perseguir menções soltas ou tratar evidências frágeis como base de uma disciplina nova faz sentido. A discordância está em outro ponto: até onde os números de referência (referral) realmente conseguem julgar o esforço mais amplo de influenciar como a IA apresenta uma marca.
Um relatório sobre chegadas, por si só, não consegue explicar o que de fato influenciou quem chegou.
A visita acontece depois da pergunta
Cada vez mais pessoas perguntam primeiro a um assistente de IA e só depois recorrem ao Google — uma percepção baseada em observação do comportamento ao redor, não uma prova de que todo mundo age assim. Ainda assim, isso levanta uma questão interessante: o que realmente significa uma visita vinda do Google?
Alguém pode estar começando sua pesquisa do zero. Mas também pode estar apenas seguindo uma recomendação ou conferindo uma lista de opções montada numa conversa anterior com a IA. Um comprador pode até usar um assistente para entender um problema antes mesmo de saber que categoria de produto precisa. Nesse processo, o assistente pode apresentar uma empresa — ou descrever tão mal uma alternativa que o comprador a descarta na hora. Em ambos os casos, a resposta da IA pode influenciar a decisão sem nunca enviar ninguém a um site.
Isso é motivo suficiente para investigar mais a fundo. Porém, não nos diz com que frequência isso acontece nem quanto negócio isso de fato gera. Por isso, vale cautela também com outro raciocínio comum: tratar a dificuldade de atribuição como prova automática de que existe um grande volume de valor invisível escondido por aí. A lacuna nos deixa apenas com uma pergunta sobre o que aconteceu antes da visita — não com uma estimativa de receita, por mais plausível que a jornada pareça. O ideal é exigir evidências concretas antes de colocar qualquer número de faturamento numa proposta comercial.
SEO, GEO e a diferença entre aprender e consultar
Existe um ceticismo saudável em relação a novas siglas para descrever um trabalho que o SEO já cobria. Quando alguém pergunta o que o GEO faz que o SEO não fazia, essa é uma pergunta justa — e vale a pena entender o que muda de fato no trabalho antes de adotar um novo nome.
A distinção que realmente torna o conceito de GEO útil é a chamada memória paramétrica: o conhecimento e as associações que um modelo de IA aprendeu durante o treinamento, representados em seus pesos numéricos. Influenciar o que o modelo aprendeu sobre uma marca — e como ele usa esse conhecimento em buscas e respostas relevantes — é justamente o trabalho separado que o GEO describe.
Já a recuperação de informação (retrieval) fornece dados externos no momento em que o sistema está formulando a resposta. Na chamada geração aumentada por recuperação, ou RAG, o modelo combina o que já aprendeu com o material recuperado na hora. O artigo original que descreve o RAG já previa essa combinação das duas fontes.
- É como pedir conselho a um colega especialista: ele traz o que já sabe de cor, mas também pode abrir uma pasta de referências para checar algo pontual.
- Mudar o conteúdo dessa pasta muda a informação disponível naquela consulta específica.
- Mudar o que o colega aprendeu de fato é um processo completamente diferente.
Vale lembrar que os pesos de um modelo não funcionam como a memória humana, e a resposta final não deixa claro qual contribuição veio de qual fonte. O SEO, nesse contexto, cuida da descoberta e recuperação na web: tornar fontes relevantes acessíveis, encontráveis e adequadas à pergunta feita. Uma página estar disponível, ser recuperada e efetivamente contribuir para uma resposta são três resultados distintos — ou seja, o SEO não é dono de todo o sistema de resposta.
Aliás, para os recursos de busca com IA do Google, a própria empresa afirma que as práticas de SEO já consolidadas continuam relevantes e que nenhuma otimização especial é necessária. Dar um nome novo a um trabalho conhecido não muda, por si só, o que precisa ser feito na prática.
Um bom resumo de trabalho seria: visibilidade em IA = SEO + GEO — informação disponível via recuperação, somada às associações já aprendidas pelo modelo. Instruções do sistema e contexto do usuário também pesam nessa equação, então essa fórmula não cobre absolutamente tudo que molda a resposta de um assistente. Além disso, uma mesma página pode ser recuperada hoje e, mais adiante, se tornar material candidato a treinamento — os dois caminhos não são mutuamente excludentes.
Como a memória do modelo pode moldar a própria busca
Quando um modelo de linguagem gera consultas de busca por conta própria, as associações que ele aprendeu podem influenciar por onde a busca começa. O próprio Google descreve esse comportamento como “query fan-out”: disparar buscas relacionadas em diversos subtemas e fontes de dados simultaneamente.
Um estudo chamado “What Drives AI Citations?” (“O que impulsiona as citações de IA?”, em tradução livre) traz evidências relevantes sobre isso. Os pesquisadores compararam marcas recomendadas pelo modelo sem uso de busca externa com marcas que apareciam nas próprias consultas geradas pelo sistema. Na configuração via API da OpenAI testada, marcas recomendadas sem busca apareceram nas consultas em 67% dos casos, contra apenas 11% nos demais.
Perguntar ao modelo sem permitir busca mostra o que ele recomenda naquelas condições específicas — não revela tudo o que ele sabe. Ainda assim, a comparação é valiosa, mesmo deixando em aberto se mudanças no treinamento alterariam as buscas geradas (isso exigiria um experimento à parte). Dá para pensar assim: uma associação forte entre uma marca e o problema do comprador pode dar a essa marca uma vantagem inicial justamente nas buscas usadas para investigar o problema. Em outras palavras, a memória do modelo pode afetar quais evidências chegam a ter a chance de influenciar a resposta final.
O mesmo estudo observou o sistema capturando nomes de fornecedores de nicho a partir de uma primeira rodada de resultados de busca. Uma pesquisa por categoria pode apresentar uma marca desconhecida, e o próprio usuário pode fornecer um nome que o modelo ainda não conhecia. Instruções do sistema e informações recuperadas também moldam as buscas seguintes — por isso, testar se as associações aprendidas mudam as buscas feitas por um sistema de IA é um caminho de investigação promissor, já que o que o modelo recorda pode afetar a pergunta que ele envia à ferramenta de busca, bem antes de qualquer visita aparecer nos relatórios de analytics.
Dá para estudar esse aprendizado na prática
Um estudo apelidado de “Outlandish” mostra, na prática, como o treinamento pode mudar essas associações. Pesquisadores inseriram textos específicos em rodadas controladas de treinamento e perceberam que aprender uma associação podia aumentar a probabilidade de uma palavra-chave aparecer em outros contextos, especialmente dentro do mesmo tema — um efeito batizado de priming. Colocar o mesmo texto apenas num prompt, sem treinamento de fato, produziu um efeito bem mais fraco.
Isso traz um alerta importante: uma palavra-chave aparecendo numa resposta fora de contexto pode, na verdade, piorar a qualidade dessa resposta — vale sempre ler o resultado antes de comemorar a menção extra.
A repetição levanta outra questão interessante. Ela pode melhorar a capacidade do modelo de reproduzir um trecho exato dos dados de treinamento. Isso é, sim, uma forma de aprendizado — mas conseguir “recitar” bem um texto não prova que o modelo saiba usar esses fatos quando a pergunta muda. Em experimentos controlados com biografias, pesquisadores treinaram modelos menores do zero e descobriram que a forma como os mesmos fatos eram apresentados durante o treinamento melhorava a precisão das respostas factuais depois.
Esse é um território que pode — e deve — ser estudado de perto. Com modelos de pesos abertos, cujos parâmetros são publicados, é possível baixar o modelo e rodar experimentos controlados. Quando o código e os dados de treinamento também estão disponíveis, dá para alterar o material, comparar versões e testar, de forma concreta, o que realmente muda no comportamento do modelo.
Com informações de searchenginejournal.com.
