Como está a saúde da sua marca em relação à otimização de citações? 

Uma hora dizem GEO, outra hora, AIO. Enquanto isso, no Google, o posicionamento é que o SEO tradicional está firme e forme e não há “necessidade” de novas siglas. 

‍Porém, profissionais curiosos e inquietos entendem que a necessidade de fazer algo a mais para ser bem posicionado nas IAs não é hype. 

Especialmente quando outras marcas e competidores estão, nesse momento, estudando também. 

No texto de hoje, vamos dar uma olhada por baixo do capô das IAs, para entender de vez quais são os caminhos para ser citado. E temos muito para conversar. 

Começando com uma desambiguação dos termos que estamos vendo na indústria: 

Você troca AIO, GEO, AEO, LLMO e AI-SEO por AAO?  

‍

O primeiro passo que precisamos dar para entender a otimização de citações para a IA é que existem hoje já quase 10 termos para dizer a mesma coisa. 

AIO, GEO, AEO e equivalentes são siglas que definem praticamente o mesmo trabalho: a otimização da visibilidade da marca dentro das IAs. 

A questão é que tantos termos, além de confundir todo mundo durante reuniões, também acaba sendo contraproducente no próprio entendimento da disciplina. 

AAO significa Assistive Agent Optimization, e determina que o verdadeiro trabalho dos profissionais de search hoje está em guiar agentes assistivos a encontrar e citar sua marca. 

Jason Barnard, especialista em SEO na Search Engine Land, defende o uso do termo AAO porque ele é o que melhor descreve o trabalho que realmente estamos fazendo: 

Essa é uma categorização rápida, e vamos nos aprofundar nas suas ramificações nos próximos itens. Acompanhe: 

Como é possível otimizar para um motor inconsistente? 

Rand Fishkin, da SparkToro, realizou um estudo recentemente destacando a grande inconsistência das IAs na hora de recomendar marcas. 

Os resultados são um pouco estranhos, mas nada fora do que a maioria dos profissionais já imaginava: 

• Em mais de 2,900 prompts iguais, menos de 1 resposta em 100 entregaram a mesma lista de marcas, e menos de 1 em 1000 entregaram a mesma lista na mesma ordem ; 

• Algumas marcas aparecem em praticamente todas as respostas; 

• Algumas marcas mal apareceram em respostas. 

Tudo isso levando em consideração prompts iguais feitos por pessoas diferentes, em momentos diferentes e em locais também. 

Veja uma prévia do resultado e acesse o estudo completo para se aprofundar: 

‍

Essa inconsistência é um sinal de PARE óbvio para quem está fazendo estudos de Share of Voice e medindo o sucesso da marca nas IAs por volume de citações. 

‍O volume é importante, mas a consistência desse volume é muito mais. O trabalho do AAO (ou o nome que você quiser dar) é necessário para tirar sua marca da pilha da inconsistência e colocá-la na pilha da consistência. 

Em outras palavras, você quer que sua marca apareça no máximo possível de listas, no máximo possível de referências, não apenas aparecer. 

Mas o que exatamente constitui a escolha? Como as LLMs constroem suas respostas com citação? 

Vamos explorar melhor o assunto no próximo tópico. Acompanhe: 

A santíssima trindade das respostas de IA

‍

Para entender de onde vêm as citações por IA e como as decisões são tomadas, precisamos primeiro conversar sobre os três recursos principais usados para construir uma resposta que lista marcas. 

Como entendemos, esse processo é altamente volátil por natureza. Como uma marca é citada depende de vários fatores, sendo um deles a própria construção da resposta. Sua natureza, por assim dizer. 

‍Essa é a santíssima trindade na criação de respostas das IAs: o motor LLM, o knowledge graph e a search tradicional. 

Ou seja: a maioria delas usa esses três componentes principais para gerar uma resposta. 

• Motor LLM: é o que garante a construção da resposta em si, com a compreensão do prompt; 

• Knowledge graph: é a camada semântica que ajuda a IA a entender entidades, relações e autoridade contextual. A IA não consulta apenas um grande banco de dados proprietário. O Gemini provavelmente é o sistema mais avançado nessa camada, principalmente pela integração com o Google Knowledge Graph; 

• Search tradicional: grounding factual, atualização temporal, recuperação de documentos, verificação, sourcing, citações, enriquecimento contextual etc. 

A questão é que nem sempre esses três recursos funcionam de forma previsível. Essa é a maior diferença entre o GEO/AAO e o SEO tradicional. 

No SEM tradicional, os parâmetros do Google também são misteriosos. Mas eles seguem padrões replicáveis. Tanto que uma indústria inteira surgiu ao redor de Search Engine Optimization. 

As IAs não têm essa previsibilidade, e seus mistérios são ainda mais profundos. 

Vamos nos aprofundar nessas três camadas agora, e também entender mais sobre como a incerteza atua em cada uma delas. Acompanhe abaixo: 

Motor LLM

O motor LLM é o componente mais visível da IA. É ele que interpreta o prompt, decide o tom da resposta, organiza prioridades e transforma diferentes referências em um único texto coerente. 

O problema é que essa construção não segue uma lógica completamente determinística.

Pequenas mudanças no prompt podem alterar drasticamente o resultado final. Uma pergunta como “melhores CRMs para pequenas empresas” pode gerar uma lista completamente diferente de “CRMs mais completos para times de vendas”. 

E como vimos, mesmo em prompts iguais, repetidos entre pessoas diferentes em situações diferentes vão gerar respostas diferentes. 

Isso cria um ambiente muito mais instável do que o search tradicional. Não existe garantia de permanência. Uma marca pode aparecer em uma resposta hoje e desaparecer amanhã sem qualquer mudança estrutural no próprio site. 

Aliás, 5 minutos depois. 

Além disso, diferentes modelos possuem pesos distintos para autoridade, popularidade, especialização e linguagem. O que funciona no OpenAI ChatGPT pode não funcionar da mesma forma no Google Gemini ou no Anthropic Claude.

Knowledge graph

O knowledge graph é a camada que ajuda a IA a entender entidades e suas conexões. O foco está principalmente na relação contextual. 

A IA tenta entender o que uma marca é, com quem ela se relaciona, em quais temas aparece e quais atributos costuma receber.

Isso gera um tipo diferente de incerteza. No SEO tradicional, uma página pode ranquear por uma keyword específica mesmo sem grande relevância semântica no restante da web. Já nos sistemas orientados por entidades, coerência contextual pesa muito mais.

Se uma empresa aparece constantemente associada a:

• CRM;
• Automação;
• Vendas B2B;
• Qualificação de leads;

A IA começa a consolidar essas relações semanticamente. O contrário também é verdadeiro. Entidades mal definidas, pouco citadas ou semanticamente confusas tendem a perder força nas respostas generativas.

Outro ponto importante é que knowledge graphs não são totalmente transparentes. Grande parte das relações internas usadas pelos modelos não é pública. Isso significa que muitas decisões de citação acontecem em uma camada invisível para quem produz conteúdo.

Search tradicional

A busca tradicional continua sendo uma das principais fontes de grounding factual das IAs. Ela ajuda na recuperação de documentos, atualização temporal, sourcing e validação de informações. Mas existe uma diferença importante: a IA não usa a search tradicional da mesma forma que um usuário humano usa o Google.

Ela não necessariamente “abre” uma SERP linear e escolhe os dez links azuis mais relevantes. Em vez disso, sistemas modernos trabalham com recuperação contextual de documentos, fragmentos específicos e sinais de autoridade distribuídos.

Isso cria uma situação curiosa. O SEO tradicional continua importante, porque indexação, autoridade, backlinks e clareza estrutural ainda importam. 

Mas esses fatores já não garantem previsibilidade de citação. Uma página extremamente bem posicionada pode ser ignorada por um modelo generativo caso ela não ajude na construção contextual daquela resposta específica.

É por isso que GEO e AAO não substituem SEO. Eles surgem sobre ele. A search tradicional ainda fornece grande parte da matéria-prima usada pelas IAs. A diferença é que agora existe uma camada probabilística intermediando tudo isso.

Os dez fatores para a citação de IA explicados 

‍

Há um conceito sendo introduzido ultimamente que busca explicar esse fenômeno da inconsistência na IA: o cascading confidence, ou confiança acumulada. 

O conceito dita que, nos processamentos algorítmicos que acontecem na IA após cada prompt, há um sistema de confiança que cresce ou diminui dependendo dos sinais que a marca (ou entidade, para ser mais técnico) fornece. 

Esses sinais são entendidos como AI Citation gateways, sendo que as entidades precisam ter bons resultados em cada um desses gates para terem mais chances de serem citadas. 

É como na imagem abaixo, que explica melhor o conceito: 

Essa imagem, para quem trabalha com SEO desde muito tempo, é absolutamente aterradora. Ela foi construída com base nos estudos que referenciamos até agora, e é o mais próximo que estamos de entender o funcionamento das citações de IA hoje. 

O susto vem de entender que cada um dos portões dos citation gateways são multiplicativos. Então, a diferença entre 0,9 em todos e 0,7 também em todos é de 32% menos citações. 

Da mesma forma, um único indicador em 0,5 é mais do que o suficiente para cortar pela metade sua eficácia nas citações. 

‍Um único indicador a 0,1% é capaz de arruinar completamente suas chances de ser encontrado nas IAs. 

Acredite: isso é muito mais complicado que o SEO. Saímos de 4 parâmetros expansivos (E-E-A-T) para dez parâmetros que ainda dependem do E-E-A-T na camada de search.

Mas quais são realmente esses gateways? Vamos conversar sobre eles agora, dividindo em duas partes: primeiro, a parte de leitura e armazenamento. Depois, a “guerra” pela citação. 

Acompanhe logo abaixo:

Camada de descoberta: DSCRI 

A primeira camada está relacionada com a capacidade da IA de te encontrar, te ler e te considerar uma referência possível, entre outras, para resolver o prompt. 

Nela, estão os seguintes gateways: 

• Descoberto: o bot encontra sinais de que a marca existe.
• Selecionado: o bot decide que vale a pena recuperar aquele conteúdo.
• Coletado: o bot acessa e coleta o conteúdo.
• Renderizado: o bot traduz o que coletou para um formato que consegue interpretar.
• Indexado: o algoritmo incorpora aquele conteúdo à sua memória operacional.

Nesse primeiro passo, a IA conseguiu encontrar o conteúdo, o selecionou como boa oportunidade de conteúdo, o acessou, “leu”, o transformou em unidades de informação menores e o anexou ao seu sistema. 

É quase o trabalho dos crawlers de SEO do Google. “Passar” nessa etapa significa, geralmente, que seu site, conteúdo, página de produtos etc. foi encontrado e lido pelas IAs. 

Há alguns ajustes técnicos de SEO mesmo que garantem maior aproveitamento nessa camada. Temos um texto inteiro dedicado a eles, acesse logo abaixo: 

➡️ SEO para IA: entendendo e aplicando conceitos técnicos e básicos

Após essa primeira camada, entra em ação a segunda, mais voltada para a citação em si. Veja:

Camada de citações: ARGDW 

Na camada anterior, a preocupação é acima de tudo técnica. Você precisa manter o footprint da sua marca escaneável com as velhas recomendações de SEO e organização de informações. 

Ou seja, é a LLM interagindo com a sua infraestrutura. 

Mas nessa camada entra um outro fator: a competição. Aqui é onde a LLM vai decidir por uma marca (ou entidade, não esqueça o termo técnico) ou outra, com base nos seguintes parâmetros:

• Annotated: o algoritmo classifica o significado do seu conteúdo em dezenas de dimensões;
  
  
• Recruited: o algoritmo seleciona seu conteúdo para utilização;
  
  
• Grounded: o mecanismo valida seu conteúdo em comparação com outras fontes;
  
  
• Displayed: o mecanismo apresenta seu conteúdo ao usuário;
  
  
• Won: o mecanismo entrega o clique perfeito no momento de soma zero da IA.

A maior preocupação das marcas está justamente nesses dois últimos pontos: displayed e won. 

Quando a LLM decide mostrar sua marca como citação, ela está na etapa de display. E quando o usuário clica na citação, ela realmente “venceu”.

E uma vez que a marca completa todas essas etapas e ainda vence a competição pela atenção do usuário, ela ganha mais pontos de cascading confidence para os próximos prompts. 

É um grande ciclo, mas um bastante complicado. Vamos conversar melhor sobre a camada de negócios, estratégica mesmo, agora no finalzinho do texto. Veja: 

As citações de IA podem ser otimizadas? 

Com toda certeza existe um processo de otimização de citações nas IAs. Porém, é preciso entender que esse processo não é garantido e está muito baseado em probabilidades. 

O segmento do texto que falou sobre isso trouxe um exemplo alarmante para quem está pesquisando agências que oferecem esse tipo de otimização: 999 de 1000 listas geradas pela IA vão ser diferentes. 

Isso coloca maus atores em uma posição muito confortável: eles podem enganar marcas dizendo que elas estão aparecendo nas IAs simplesmente jogando o mesmo prompt 1000 vezes. 

Aliás, maus atores podem fazer isso via IA — uma para mandar os prompts, outra para responder. Quando sua marca aparecer, ela vira screenshot. 

Não é o momento de pensar em soluções milagrosas para a IA. É o momento de fortalecer seu marketing tradicional, valorizar seus canais de conteúdo e focar em aspectos técnicos do seu site que precisam de melhorias há meses — ou anos. 

É isso o que vai manter marcas no topo, e é isso o que faz elas serem citadas.

Conheça nossos cases para entender como nós atuamos nesse cenário. Obrigado pela leitura!