Ser citado por uma IA: os quatro sinais que o ChatGPT, a Perplexity e os AI Overviews observam mesmo

Uma resposta gerada pelo ChatGPT, pela Perplexity ou pelos AI Overviews da Google cita em regra entre três e oito fontes. Dezenas de páginas tratavam, porém, o mesmo tema. A pergunta já não é «estou indexado?», mas «porquê essa e não a minha?». Não se conhecem em detalhe os modelos de seleção, mas existem quatro referências fiáveis para raciocinar: a documentação oficial da Google sobre as suas funcionalidades de IA, a da OpenAI e a da Perplexity sobre os seus robots, e os trabalhos académicos que mediram o que faz variar a visibilidade de uma página numa resposta gerada. Estas fontes convergem em quatro sinais.

Sinal 1: a página está acessível ao robot certo, e não apenas ao Googlebot

É o pré-requisito que muitos sites falham sem o saber. Os motores generativos não usam todos o mesmo robot que o motor de pesquisa clássico, e um mesmo fornecedor envia vários. A OpenAI documenta três agentes distintos: GPTBot para o treino, OAI-SearchBot para o índice de pesquisa do ChatGPT e ChatGPT-User para ir buscar uma página a pedido de um utilizador. Cada um se controla em separado no ficheiro robots.txt, como explica a documentação dos robots da OpenAI. A Anthropic faz o mesmo com o ClaudeBot, o Claude-SearchBot e o Claude-User, e a Perplexity com o PerplexityBot e o Perplexity-User.

Na prática, um site que bloqueou «todos os robots de IA» em 2024 por precaução bloqueou muitas vezes também os que servem para responder aos utilizadores. Deixa de poder ser citado, seja qual for a qualidade dos seus conteúdos. A leitura dos logs do servidor é a única forma de saber quem passa realmente; dedicamos-lhe um artigo sobre a identificação dos robots de IA.

Sinal 2: o motor seleciona passagens, e cada secção tem de ser uma delas

A Google é explícita neste ponto na sua documentação das funcionalidades de IA na pesquisa: os AI Overviews e o modo IA apoiam-se nos mesmos sistemas que a pesquisa clássica, e não há «nada de especial a fazer» para além das recomendações habituais. Mas a maneira como esses sistemas leem uma página mudou. A Google descreve uma técnica de query fan-out: a pergunta do utilizador é decomposta em várias subconsultas, cada uma lançada em paralelo, e a resposta é montada a partir das passagens mais pertinentes para cada subpergunta, como explica o anúncio do modo IA.

A unidade de seleção deixa portanto de ser a página e passa a ser a passagem. Um parágrafo que responde com nitidez a uma subpergunta precisa tem mais hipóteses de ser retomado do que uma página longa onde a resposta está diluída. Isso defende uma escrita em que cada secção leva uma pergunta identificável, abre pela resposta e desenvolve depois a nuance. É o objeto do nosso artigo «Resposta primeiro, nuance depois».

Sinal 3: o conteúdo traz elementos citáveis

A investigação mediu este sinal melhor do que os outros. Em 2023, uma equipa de Princeton, da Georgia Tech e do Allen Institute publicou GEO: Generative Engine Optimization, um estudo que testa nove métodos de reescrita de uma mesma página e mede o seu efeito sobre a visibilidade dessa página em respostas geradas. Três métodos destacam-se com nitidez: acrescentar citações de fontes, acrescentar estatísticas e acrescentar citações diretas atribuídas. Os autores medem até 40 % de visibilidade suplementar, consoante o método de reescrita aplicado. Ao invés, o enchimento de palavras-chave, técnica histórica do SEO, nada traz e por vezes degrada o resultado.

Percebe-se porquê: um modelo que tem de produzir uma resposta fiável prefere apoiar-se numa passagem que afirma algo preciso, datado, quantificado e atribuído, em vez de uma generalidade. Um número com a sua fonte é um fragmento que a IA pode retomar tal e qual, indicando de onde vem. Uma frase como «o mercado progride fortemente» não o é.

Sinal 4: a fonte é identificável e coerente

Os sistemas da Google avaliam há anos aquilo a que as diretrizes para os avaliadores de qualidade chamam a experiência, a especialização, a autoridade e a fiabilidade, reunidas sob o acrónimo inglês E-E-A-T (experience, expertise, authoritativeness, trustworthiness). Não constitui um fator de classificação em sentido estrito, mas é o quadro em que a Google treina e verifica os seus sistemas. Ora esses critérios incidem tanto sobre a fonte como sobre a página: quem escreve, com que legitimidade, e se o site mantém um discurso coerente de uma página para a outra.

Para um motor generativo, a coerência conta a dobrar. Um site que dá três números diferentes para o mesmo dado em três páginas é uma fonte arriscada. Um site cujos artigos são todos assinados por uma pessoa identificada, com uma página de autor e um domínio de especialização estável, é uma fonte que o sistema pode atribuir. A documentação dos dados estruturados Article da Google descreve, aliás, os campos que tornam essa atribuição legível por uma máquina: autor, data de publicação, data de modificação.

O que estes quatro sinais mudam na produção

Postos lado a lado, estes sinais desenham um método que já pouco tem a ver com o SEO de volume:

• Verificar o acesso antes de escrever: o robots.txt é lido na raiz do domínio, e cada robot de IA tem o seu próprio token. Bloquear o treino não obriga a bloquear a citação.
• Escrever por passagens: uma pergunta por secção, a resposta logo no início, a nuance depois.
• Indicar a fonte de cada afirmação que conta: um número, uma data, uma origem. É o sinal mais forte medido pela investigação, e é também o que protege o editor contra o erro.
• Assinar e manter uma linha: um autor identificado, um vocabulário estável, dados que não se contradizem de uma página para a outra.

Nenhum destes pontos é um truque técnico. São exigências editoriais, que só se aguentam à escala se estiverem integradas na ferramenta de produção em vez de verificadas à mão a posteriori. Na prática: conteúdos organizados em clusters coerentes, uma fonte por afirmação, uma assinatura por artigo.

O que não se sabe, e que é preciso dizer

Estes sinais estão documentados, mas não formam uma fórmula. Os motores generativos mudam depressa, os seus índices não se sobrepõem, e a mesma pergunta feita duas vezes pode produzir duas listas de fontes diferentes. A única forma honesta de pilotar a sua presença é medi-la ao longo do tempo: fazer com regularidade as mesmas perguntas aos mesmos motores, anotar quem é citado, e separar as páginas simplesmente recuperadas daquelas que são realmente atribuídas. Descrevemos este método de medição num artigo dedicado ao share of voice nas IA.