GEO e AI SEO (SEO para IA): o que funciona, sem mitos

A marca chega às respostas de ChatGPT, Gemini, Perplexity e AI Overview principalmente por dois caminhos que se cruzam, e o GEO é o trabalho nos dois:

1. Pela busca. O modelo, enquanto responde, pesquisa na web e cita parte das páginas que encontrou. Aqui vale o mesmo que no SEO: acesso para os robôs, índice, visibilidade na palavra-chave e nas variantes dela, e trechos que respondem à pergunta sem o resto da página. O efeito aparece, como no SEO, depois de semanas ou meses.
2. Pela memória do modelo. O modelo responde com o que aprendeu antes do fim do treinamento, e essa memória influencia também quem ele menciona quando pesquisa na web. Aqui conta o que outras pessoas escreveram sobre a marca e uma descrição única e coerente da marca em várias fontes. Não medi o ritmo das mudanças na memória, então não prometo nada aqui em um horizonte de trimestre.

A maioria dos “truques de GEO” não tem prova, e parte deles eu testei com dados próprios. O arquivo llms.txt e os dados estruturados não têm prova de que geram citações. Mais títulos não levaram páginas ao top 3 no meu teste. O teste de se a posição nas subconsultas prevê a citação melhor que a posição na palavra-chave principal não resolveu nada, e a minha primeira conclusão dele foi refutada pela revisão cruzada. As provas de cada uma dessas frases estão mais abaixo.

O que é GEO e como esse trabalho é chamado?

GEO é o trabalho para que a marca apareça nas respostas geradas por IA: na AI Overview e no Modo IA do Google, no ChatGPT, no Gemini, no Perplexity e no Copilot. O mesmo trabalho tem vários nomes, e as diferenças entre eles são sobretudo de marketing:

O nome GEO tem origem científica, e o alicerce de todo esse trabalho é o mesmo do SEO. O GEO vem de um artigo científico de novembro de 2023, aceito na conferência KDD 2024. Os autores, Pranjal Aggarwal e colegas, mostraram em um conjunto de testes próprio que mudanças no conteúdo podem aumentar a visibilidade da fonte nas respostas generativas em até 40% (arXiv). O Google escreve na documentação que otimizar para a busca generativa continua sendo SEO (Google Search Central). Cyrus Shepard, da Zyppy, responde de forma parecida à pergunta se uma empresa precisa de uma estratégia de GEO separada:

As pessoas também não têm um nome único para esse trabalho, e isso aparece nos resultados do Google. A pergunta “Jak nazywa się pozycjonowanie w AI?” (“como se chama o posicionamento em IA”) aparece na seção “As pessoas também perguntam” nos resultados poloneses, perguntas equivalentes aparecem nos resultados da Alemanha, da Espanha e da Finlândia, e a pergunta em inglês “What is AI SEO called now?” nos resultados dos EUA, da Suécia e de Singapura. A pergunta sobre a diferença entre GEO (ou LLMO) e SEO aparece em 9 dos 27 mercados verificados, do Brasil ao Japão.

O nome que domina depende do mercado. No Japão, 72% das cerca de 16.730 buscas mensais sobre o tema são LLMO, e a palavra-chave “llmo” sozinha tem cerca de 12.100 buscas, mais que “ai seo” nos EUA (cerca de 6.600). Na Alemanha e na França domina o GEO (64% e 66%), na Coreia do Sul 83%. Na Polônia, 58% das cerca de 2.265 buscas mensais são AI SEO, junto com a palavra-chave “ai seo” e as descrições polonesas (“pozycjonowanie ai”, “pozycjonowanie w ai”), e o GEO tem 32%. Nos EUA, AI SEO e GEO estão lado a lado: 42% e 39% de cerca de 25.400 buscas, e na Espanha há empate (44% e 44%). Na República Tcheca, os dados não mostram demanda por nenhum dos nomes.

A palavra-chave “ai seo” é ambígua, então trato a participação do AI SEO como limite superior. Em “ai seo”, o Google mostra, junto com textos sobre GEO, também ferramentas de IA e guias de como fazer SEO com a ajuda de IA: nos EUA são mais da metade dos resultados do top 10, na Dinamarca pelo menos 6 de 8. A AI Overview para essa palavra-chave nos EUA e na Dinamarca descreve, porém, o AI SEO como otimização para respostas de IA, então o Google a trata como nome desse trabalho. Sem essa única palavra-chave, o GEO lidera em 25 dos 26 mercados do meu blog, e no Japão fica o LLMO. Na Polônia, as descrições polonesas inequívocas (“pozycjonowanie ai”, “pozycjonowanie w ai”) somam cerca de 580 buscas mensais, e o GEO cerca de 725. Vou dedicar um texto separado às ferramentas de IA para SEO.

Não conto a palavra-chave “aeo” sozinha, porque na Polônia ela significa sobretudo certificado aduaneiro, e nos EUA parte dos resultados são cotações na bolsa de uma rede de roupas, a American Eagle. Em “aeo” no Google polonês, três dos quatro primeiros resultados são páginas do ministério das finanças. As palavras-chave com o nome completo, por exemplo “answer engine optimization”, conto na série “Outros”.

Cada versão de idioma deste texto usa o nome que as pessoas buscam naquele mercado. A versão japonesa fala de LLMO, a alemã e a francesa de GEO, e a polonesa de “pozycjonowanie w AI” e AI SEO. Esta versão usa GEO, porque no Brasil 58% das cerca de 2.090 buscas mensais sobre o tema são GEO, e o AI SEO tem 36%.

Como a IA escolhe as fontes das respostas?

O modelo responde pela busca ou pela memória, e disso depende o que você pode mudar. Quando pesquisa na web, ele divide a pergunta em várias consultas, baixa os resultados, escolhe trechos deles e cita uma parte. O Google chama isso na documentação de “query fan-out”: o sistema envia várias buscas relacionadas sobre subtemas e a partir de diferentes fontes (Google Search Central). Quando o modelo não pesquisa, responde com o que aprendeu durante o treinamento, e então a posição da página no Google não muda nada.

Os caminhos se cruzam, porque a memória do modelo influencia também a resposta em que ele pesquisou na web. Dan Petrovic, da Dejan, escreve que a menção da marca no texto da resposta se apoia sobretudo no conhecimento prévio do modelo, e uma página isolada quase não a desloca (Dejan, 7/07/2026). Por isso meço os dois caminhos separadamente, mas trabalho neles em paralelo.

Com que frequência o modelo pesquisa na web depende do modelo: no meu teste, de 10 a 94 palavras-chave em 94. Verifiquei isso pela API em 94 palavras-chave de projetos que conduzo, em inglês e em polonês, na noite de 3 para 4 de outubro de 2026 e de novo pela manhã. No texto sobre estratégia de SEO descrevi o mesmo efeito em cinco perguntas práticas; aqui ele aparece em um conjunto maior.

• 93 de 94Quantas vezes o Gemini 2.5 Flash recorreu ao buscador na primeira rodada (na segunda, 94 de 94).Meu teste pela API, 3 a 4 de outubro de 2026
• 71 de 94Quantas vezes o Gemini 3.5 Flash pesquisou (na segunda rodada, 69 de 94).Meu teste pela API, 3 a 4 de outubro de 2026
• 25 de 84Quantas vezes o Gemini 3.1 Pro pesquisou (10 chamadas terminaram em erro de limite; na segunda rodada, 32 de 94).Meu teste pela API, 3 a 4 de outubro de 2026
• 10 de 94Quantas vezes o Gemini 3.8 Flash pesquisou (na segunda rodada, 15 de 94). Nas demais palavras-chave ele respondeu de memória.Meu teste pela API, 3 a 4 de outubro de 2026

Nessa configuração, as versões mais novas do Gemini Flash pesquisaram menos, mas o Gemini 3.1 Pro não se encaixa nesse padrão. O Pro tem um número de versão mais antigo que o 3.5 Flash e pesquisou menos que ele. É uma família de modelos e uma configuração de API, e não o aplicativo Gemini que o usuário vê, então trato os números como um sinal, e não como uma regra. Eles bastam, porém, para eu verificar em cada medição em quantas perguntas o modelo chega a pesquisar.

A memória dos modelos sobre uma marca polonesa nova se mostrou cheia de buracos, e parte dos modelos inventou a descrição dela. No mesmo projeto, cerca de 500 respostas a perguntas sobre as marcas para as quais trabalho foram avaliadas às cegas por outro modelo. Uma das marcas polonesas novas desse conjunto era desconhecida para todos os modelos verificados, e em 9 de 12 respostas sobre ela a descrição era inventada. A taxa de invenção dependeu do modelo: de 5% a 77% das respostas sobre todas as marcas. As respostas foram avaliadas por um único modelo-juiz, então trato diferenças abaixo de cerca de 10 pontos percentuais como ruído.

O mesmo domínio pode ser visível em um caminho e invisível no outro. Um dos sites foi citado no Modo IA do Google em 10 de 13 pares de palavras-chave, e nas respostas dos modelos sem pesquisa não apareceu nenhuma vez (0 de 13). É um domínio e 13 pares, então é uma ilustração, e não uma regra.

Um fenômeno parecido aparece em um estudo de maior escala. Dan Petrovic relata um estudo do Google Research com 13 modelos e 2.150 fatos da Wikipédia: os modelos de ponta, como o Gemini 3 Pro e o GPT-5, têm nos pesos 95-98% desse conhecimento, mas não conseguem recuperar 26-34% dele (Dejan, 17/08/2026). São fatos enciclopédicos, e não conhecimento sobre marcas, mas a conclusão para a marca é parecida: a presença da informação nos dados de treinamento não garante que o modelo a dirá.

Como entrar nas respostas de IA pela busca?

No caminho pela busca vale o mesmo que no SEO, com uma diferença. O Google escreve que, para entrar na AI Overview e no Modo IA, a página precisa estar no índice e poder aparecer nos resultados com um trecho de texto, e que não há requisitos técnicos adicionais (Google Search Central). A diferença é que o modelo faz várias consultas ao mesmo tempo, então uma página visível apenas em uma palavra-chave principal tem menos oportunidades de citação que uma página visível também nas variantes dela. O ChatGPT tem, além disso, o próprio robô de busca (falo dele abaixo), então a visibilidade no Google não se transfere diretamente para ele.

Acesso para os robôs de IA

Os robôs dos buscadores de IA podem estar bloqueados sem que o dono do site saiba. Um firewall ou uma configuração na rede de distribuição de conteúdo (CDN) pode bloqueá-los, muitas vezes só depois de ultrapassado um limite de requisições, então um único teste não revela nada. Verifico com uma série de requisições com os nomes dos robôs do Google, da OpenAI, do Perplexity e da Anthropic e comparo a resposta do servidor com a que recebe um navegador comum.

Bloquear o treinamento de modelos é uma decisão diferente de bloquear a busca. A OpenAI separa esses papéis: o GPTBot coleta conteúdo que pode ir para o treinamento de modelos, e o OAI-SearchBot decide a presença nos resultados de busca do ChatGPT. A OpenAI escreve que os sites que bloquearem o OAI-SearchBot não serão exibidos nas respostas de busca do ChatGPT, e que o bloqueio do GPTBot não muda isso (OpenAI). Da mesma forma, o Google-Extended controla o uso do conteúdo pelos modelos Gemini, mas, segundo o Google, não afeta a presença nem a posição na busca (Google Search Central). Quem bloqueia todos os robôs de IA com um único interruptor pode perder a presença na busca do ChatGPT, que não queria entregar.

Posição na palavra-chave e subconsultas

Não sei se uma posição mais alta aumenta a chance de citação, porque os meus dados não resolvem isso. No texto sobre estratégia de SEO, no mapa de hipóteses, descrevi um artigo que, em cinco palavras-chave muito próximas, foi citado na AI Overview em apenas uma, justamente aquela em que estava mais baixo. As subconsultas são montadas pelo modelo e podem ser diferentes a cada resposta, então não existe uma lista fixa de “subconsultas da palavra-chave X”. No meu conjunto de 94 palavras-chave, o modelo gerou em uma rodada 493 subconsultas diferentes, em média mais de cinco por palavra-chave.

Verifiquei se a posição nas subconsultas prevê a citação melhor que a posição na palavra-chave principal, e o meu primeiro resultado não sobreviveu à revisão cruzada. Em pares palavra-chave-página dos projetos que conduzo, escrevi a regra antes de calcular o resultado. A medida foi a área sob a curva ROC (AUC), ou seja, o quanto o sinal separa as páginas citadas das não citadas (0,5 é o nível do cara ou coroa, 1 é uma separação sem erro). As subconsultas venceriam se a área delas fosse maior em pelo menos 0,10. Em 29 pares reservados para o teste da AI Overview, a diferença foi de 0,44, ou seja, o teste foi “aprovado”.

A revisão cruzada mostrou que comparei duas medições de precisão diferente. O revisor, que recalculou tudo do zero, reproduziu os meus números até o último dígito, mas notou que a posição na palavra-chave principal eu tinha tirado de uma única coleta de resultados do Google, e a citação de cinco. Depois de calcular a posição a partir das mesmas cinco coletas, a diferença caiu para 0,04, com intervalo de -0,28 a +0,36. Não mostrei, portanto, que as subconsultas são melhores que a posição, nem que são piores. Os dois sinais dizem alguma coisa, então trabalho com os dois.

A posição de uma única coleta do DataForSEO se mostrou o sorteio de uma entre várias variantes de resultados. Quando coletei as mesmas 94 palavras-chave três vezes, com cerca de uma hora de intervalo, duas coletas da mesma palavra-chave tinham na mediana poucos endereços em comum no top 10: o índice de Jaccard, ou seja, uma medida de concordância entre dois conjuntos de 0 a 1, foi de 0,14-0,15. Parte das variantes provavelmente são resultados que uma pessoa no navegador não vê, porque em 5 palavras-chave o navegador coincidia com uma delas. A AI Overview foi estável: a presença dela coincidia entre as coletas em 97-99%. Por isso hoje calculo a posição dessa ferramenta como participação em cerca de 10 coletas enviadas ao mesmo tempo. Não verifiquei outras ferramentas assim.

Trechos que respondem sozinhos

O modelo costuma usar não a página inteira, mas os trechos que respondem à consulta dele. Por isso escrevo de modo que cada trecho possa ser entendido sem o resto da página: a resposta na primeira frase sob o título, números concretos com denominador e data, nomes em vez de “isso” e “esse”. Todo parágrafo deste texto começa com uma frase com a conclusão exatamente por isso. É uma boa prática de escrita que ajuda também as pessoas, e não uma técnica separada para a IA.

Isso não significa que é preciso picar o conteúdo em pedaços pequenos ou multiplicar os títulos. O Google escreve claramente que não há exigência de dividir o conteúdo em trechos pequenos para a IA entendê-lo melhor (Google Search Central). Verifiquei também se mais títulos ajudam a chegar ao top 3. Em 632 páginas do top 10 para 119 consultas em inglês do nicho de software para empresas (EUA, 26 de setembro de 2026), a razão de chances foi de 0,95 (intervalo de confiança de 95%: 0,81-1,12), e depois de considerar o tamanho do texto, 1,00. A participação das páginas no top 3 foi quase igual nos três grupos, do menor ao maior número de títulos: 32%, 34% e 32%. É o mesmo teste de que falo no texto sobre estratégia de SEO: um nicho e um dia de medição. Basta, porém, para eu não acrescentar títulos para melhorar a posição: o título deve dizer do que trata o trecho abaixo dele.

Perguntas em polonês, subconsultas em inglês

No meu conjunto, parte das subconsultas para perguntas em polonês estava em inglês. 81 de 277 subconsultas geradas para palavras-chave em polonês não tinham características do polonês. Por exemplo, uma pergunta em polonês sobre o ranking de produtos de uma categoria virou uma consulta em inglês com o ano no nome. É uma heurística grosseira em um único conjunto, mas basta para eu verificar, no caso de uma marca polonesa, também o que dizem as fontes em inglês.

Como entrar na memória do modelo?

A memória do modelo você não muda só com o seu próprio site: conta o que as outras pessoas escrevem sobre você. O modelo aprende com grandes conjuntos de textos coletados antes do fim do treinamento. Se sobre a marca escreve sobretudo ela mesma, e as fontes de terceiros são antigas ou contraditórias, o modelo repetirá uma imagem antiga ou contraditória. Não tenho medição de quão rápido a memória dos modelos se atualiza. Suponho que só nas versões seguintes, então não prometo nada aqui em um horizonte de trimestre.

Na minha própria marca vejo as duas fontes de erro ao mesmo tempo. O Gemini me descrevia com o empregador de alguns anos atrás, no presente, e a rogala.pro como um site “em construção”. Duas descrições que os modelos mais repetiam sobre mim vêm literalmente da minha minibiografia em um portal do setor, que aparece bem no Google para o meu nome e sobrenome. Esse empregador como atual, porém, nenhuma das 26 páginas que verifiquei nos resultados para o meu nome e sobrenome informa, então esse erro provavelmente está na memória do modelo. Vou verificar isso com as mesmas perguntas quando a minibiografia for atualizada.

O que o modelo lembra sobre a marca você mesmo pode verificar, sem ferramentas de visibilidade em IA. Faça perguntas sobre a marca sem acesso à busca, o mais seguro pela API sem a ferramenta de busca. Pergunte com o que a marca trabalha, para quem e desde quando atua, cada pergunta três vezes. Depois compare as respostas com os fatos e anote separadamente o que está atual, o que está desatualizado e o que foi inventado.

Menções sem uma definição coerente da marca repetem a descrição antiga, então começo pela identidade. A minha ordem:

• uma definição da marca, a mesma no site, nos perfis e nas minibiografias em sites de terceiros;
• dados estruturados com identificadores que verifiquei à mão;
• registros em bases de conhecimento, como a Wikidata, só onde há fontes que os confirmem;
• só depois menções e publicações em lugares que outra pessoa edita.

O identificador precisa ser aberto e lido antes de entrar no código da página. Em 5 de outubro de 2026 percebi que o identificador do Knowledge Graph, que desde o dia anterior estava nos dados estruturados da rogala.pro, leva ao painel de um ator com o mesmo nome e sobrenome. Por cerca de um dia a minha página declarou aos buscadores que eu era ator. A verificação leva um minuto: o endereço google.com/search?kgmid= com o identificador acrescentado mostra a quem ele realmente pertence.

A Wikidata não aceita um registro para o qual não há fontes. A Wikidata exige fontes para informações sobre pessoas vivas, então não dá para declarar nela uma especialização sobre a qual ninguém além de você escreveu. Por isso, no meu caso comecei por publicações em lugares editados por outras pessoas, e não por um registro na base.

O que funciona no GEO e o que é mito?

Divido as afirmações sobre GEO pela força da prova. “Documentado” é o que a documentação do buscador confirma, e “minha medição” é o resultado de uma configuração, que repito. “Refutado” e “não demonstrado” são o que verifiquei com dados próprios e que não sobreviveu ou não resolveu nada. “Sem prova” são os conselhos populares sem medição por trás, e às vezes com prova em sentido contrário.

Não há prova de que o arquivo llms.txt e as versões de páginas em Markdown ajudam a entrar nas respostas de IA. O Google escreve que, para estar na busca dele, não é preciso criar novos arquivos para máquinas, arquivos de texto para IA, marcações nem Markdown (Google Search Central). Quando em julho de 2026 verifiquei 10 domínios do meu portfólio, nenhum servia aos agentes de IA uma versão em Markdown. Na rogala.pro, cada página tem desde 8 de outubro uma versão em Markdown e um arquivo llms.txt, e até 8 de novembro meço nos logs do servidor se alguém os baixa. Na Polônia, a palavra-chave “llms txt” tem cerca de 720 buscas mensais, então vou tratar desse tema em separado.

Os dados estruturados descrevem a marca para o buscador, mas não há prova de que gerem citações. O Google escreve que os dados estruturados não são exigidos na busca generativa e que não há marcações especiais do schema.org que precisem ser adicionadas (Google Search Central). Matt Buxbaum, da Seer Interactive, analisou 8.500 palavras-chave com AI Overview e 6.354 páginas que conquistaram nelas a primeira citação: o schema e os sinais de E-E-A-T foram os que menos se associaram à vitória, e as páginas com mais marcações FAQ e HowTo tiveram resultado cerca de 10 vezes pior (Seer Interactive, 28/05/2026). É uma correlação, então não sei se as marcações prejudicam, mas não leio esses dados como prova de benefício. Uso os dados estruturados para descrever a entidade (quem, o quê, onde, com quais identificadores), porque é para isso que servem. Ainda não terminei um teste próprio do efeito deles nas respostas de IA.

Menção e citação são duas coisas diferentes, e muitos relatórios as confundem. Petrovic separa três eventos: a página que o sistema baixou como material para a resposta, a citação, ou seja, a página mostrada como fonte, e a menção, ou seja, o nome da marca no texto da resposta, que o usuário lê e memoriza (Dejan, 7/07/2026). A marca pode ser citada sem menção no texto e mencionada sem citação da página. Por isso meço essas duas coisas separadamente e não as somo em um único “índice de visibilidade em IA”.

Como saber se o GEO funciona?

Sem um ponto zero você não atribui o efeito a nenhuma mudança, então eu o registro antes da primeira correção. No ponto zero entram as perguntas anotadas literalmente, os nomes e as versões dos modelos, a data e o mercado. Monto as perguntas a partir de dados de demanda e do Search Console, e a maioria delas não contém o nome da marca, porque o nome na pergunta já sopra a resposta ao modelo. O conjunto de perguntas com duas faixas de posição descrevo no texto sobre estratégia de SEO.

Meço cinco coisas separadamente, porque cada uma pode ir para um lado:

1. A menção da marca no texto da resposta.
2. A citação da página como fonte.
3. Se o modelo chegou a pesquisar na web, ou seja, busca e memória separadamente.
4. O tráfego de assistentes de IA na ferramenta de análise, que é sempre um limite inferior, porque parte das visitas chega sem informação de origem.
5. O tráfego do Google no mesmo período, para que a mudança voltada à IA não aconteça à custa dos resultados comuns.

As respostas dos chats são aleatórias, então faço a mesma pergunta três vezes ao mesmo tempo. A AI Overview é estável e para ela basta uma coleta. O número de uma ferramenta de visibilidade em IA eu sempre leio junto com o denominador: é a participação no meu conjunto de perguntas, e não a “participação no mercado de IA”, que ninguém conhece.

O que faço no meu site e o que ainda não sei?

Falo publicamente de IA na busca desde 2016, mas ainda não tenho a minha própria marca nas respostas de IA, e foi daí que começou o meu experimento. Ponto zero de 26 de julho de 2026: a rogala.pro não tinha nenhuma citação em nenhuma das 7 superfícies de IA verificadas no Ahrefs para a Polônia, e em 6 verificações em três plataformas, em perguntas sem o meu nome, nenhum modelo me mencionou. Perguntado sobre mim pelo nome, o modelo repetia a descrição de alguns anos atrás. É uma única medição, e sem o ChatGPT, porque a ferramenta com que coletei as respostas não devolveu resultados para ele, então a trato como ponto de partida, e não como prova.

A ordem dos trabalhos vem dos dados: primeiro a identidade, depois o alcance. Organizei uma definição única nos perfis (no LinkedIn em 30 versões de idioma), verifiquei os identificadores nos dados estruturados (daí o tropeço com o ator), publiquei o site e o blog em 27 idiomas com versões em Markdown. O alcance, ou seja, publicações e menções em mídias de terceiros, vem só depois.

Ainda não sei se isso funciona. Planejei a primeira nova medição das respostas de IA a partir de 1º de novembro de 2026, e o resultado da medição dos arquivos Markdown sai depois de 8 de novembro. Vou acrescentar os resultados a este texto, inclusive se saírem zerados.

Perguntas frequentes sobre GEO

Por onde começar?

Os três primeiros passos não custam nada além de tempo. Verifique se os robôs dos buscadores de IA recebem o seu site. Faça três vezes ao mesmo tempo algumas perguntas que os seus clientes fazem, sem o nome da sua marca, e anote quem é mencionado e quem é citado. Leia o que os resultados do Google dizem só sobre o nome da sua marca, porque os modelos usam as mesmas fontes. Se o resultado surpreender você, é um bom assunto para uma consultoria.