Como os motores de IA decidem que marcas citar: dados e mecanismos

Resumo. Os motores generativos — ChatGPT, Perplexity, Google AI Overviews, Gemini, Claude e Copilot — colocam-se hoje entre o comprador e os sites dos fornecedores, e os dados comportamentais são inequívocos: num estudo do Pew Research Center sobre 68 879 pesquisas no Google, os utilizadores clicaram num resultado clássico em 8 % das visitas em que aparecia um resumo de IA, contra 15 % sem resumo [1]. A visibilidade está a deslocar-se das posições para as respostas. Este whitepaper explica como funciona a seleção de fontes nos motores generativos, sintetiza os dados revistos por pares e os dados da indústria sobre o que a move e esboça um programa assente em medição para as marcas. A sua tese central: a citação é uma propriedade do conteúdo, não um acaso — pode ser construída e monitorizada.

1. Enquadramento: de listas ordenadas a respostas formuladas

Dois conjuntos de dados de 2025 quantificam esta mudança. O Pew Research Center analisou o comportamento de navegação de 900 adultos norte-americanos em 68 879 pesquisas no Google, em março de 2025: 18 % das pesquisas geraram um resumo de IA, e essas páginas foram acionadas com muito mais frequência por formulações em pergunta e por pesquisas longas — 53 % dos pedidos com dez palavras ou mais geraram um [1]. A Ahrefs, ao analisar 300 000 palavras-chave com dados agregados da Google Pesquisar Console, encontrou uma taxa de cliques do primeiro resultado 34,5 % mais baixa quando existia um AI Overview (abril de 2025) e cerca de 58 % em dezembro de 2025 [2].

O fundamento de tráfego do SEO clássico erode exatamente no momento em que uma nova superfície — a própria resposta — se torna o ponto de decisão. Nesse ambiente, a unidade de competição já não é a posição, mas a menção: se a marca é nomeada, em que lugar da resposta e com que exatidão é descrita.

2. Âmbito e método

Este whitepaper sintetiza três classes de dados:

1. Investigação revista por pares — sobretudo o estudo GEO-bench da Universidade de Princeton, do IIT Delhi e do Todosen Institute for AI, publicado na KDD 2024 [3], bem como os trabalhos de monitorização da Universidade Carnegie Mellon [4].
2. Medições industriais de grande escala — o conjunto de dados comportamentais do Pew Research Center [1] e os estudos de palavras-chave e de marcas da Ahrefs [2][5].
3. A nossa prática de monitorização — conjuntos de prompts neutros executados diariamente em seis motores, com os quais verificamos se os resultados publicados se generalizam aos motores em produção.

Cada número está associado à respetiva fonte e os estudos de fornecedores são identificados como tal. Não reivindicamos qualquer conhecimento dos mecanismos internos dos motores; a lógica de seleção da secção 3 é derivada de grandezas de entrada e de saída observáveis.

3. O pipeline de seleção

Por detrás de superfícies diferentes, os motores generativos seguem um pipeline em grande parte semelhante:

1. Compreensão da pergunta. O motor reescreve o prompt do utilizador numa ou em várias consultas semelhantes a pesquisa e acrescenta contexto que o utilizador nunca introduziu — localização, categoria de produto, sinais de orçamento.
2. Recuperação. Essas consultas são executadas contra um índice de pesquisa ou o corpus de rastreio do motor. Só os documentos que se posicionam suficientemente bem para as consultas reescritas chegam à fase seguinte; uma falha de recuperação é invisível e irreversível.
3. Seleção e compressão. O modelo lê os documentos recuperados e decide que fontes sustentam cada afirmação. Tudo o resto é descartado, independentemente da posição. Os lugares de citação por resposta são escassos — uma mão-cheia de fontes sobrevive entre dezenas de documentos recuperados.
4. Composição. A resposta é formulada e as fontes sobreviventes tornam-se as citações visíveis — quando existem.

Consequência prática: uma boa posição na pesquisa clássica é necessária, mas não suficiente. Uma página pode estar em primeiro lugar e nunca ser citada, se o modelo não conseguir extrair dela afirmações atribuíveis.

4. Resultados

F1 — As alterações de conteúdo movem a visibilidade, de forma mensurável

O benchmark GEO-bench (cerca de 10 000 pedidos; nove estratégias de modificação de conteúdo; vários motores generativos) mostrou que acrescentar citações textuais, estatísticas e fontes aumentou a visibilidade das páginas nas respostas geradas até cerca de 40 % em termos relativos — as citações textuais e as estatísticas explicitamente nomeadas figuraram entre as alavancas mais fortes; a única tática legada testada, o keyword stuffing, teve um efeito negativo [3]. Os trabalhos complementares da CMU mostram que um conteúdo cooperativo e semanticamente explícito obtém taxas de citação 35 a 60 % superiores às de equivalentes lacónicos ou adversariais [4]. A direção é constante: os motores premeiam fontes que tornam as afirmações facilmente verificáveis e extraíveis.

F2 — A corroboração vale mais do que a dimensão

O estudo da Ahrefs sobre 75 000 marcas mostra que as menções web das marcas correlacionavam 0,664 com a presença nos AI Overviews — uma associação mais forte do que a das backlinks ou do que a do domínio — e que as marcas na metade inferior por volume de menções eram praticamente invisíveis nas respostas de IA [5]. Ser descrito de forma consistente por fontes independentes conta mais do que a autoridade do próprio site.

F3 — A visibilidade e o tráfego separam-se

O Pew verificou que os utilizadores clicaram numa fonte dentro do resumo de IA em apenas 1 % das visitas e que terminaram a sessão após 26 % das páginas com resumo [1]. A Ahrefs mostra que até os resultados na décima posição perderam cerca de um quinto dos seus cliques [2]. Ser citado na resposta torna-se cada vez mais a exposição total — o clique já não pode ser assumido.

F4 — Os motores divergem, por isso as médias enganam

Na nossa monitorização diária, o mesmo prompt neutro produz com regularidade marcas citadas diferentes em ChatGPT, Perplexity e AI Overviews, e essas divergências mudam ao longo do tempo. Isto coincide com a observação dos autores do GEO-bench: a eficácia das estratégias varia consoante o pedido e o motor [3]. Uma auditoria a um único motor é, por isso, estruturalmente enganadora: mede uma amostra de uma única distribuição.

F5 — A atualidade conta, de forma seletiva

Os motores ponderam mais a atualidade em perguntas sensíveis ao tempo e toleram dados antigos em definições estáveis. O conselho genérico de «atualizar tudo» desperdiça esforço; o investimento em frescura deve seguir as perguntas em que a desatualização altera a resposta.

5. Implicações para as marcas

• Trate a resposta como uma landing page. A descrição da marca dentro de uma resposta de IA faz hoje o que antes fazia uma title tag.
• Invista em afirmações extraíveis e fontes nomeadas. São as alavancas com dimensões de efeito publicadas [3][4].
• Construa descrições de terceiros consistentes. A corroboração por fontes independentes é a associação mais forte, ao nível da marca, com a visibilidade em IA [5].
• Meça por motor, por prompt e ao longo do tempo. As auditorias pontuais confundem diferenças entre motores com evolução real.
• Não espere que os cliques acompanhem as citações. Comunique a visibilidade como um resultado autónomo [1][3].

6. Limitações

Os benchmarks medem visibilidade relativa em condições controladas, não receita; a ligação entre visibilidade e resultados de negócio não está documentada. Os estudos de fornecedores apresentam assimetrias de divulgação — as metodologias e as amostras diferem, e os motores evoluem mais depressa do que os estudos conseguem ser replicados. Os números aqui citados são indicativos e datados; nenhum deve ser lido como uma constante permanente. Os nossos próprios dados de monitorização são dados observacionais de seis motores e das categorias dos nossos clientes.

7. Recomendações

1. Construa um conjunto estável de prompts a partir das perguntas que os seus compradores fazem efetivamente aos motores; fixe-o antes de alterar algo no site.
2. Reveja as páginas centrais quanto a afirmações extraíveis e clareza de entidade — formule os conteúdos para que os parágrafos possam existir por si próprios.
3. Identifique as fontes de terceiros citadas na sua categoria e trate os seus padrões editoriais como referência para os seus próprios conteúdos.
4. Executar o conjunto de prompts diariamente em todos os motores; acompanhe a taxa de menção, a posição e as fontes citadas como tendências separadas.
5. Compare a tendência de visibilidade em IA com as métricas da pesquisa clássica — e conte com a possibilidade de divergirem.

Referências

1. Pew Research Center, «Google users are less likely to click on links when an AI summary appears in the results», julho de 2025. pewresearch.org
2. Ahrefs, «AI Overviews Reduce Clicks by 34.5%» (abril de 2025) e atualização de dezembro de 2025 (300 000 palavras-chave, dados da Google Pesquisar Console). ahrefs.com/blog/ai-overviews-reduce-clicks
3. Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., Deshpande, A., «GEO: Generative Engine Optimization», KDD 2024. arXiv:2311.09735
4. Chen, et al., «What Generative Pesquisar Engines Like», Carnegie Mellon University, 2025. arXiv:2510.11438
5. Ahrefs, «An Analysis of AI Overview Brand Visibility Factors (75K Brands Studied)», 2025. ahrefs.com/blog