GEO & AEO: o guia para aparecer em ChatGPT, Claude, Gemini e Perplexity.

O GEO (Generative Engine Optimization) ganhou nome acadêmico com o paper "GEO: Generative Engine Optimization", assinado por Pranjal Aggarwal, Vishvak Murahari, Tanmay Rajpurohit, Ashwin Kalyan, Karthik R. Narasimhan e Ameet Deshpande (Princeton, Georgia Tech, Allen Institute for AI e IIT Delhi). É esse time que sustenta a disciplina quando alguém fala de GEO com embasamento real, e não só opinião de LinkedIn.

A trilha é pública e auditável: primeira versão no arXiv em novembro de 2023, versão final apresentada no KDD '24 (ACM SIGKDD), em Barcelona, agosto de 2024, DOI 10.1145/3637528.3671900. Os autores abriram tudo: código no GitHub (GEO-optim/GEO), dataset no HuggingFace (GEO-optim/geo-bench) e o site oficial em generative-engines.com/GEO/. Para quem quer ir a fundo, dá para reproduzir os experimentos em casa.

O que interessa do paper para quem toca marketing é a definição. Um generative engine (GE) é um sistema que recebe a pergunta do usuário, dispara um motor de busca para trazer fontes e entrega uma resposta sintetizada, com ou sem citar cada fonte. Essa descrição (formalizada como f_GE: (q_u, P_U) → r) é o que permite tratar Bing Chat, Google AI Overviews, Perplexity.ai, ChatGPT Search e Gemini sob a mesma lógica. Uma única disciplina em vez de cinco manuais diferentes.

Olhar para a origem de cada sigla ajuda. Cada uma revela uma camada diferente do mesmo problema:

• ▸SEO (Search Engine Optimization), nasceu em meados dos anos 1990 e se consolidou no início dos 2000, quando o Google virou sinônimo de busca. Otimiza para ranking de links.
• ▸AEO (Answer Engine Optimization), cunhado por Jason Barnard (Kalicube) em 2018, no contexto de featured snippets, Answer Box do Google, Alexa, Siri e Google Assistant. Otimiza para resposta direta.
• ▸GEO (Generative Engine Optimization), virou termo acadêmico em novembro de 2023, com Aggarwal et al. Otimiza para entrar na resposta que o LLM sintetiza.
• ▸LLMO, AIO, AIEO, variações do mesmo conceito, cada uma popular em um canto do mercado. O Neil Patel Brasil coloca direto: "você pode usar GEO, AIO ou LLMO, o importante é entender que se trata da mesma coisa". A Wikipedia (verbete "Generative Engine Optimization") confirma: em 2026, ainda não há consenso acadêmico para separar AEO e GEO com régua.

• SEO: conjunto de práticas técnicas e editoriais para aparecer e ranquear nas SERPs (Search Engine Results Pages) de motores de busca com recuperação e ranking clássicos.
• AEO: otimização de conteúdo para virar a resposta direta dos answer engines, featured snippets, Position Zero, knowledge panels, assistentes de voz, PAA e componentes não-generativos da SERP.
• GEO: otimização para ser citado, referenciado ou parafraseado dentro da resposta sintetizada por motores generativos (RAG-powered), ChatGPT, Perplexity, Claude, Gemini, Copilot, Google AI Overviews e AI Mode.

Na prática, AEO e GEO se misturam. A Microsoft Advertising, por exemplo, trata os dois como fases do mesmo processo (AEO = descoberta/indexação; GEO = avaliação de citabilidade). Neste guia, AEO e GEO aparecem como disciplinas complementares e sobrepostas, é a mesma leitura operacional que HubSpot, Semrush, Frase e Search Engine Land vêm seguindo.

Não.

Lily Ray (Amsive) aponta o óbvio que muita gente finge não ver: citação em IA quase sempre espelha a força do SEO orgânico. 92,36% das citações em AI Overviews vêm de domínios que já estão no top 10 do Google. E a Seer Interactive mostrou que marcas citadas em AI Overviews ganham 35% mais cliques orgânicos e 91% mais cliques pagos nas mesmas queries.

SEO é a base. AEO é a camada de resposta direta. GEO é a camada de inclusão em síntese. Cada um resolve um problema diferente e os três se somam. A Gartner reforça o caminho: quantidade de conteúdo, qualidade, E-E-A-T e watermarking serão os diferenciadores em 2026.

O paper cria métricas próprias por um motivo simples: ranking clássico de SERP não serve para respostas sintetizadas. Posição, comprimento e estilo da citação variam demais. Quatro são as que importam:

• ▸Word Count (Imp_wc): fração de palavras da resposta atribuíveis à citação cᵢ. Quando a sentença tem múltiplas citações, a fatia é dividida igualmente entre elas.
• ▸Position-Adjusted Word Count (Imp_pwc): a métrica anterior, com decaimento exponencial por posição. A ideia vem de estudos de CTR em power-law (Goodwin 2011, Dean 2023): quanto mais cedo a citação aparece, mais peso ela ganha.
• ▸Subjective Impression: score LLM-as-judge (G-Eval + GPT-3.5) sobre 7 sub-métricas: Relevance, Influence, Uniqueness, Subjective Position, Subjective Count, Click-likelihood e Diversity.
• ▸Melhoria relativa: (Imp(r′) − Imp(r)) / Imp(r) × 100%. É o Δ que os autores usam para medir ganho de uma técnica contra o baseline.

É desse vocabulário que nasce tudo o que o mercado hoje chama de "AI visibility".

A SparkToro (Rand Fishkin, 2025) mostrou algo que quem testa LLMs já desconfiava: as respostas são muito inconsistentes quando o modelo recomenda marcas. A proposta de Fishkin é simples e útil: medir estatisticamente, em larga escala, nunca por resposta individual. Um teste do Genezio aplicou seis ferramentas diferentes à mesma marca (Honda) e o resultado foi o previsível: "each tool told a different story". Cada plataforma contou uma versão.

Implicação prática: o que importa é tendência agregada. Média sobre centenas de prompts ao longo do tempo, não snapshot.

Um dashboard AEO/GEO maduro combina quatro camadas. Quem tenta cobrir tudo com uma única ferramenta costuma sofrer.

1. 01GSC + GA4: tráfego orgânico tradicional, mais queries com impressão alta e CTR baixo. Esse segundo indicador é o sinal clássico de AIO ou featured snippet capturando o clique antes do seu site.
2. 02Plataforma de AI visibility (Profound, Peec, Otterly): SoV, citation rate e sentiment por LLM.
3. 03Log analytics de AI crawlers (Cloudflare, Profound Agent Analytics): quem está crawleando o seu site, com que frequência e em que volume.
4. 04Manual QA: teste mensal dos 30 a 50 prompts mais relevantes em ChatGPT, Perplexity, Gemini e Claude. É o que calibra as plataformas automáticas, sem ele você termina confiando em números sem lastro.

Aggarwal et al. montaram o GEO-Bench para medir o que funciona. São 10.000 queries (8K treino, 1K validação, 1K teste), distribuídas em 9 datasets (MS MARCO, ORCAS-I, Natural Questions, AllSouls, LIMA, Davinci-Debate, Perplexity Discover, ELI5, mais um conjunto gerado por GPT-4) e 25 domínios. A distribuição é realista: cerca de 80% informacional, 10% transacional, 10% navegacional. O pipeline de GE replica o de Liu et al. 2023 em dois passos: top-5 do Google, mais GPT-3.5-turbo com citações, 5 amostras a temperatura 0,7 e 5 seeds diferentes. É o tipo de rigor que falta na maior parte do conteúdo de GEO publicado por aí.

1. Authoritative, tom autoritativo
2. Statistics Addition, adicionar estatísticas
3. Keyword Stuffing, controle SEO clássico
4. Cite Sources, adicionar citações
5. Quotation Addition, adicionar quotes
6. Easy-to-Understand, simplificar linguagem
7. Fluency Optimization, melhorar fluidez
8. Unique Words, palavras únicas
9. Technical Terms, terminologia técnica

Baseline: ~19,3–19,5 em ambas as métricas.

Leitura: os três vencedores são Quotation Addition, Statistics Addition e Cite Sources. Todos ancorados em evidência externa. Fluency Optimization confirma algo revelador: LLMs valorizam apresentação, não só conteúdo. E keyword stuffing é contraproducente. A caricatura do SEO clássico simplesmente não sobrevive em motor generativo.

Se você é uma empresa pequena lendo este guia, este é provavelmente o achado mais importante de todos:

• ▸Fontes Rank 5 ganham até +115,1% de visibilidade com Cite Sources, +99,7% com Quotation Addition e +97,9% com Statistics Addition.
• ▸Fontes Rank 1 podem perder até −30% quando todas as fontes otimizam.

Interpretação dos autores: motores generativos não dependem de backlinks e autoridade de domínio como os motores de busca clássicos. Isso nivela o campo para criadores menores. É a diferença filosófica fundamental entre SEO e GEO: SEO recompensa quem já está estabelecido, GEO recompensa quem estrutura bem o conteúdo, venha de onde vier.

• ▸Authoritative funciona melhor em Debate, History e Science.
• ▸Cite Sources brilha em Factual, Law & Government.
• ▸Quotation Addition domina People & Society, Explanation e History.
• ▸Statistics Addition vence em Law & Gov., Debate e Opinion.

Técnicas combinadas batem as aplicadas isoladamente em mais de 5,5%. O melhor par é Fluency Optimization com Statistics Addition. E Cite Sources, apesar de individualmente fraca, rende muito quando combinada com outras.

A Tabela 5 do paper ("GEO in the wild") testa as técnicas em sistema real: Quotation Addition entrega +22% em Position-Adj Word Count, Statistics Addition entrega +37% em Subjective Impression. E Keyword Stuffing, de novo, cai −10%. As magnitudes mudam em produção, mas a direção se mantém. O que funciona no laboratório funciona no Perplexity.

• AutoGEO (Wu et al., arXiv 2510.11438, aceito ICLR 2026): RL treinado para aprender preferências de motor generativo. Reporta +50,99% sobre Fluency Optimization, que era o baseline mais forte de Aggarwal. Vem em duas versões: AutoGEO_API (prompt-based) e AutoGEO_Mini (modelo compacto).
• Chen et al., "GEO: How to Dominate AI Search" (arXiv 2509.08919, 2025): AI Search tem viés sistemático a favor de "Earned Media", em detrimento de conteúdo brand-owned e social. É um dado que muda como você deve planejar a distribuição de conteúdo.
• AgenticGEO: sistema self-evolving, state-of-the-art em GEO-Bench.
• E-GEO (arXiv 2511.20867): Columbia e MIT estendem o testbed para e-commerce.
• Kumar & Lakkaraju (2024), "Manipulating LLMs to Increase Product Visibility" (arXiv 2404.07981): o contraponto adversarial ao GEO. Mostra que "strategic text sequences" conseguem injetar viés em recomendações de LLM. Vale leitura para entender onde a disciplina cruza a linha da ética.
• Liu, Zhang, Liang (Stanford, EMNLP Findings 2023), "Evaluating Verifiability in Generative Search Engines" (arXiv 2304.09848): apenas 51,5% das sentenças geradas são totalmente suportadas pelas citações, e só 74,5% das citações realmente sustentam as afirmações. Em outras palavras: metade do que os motores generativos afirmam está frouxamente embasado. Esse é o buraco em que você pode entrar.

A AirOps mediu o efeito: páginas com estrutura clara e schema markup ganham 2,8× mais citações de IA. JSON-LD é o formato preferido pelo Google. Os schemas que fazem diferença:

• ▸FAQPage, essencial para PAA e AI citations
• ▸HowTo, para step-by-step com HowToStep, tool, supply
• ▸Article + Person (autor), E-E-A-T evidenciável
• ▸Organization + sameAs, Knowledge Graph / Wikidata
• ▸BreadcrumbList, hierarquia
• ▸Product + AggregateRating, e-commerce com reviews
• ▸QAPage, priorizado por ChatGPT/Perplexity (tem upvoteCount, answerCount, dateCreated que FAQPage não tem)
• ▸SpeakableSpecification, voice (beta, editores de notícias US)
• ▸ClaimReview, fact-checking

{
  "@context": "https://schema.org",
  "@type": "FAQPage",
  "mainEntity": [{
    "@type": "Question",
    "name": "O que é Answer Engine Optimization?",
    "acceptedAnswer": {
      "@type": "Answer",
      "text": "AEO é a prática de estruturar conteúdo para que sistemas de IA como ChatGPT, Perplexity, Claude e Google AI Overviews possam extrair, entender e citar o conteúdo como resposta autoritativa."
    }
  }]
}

Conexão cross-platform via sameAs (crítico para Knowledge Graph): LinkedIn, Wikidata QID, Wikipedia, Crunchbase, Twitter/X, GitHub.

A tipologia define a tática. Cada formato tem seu padrão:

• ▸Paragraph snippet (cerca de 82% dos FS): H2 com a pergunta literal e, logo abaixo, a resposta em 40 a 60 palavras.
• ▸List snippet (numbered ou unordered): `ol` ou `ul` com 5 a 8 itens. Em how-to, cada passo vira um H3 com parágrafo curto logo abaixo.
• ▸Table snippet: `table` em HTML real (nada de imagem), com pelo menos 3 colunas e 4 linhas.
• ▸Video snippet: VideoObject schema com transcrição e timestamps (SeekToAction ou Clip).

Fórmula canônica: [pergunta como H2] + [resposta direta em 40 a 60 palavras] + [elaboração] + [lista ou tabela].

• ▸Minere perguntas com AlsoAsked, AnswerThePublic ou Semrush Topic Research.
• ▸Cada pergunta do PAA vira um H2 ou H3.
• ▸Resposta logo abaixo, em 2 a 3 frases.
• ▸Empilhe clusters de PAA relacionados no mesmo conteúdo.

• ▸Linguagem conversacional, queries com 7 ou mais palavras.
• ▸Resposta média de 29 palavras (Backlinko).
• ▸Nível de leitura de 9ª série ou inferior (Flesch 60 a 70 ou mais).
• ▸LocalBusiness schema, NAP consistente e Google Business Profile atualizado.
• ▸SpeakableSpecification marcando os trechos-chave.
• ▸FAQs começando com "como", "o que", "quando", "onde" e "por que".
• ▸HTTPS (presente em cerca de 70% dos resultados de voz).

• HubSpot é o case mais citado de queda por AI Overviews: o tráfego orgânico mensal caiu de cerca de 13,5M em novembro de 2024 para menos de 7M em dezembro do mesmo ano, chegando a 6M nos meses seguintes (dados Ahrefs). A CEO Yamini Rangan admitiu na earnings call que "organic search traffic is declining globally" e que "AI overviews are giving answers, and fewer people are clicking through to websites". A síntese que circulou no LinkedIn resume bem: "If HubSpot, with one of the best SEO teams in the world, can experience this, none of us are safe". Se o HubSpot sente, ninguém está blindado.
• DMG Media (Daily Mail): o CTR caiu de 25,2% em desktop regular para 2,8% quando o AI Overview aparece, uma queda de 89%. A ressalva: AI Overviews raramente triggeram para breaking news, então o impacto agregado ficou limitado.
• Bank of America (Profound, junho de 2025): 32,2% de visibilidade em plataformas de IA para queries bancárias. Navy Federal Credit Union ganhou representação desproporcional frente ao investimento em advertising tradicional.
• AthenaHQ: publica os case studies mais fortes da categoria. Reporta 10× de crescimento em citações e 50% mais demos para clientes.
• Peec AI: publicou um benchmark de 1 milhão de citações e uma análise de 232 mil citações listicle. Research original em escala relevante.
• Semrush (89 mil URLs de LinkedIn): 11% das respostas de IA citam LinkedIn. E não é página de empresa, é autor individual sendo citado. Sinal claro de onde a autoridade está migrando.

Semrush (10M+ keywords, 2025):

• ▸Prevalência de AIO: 6,49% em janeiro de 2025, pico de cerca de 25% em julho, estabilizou em 15,69% em novembro. Não é linear, o Google está ajustando na marra.
• ▸Em janeiro, 91,3% das queries com AIO eram informacionais. Em outubro, caiu para 57,1%. O AIO está migrando para queries comerciais e transacionais, onde o dinheiro está.
• ▸Queries navigational com AIO: 0,74% em janeiro, 10,33% em outubro. Até busca por marca começou a ganhar resposta gerada.
• ▸Google Ads em SERPs com AIO: 25,56% em outubro, crescimento de 394% vs. março. O Google está monetizando a nova SERP rápido.

Indústrias mais saturadas (% de keywords com AIO): Science, Computers & Electronics, People & Society, todas acima de 17%. Menos saturadas: Real Estate, Shopping, Arts & Entertainment, abaixo de 3%. O crescimento mais acelerado entre janeiro e março de 2025: Science (+22,27%), Health (+20,33%), People & Society (+18,83%), Law & Gov (+15,18%). Se o seu negócio está nesses setores, o chão já mexeu.

Insight crítico (Seer): marcas citadas dentro do AIO ganham +35% de cliques orgânicos e +91% de cliques pagos na mesma query. Ou seja, estar dentro do AIO vale mais que ranquear na posição 1 logo abaixo dele. É aqui que o jogo mudou.

• ▸Mais de 800M de usuários ativos semanais em dezembro de 2025, cerca de 900M em fevereiro de 2026 (OpenAI, Superlines, Arvow).
• ▸2,5 bilhões de prompts por dia em julho de 2025, 18 bilhões de mensagens por semana.
• ▸Revenue anualizado: US$ 6B em 2024, US$ 20B em 2025, mais de US$ 25B em fevereiro de 2026. Meta para 2026: US$ 29,4B.
• ▸Enterprise seats: mais de 7M, crescimento de 9x ano a ano, retenção de 88% após 12 meses.
• ▸34% dos adultos americanos já usaram ChatGPT (Pew, 2025). Entre menores de 30 anos, o número vai a 58%.
• ▸Market share entre chatbots em janeiro de 2026 (StatCounter): ChatGPT 79,98%, Perplexity 7,89%, Gemini 7,18%, Copilot 3,5%. É um mercado concentrado.
• ▸ChatGPT responde por cerca de 82% dos referrals de plataformas de IA para a web aberta (Statcounter, maio de 2025: 79,8%).
• ▸Tráfego referido por IA converte cerca de 4,4x melhor que busca orgânica (Superlines/Playwire). Menos volume, muito mais qualidade.

• ▸Cerca de 30M MAU em abril de 2025, 45M no segundo semestre.
• ▸780M queries em maio de 2025 (30M por dia), crescimento de 20% mês a mês.
• ▸239,97M visitas em novembro de 2025, 80,5M de downloads mobile.
• ▸Valuation na faixa de US$ 18-20B. ARR de aproximadamente US$ 148M em 2025.

• ▸Ferramentas de IA passaram de 0,24% para 0,64% do uso no desktop nos EUA (SparkToro/Datos 2025). Na Europa, de 0,26% para 0,78%.
• ▸Rand Fishkin lembra: o Google ainda faz cerca de 210x mais buscas por dia que o ChatGPT. A busca tradicional NÃO está em declínio absoluto, está perdendo share relativo. Isso muda o jogo, mas não acaba com ele.
• ▸Zero-click: 58% em 2024, 60% em 2025 (Semrush/Datos).
• ▸Detalhe da Semrush/Datos: quando uma keyword ganha AIO, a taxa de zero-click caiu levemente (33,75% para 31,53%). Ou seja, AIO não é causa direta de zero-click. É sintoma de uma intent que já era difícil de converter em clique.

• ▸Googlebot: 5:1, o modelo clássico que todo mundo conhece.
• ▸OpenAI: 785:1 em outubro de 2025, pico de 1.851:1 em dezembro, caiu para 692:1 em abril de 2026. Melhorou 56% com o OAI-SearchBot ativo.
• ▸Anthropic: 10.347:1, com picos de 73.000:1 em alguns momentos (e spikes de até 500.000:1).
• ▸Perplexity: 118:1. O mais eficiente em devolver tráfego.

Origem: Jeremy Howard (Answer.AI) propôs em 3 de setembro de 2024 (llmstxt.org). A ideia é simples: janelas de contexto são pequenas e HTML tem muito ruído (ads, JS, navegação). O llms.txt entrega o essencial em Markdown limpo.

• ▸/llms.txt: sumário em Markdown da estrutura do site, uma navegação curada para o modelo.
• ▸/llms-full.txt: documentação completa em Markdown concatenado, para o modelo ler tudo de uma vez.

Estrutura obrigatória: H1 com o nome do projeto, blockquote com resumo, seções em Markdown (opcionais), seções H2 com listas de links no formato [Título](URL): descrição, e uma seção ## Optional para recursos menos essenciais.

• ▸Ahrefs: cerca de 10% dos domínios implementaram (amostra enviesada para tech/dev, cuidado com o número).
• ▸SE Ranking (39k domínios): apenas 0,13%. Realidade bem mais modesta.
• ▸Adotantes notáveis em tech docs: Anthropic, Cursor, Bolt.new, Windsurf, Mintlify.
• ▸John Mueller (Google Search Advocate): "FWIW no AI system currently uses llms.txt". Comparou com a antiga meta keywords tag. Não é leve o recado.
• ▸Gary Illyes (Google, Search Central Live, julho de 2025): "Google doesn't support LLMs.txt and isn't planning to".
• ▸Carolyn Shelby (Yoast) rebate a analogia com meta keywords: "LLMs tend to drop into specific pieces of content, Mission Impossible-style... This context-first approach is exactly what llms.txt enables".
• ▸Em dezembro de 2025, o Google adicionou llms.txt nos próprios docs e depois removeu. Mueller confirmou: "not an endorsement".

O consenso prático em 2026: implemente como baixo risco e baixo esforço, mas não priorize acima de robots.txt, schema e E-E-A-T. É hedge, não é fundação.

1. Training crawlers (bloquear = proteger IP): GPTBot, ClaudeBot, anthropic-ai, CCBot, Google-Extended, Applebot-Extended, Meta-ExternalAgent, Amazonbot, cohere-ai, Bytespider, Diffbot. Esses puxam conteúdo para treinar modelos, sem te devolver tráfego.
2. Search/Retrieval crawlers (bloquear = sumir da busca IA): OAI-SearchBot, Claude-SearchBot, PerplexityBot, YouBot, DuckAssistBot, Applebot, Bingbot, Googlebot. Esses são os que alimentam as respostas quando o usuário pergunta.
3. User-action fetchers (alto valor de referral): ChatGPT-User, Claude-User, Perplexity-User, MistralAI-User, Google-NotebookLM, Meta-ExternalFetcher. Disparam quando o usuário clica ou pede conteúdo específico. É aqui que mora o tráfego qualificado.

A estratégia equilibrada: permita retrieval e user-action. Bloqueie training bulk. Simples assim.

# Permitir retrieval e user-action (visibilidade em IA)
User-agent: OAI-SearchBot
Allow: /
User-agent: ChatGPT-User
Allow: /
User-agent: Claude-SearchBot
Allow: /
User-agent: PerplexityBot
Allow: /

# Bloquear training bulk (proteção IP)
User-agent: GPTBot
Disallow: /
User-agent: ClaudeBot
Disallow: /
User-agent: Google-Extended
Disallow: /
User-agent: CCBot
Disallow: /
User-agent: Applebot-Extended
Disallow: /

# Search tradicional
User-agent: Googlebot
Allow: /
User-agent: Bingbot
Allow: /

• ▸Top 10.000 da Cloudflare em janeiro de 2025: GPTBot bloqueado em 7,8%, Google-Extended em 5,6%.
• ▸GPTBot bloqueado em cerca de 5,6M de sites (outubro de 2025, +70% vs. julho).
• ▸ClaudeBot: de 3,2M para 5,8M de sites (+81%) entre julho e dezembro de 2025.
• ▸Tollbit, Q2 de 2025: bloqueios subiram 336% ano a ano. E 13,26% das requests de IA ignoram o robots.txt (era 3,3% no Q4 de 2024). Ou seja, nem sempre bloquear adianta.
• ▸Estudo arXiv: bloqueio em sites reputados passou de 23% em setembro de 2023 para cerca de 60% em maio de 2025. Média de 15,5 user agents proibidos por site.
• ▸ALM Corp (publishers): 69% bloqueiam ClaudeBot, 62% GPTBot, 49% OAI-SearchBot, 40% ChatGPT-User. E aqui o dado mais perigoso: 71% bloqueiam sem saber pelo menos um bot de retrieval, o que destrói a presença em AI search sem querer.
• ▸Cloudflare, julho a dezembro de 2025: 416 bilhões de requests de AI bot, 2,5M de sites com managed robots.txt, 88% dos principais news outlets bloqueando AI crawlers (Wired).
• ▸Desde julho de 2025, a Cloudflare bloqueia AI crawlers por padrão em novos domínios. Isso protege cerca de 20% da web.

• ▸Consulte os IP ranges em JSON publicados por OpenAI, Google, Perplexity e Bing.
• ▸Use reverse DNS (dig -x IP, o PTR deve bater com o domínio do vendor).
• ▸Web Bot Auth (RFC 9421 / HTTP Message Signatures): é o padrão emergente de autenticação criptográfica de bots. Vale acompanhar.

Continuam relevantes, só que de forma indireta. Metas: LCP abaixo de 2,5s, INP abaixo de 200ms (substituiu o FID em março de 2024), CLS abaixo de 0,1. Mas o ponto mais crítico é outro: SSR ou SSG é obrigatório. AI crawlers são tipicamente lightweight e não renderizam JS pesado. Aleyda Solis e Lily Ray relatam casos de sites inteiros invisíveis para IA porque o conteúdo depende de JS client-side. Se o seu site só renderiza no browser do usuário, o LLM não vê nada. Zero.

• 2014: o Google introduz E-A-T.
• Dezembro de 2022: entra o segundo "E" (Experience). Nasce o E-E-A-T.
• QRG de janeiro de 2025: nova seção 4.7. Conteúdo gerado por IA sem revisão humana é qualificado como Lowest quality quando "created to benefit owner... with very little or no attempt to benefit website visitors". O alvo é o "scaled content abuse". Filler inflado é penalizado. Pegou um "As a language model, I don't have..." na página? Vira Lowest automaticamente.
• QRG de setembro de 2025: passa de 181 para 182 páginas. É a primeira vez com exemplos de rating específicos para AI Overviews. YMYL foi renomeado para "YMYL Government, Civics & Society".

A citação mais importante do QRG 2025: "Trust is the most important member of the E-E-A-T family because untrustworthy pages have low E-E-A-T no matter how Experienced, Expert, or Authoritative they may seem." Trust é o que sustenta o resto.

AI Overviews reciclam a elegibilidade de resultados orgânicos (Google Search Central, 2025). Na prática, os fundamentos de E-E-A-T são transportados diretamente para as citações em IA. Não existem dois jogos, é o mesmo.

Elementos críticos: `article`, `section`, `main`, `header`, `nav`, `aside`, `figure`, `figcaption`, `time`, `cite`, `blockquote`. Eles funcionam como âncoras para embeddings e reduzem o risco de hallucination. Use.

O sweet spot do chunking: 100 a 300 tokens (algo entre 75 e 225 palavras) por seção. Um tópico por seção. Headings descritivos, esqueça "Introdução" genérico. Tabelas e listas como chunks atômicos. Evite referências que dependem de contexto ("como mencionado acima", "veja gráfico abaixo"). O modelo pode ler só o pedaço, e o pedaço precisa se sustentar sozinho.

Estratégias de chunking usadas por LLMs: heading-based (a mais comum), fixed-size com overlap (200 a 400 tokens + 50 de overlap), recursive (paragraph para sentence para word), semantic chunking via similaridade de embeddings, LLM-guided chunking e late chunking.

Search Engine Land (outubro de 2025): conteúdo entity-driven aumenta em 35% a probabilidade de citação por IA. Estrutura vira resultado.

• Conversion (fundada em 2011 por Diego Ivo, mais de 100 especialistas, R$ 12 bilhões gerados para clientes) lançou oficialmente em 2025 seu primeiro serviço dedicado de GEO. Toda a carteira atual já tem iniciativas GEO em curso. Diego Ivo resume: "O SEO está vivendo seu maior ponto de inflexão nas últimas três décadas. Quem investir agora sairá na frente." A Conversion referencia dados do Gartner (25% até 2026) e da Semrush (tráfego de busca por IA supera o tradicional até 2028).
• Wyse (wyse.com.br/geo) se posiciona como pioneira em metodologia própria de GEO/AEO, integrando SEO técnico, conteúdo estruturado e reputação digital.
• Bloomin (São Paulo) publica bastante sobre GEO e oferece serviços, com foco em E-E-A-T e digital PR. Um dado relevante: empresas em SP que adotaram GEO destinam entre 10% e 20% do orçamento de marketing para essa frente.
• Rock Content mantém um dos primeiros artigos robustos em PT sobre o tema (escrito em 2024). Giuseppe Caltabiano, VP de Marketing, cravou: "Generative Engines representam uma mudança transformadora no paradigma dos motores de busca, oferecendo respostas diretas e abrangentes às consultas dos usuários e, assim, potencialmente reduzindo a necessidade de visitar sites de forma direta."
• RD Station (Resultados Digitais) trata o tema no blog educacional. Trata mais como tendência que como produto integrado, por enquanto.
• Neil Patel Brasil tem um dos guias mais acessíveis em PT. Equipara GEO/AIO/LLMO e traduz a tabela comparativa do Eric Siu (SEO vs. SGE vs. GEO).

• ▸Diego Ivo (Conversion), a voz institucional de GEO no país.
• ▸Fábio Ricotta (Agência Mestre), SEO tradicional fazendo a transição para IA.
• ▸Vitor Peçanha (Rock Content), cofundador, foco em conteúdo educacional.
• ▸Giuseppe Caltabiano (Rock Content), perspectiva de liderança sobre generative engines.
• ▸Roberto Dias Duarte (RDD10+), ponte com o material internacional (adaptou Charlie Guo, por exemplo).
• ▸Camila Porto, Mauricio Cardoso, Alex Peixoto e Diana Martins, profissionais de SEO BR bem ativos no LinkedIn em 2025 e 2026.

Rock Content, Conversion, RD Station, Neil Patel Brasil, Bloomin, Orgânica Digital, bfind, Prosperidade Conteúdos. RDD10+ (Roberto Dias Duarte). Manus (Guia Prático de GEO). Wyse blog.

• ▸RD Summit (maior evento de marketing digital do Brasil, anual).
• ▸SEO Summit e SEOnStage.
• ▸Digitalks.
• ▸MKT4Edu.
• ▸Cursos em Alura, Hotmart, Udemy PT-BR.
• ▸Canais no YouTube e grupos LinkedIn BR com crescimento acelerado em 2025.

• ▸Sabiá (Maritaca AI): família de modelos treinados nativamente em português brasileiro. O Sabiá-3 foi lançado em 2024. É referência quando a aplicação exige fluência nativa em PT-BR.
• ▸Gemini tem performance particularmente forte em PT. O Google treinou com um corpus brasileiro extenso.
• ▸ChatGPT e Claude funcionam bem em PT, mas ocasionalmente puxam para construções anglicizadas. A qualidade varia por domínio.
• ▸Variações PT-BR vs. PT-PT afetam relevância. Os modelos tendem a priorizar PT-BR (volume de dados maior), o que penaliza conteúdo de Portugal em queries brasileiras.
• ▸Brasileirismos, gírias regionais e termos técnicos em PT-BR (exemplo: "celular" vs. "telemóvel", "ônibus" vs. "autocarro") precisam estar explícitos. O modelo não adivinha.

O AIO foi lançado gradualmente no Brasil ao longo de 2024 e 2025. Em 2025, a cobertura expandiu de forma significativa. Semrush e Conversion publicaram análises específicas de AIOs em PT, mostrando padrões parecidos com os dos EUA: saturação em saúde, educação, direito e ciência, com impacto severo em publishers. G1, UOL e Folha viram quedas mensuráveis em queries informacionais. O roteiro americano está se repetindo por aqui, só que com alguns meses de atraso.

• ▸NILC/ICMC-USP (Núcleo Interinstitucional de Linguística Computacional), o principal grupo de NLP em português.
• ▸UFMG (DCC, grupo de IR e NLP).
• ▸UNICAMP (IC).
• ▸UFRGS (INF).
• ▸Maritaca AI (spin-off da USP e da UNICAMP), responsável pelos modelos Sabiá.
• ▸Publicações brasileiras sobre GEO propriamente dito ainda são escassas em 2025 e 2026. Oportunidade clara de pesquisa acadêmica para quem quiser plantar bandeira.

• ▸O Brasil é consistentemente top 5 global em uso de ChatGPT, frequentemente top 3 em algumas métricas. Adoção alta para um país de renda média.
• ▸Adoção de IA cresce 4x mais rápido em países de baixa e média renda vs. alta renda (NBER). O Brasil surfa essa onda.
• ▸O StatCounter Brasil mostra o ChatGPT como referrer de IA dominante, com Perplexity e Gemini em crescimento acelerado.

A lacuna principal no Brasil: faltam benchmarks quantitativos específicos em PT-BR e research acadêmica original sobre citação de LLMs em português. Espaço aberto para quem quiser ocupar.

Universidades: Princeton (Narasimhan, Deshpande, Murahari), Georgia Tech (Rajpurohit), IIT Delhi (Aggarwal), Stanford (Liu, Liang), Harvard (Kumar, Lakkaraju), Columbia, MIT.

Labs industriais: Allen Institute for AI (Kalyan), Google DeepMind, OpenAI, Anthropic, Meta AI, Microsoft Research.

1. Automated GEO: RL e LLM-guided optimization (AutoGEO).
2. Adversarial robustness: defesa contra manipulação de LLMs.
3. Domain-specific GEO: e-commerce (E-GEO), saúde, jurídico.
4. Multimodal GEO: imagem, vídeo e áudio como fontes.
5. Agentic pipelines: GEO para agentes autônomos, não só chatbots.
6. Fair attribution: como distribuir crédito justo entre as fontes citadas. Pergunta aberta, resposta cara.

• ▸Estudos longitudinais (como as respostas evoluem mês a mês).
• ▸Research em idiomas não ingleses: português, espanhol, hindi.
• ▸Economia da atribuição: modelos de revenue-share entre publishers e LLMs.
• ▸Impact assessment causal (quase tudo hoje é correlacional, não causal).
• ▸Benchmarks específicos de domínio (saúde, finanças).

Gartner (press release de fevereiro de 2024, consistente em 2025 e 2026):

"By 2026, traditional search engine volume will drop 25%, with search marketing losing market share to AI chatbots and other virtual agents." Alan Antin, VP Analyst.

O Gartner também projeta que 70% dos consumidores terão "alguma confiança" em AI search. E que companhias de tech/services com mais de US$ 5B em receita gastarão 10% do marketing em content monitoring e reputação de marca ligados a conteúdo gerado por IA.

Semrush projeta que o tráfego de busca por IA supera o tradicional até 2028.

SparkToro (Rand Fishkin, 2025): se o crescimento de ferramentas de IA dobrar anualmente, a IA rivaliza com a busca tradicional em 6 a 10 anos. Hoje a realidade é outra: o Google faz cerca de 210x mais buscas por dia que o ChatGPT, e o ChatGPT tem menos tráfego que o DuckDuckGo no desktop. A busca tradicional não está em queda absoluta, está perdendo share relativo. Dois cenários diferentes.

• ▸58% em 2024, 60% em 2025 (Semrush/Datos).
• ▸A descoberta interessante da Semrush: quando uma keyword ganha AIO, o zero-click diminui levemente (33,75% para 31,53%). AIO não é causa direta do zero-click. É consequência do tipo de intent.
• ▸AI Overviews funcionam de maneira parecida com featured snippets. Aceleram uma tendência que já existia desde 2016. Não é novidade, é continuidade.

• ▸OpenAI Operator (janeiro de 2025): agente autônomo que navega e executa ações.
• ▸Anthropic Computer Use: Claude controlando o desktop.
• ▸Google Project Mariner e Deep Research: agentes multi-step.
• ▸Perplexity Comet Browser: um browser AI-first.
• ▸ChatGPT Atlas e Agent Browsers: navegadores centrados em IA.

As implicações: agentes não precisam de UX humana. Consomem conteúdo em nodes (JSON, Markdown, semantic HTML). Content delivery otimizado para agentes vira diferencial competitivo. O Adobe LLM Optimizer já oferece "content delivery optimization", entregando versões AI-readable direto para os crawlers. É o próximo layer da web.

• ▸Google Lens em crescimento acelerado.
• ▸ChatGPT com imagens (o Ghibli mode viralizou em 2025 e empurrou downloads).
• ▸Voice commerce via Alexa, Google Assistant, Siri e o voice mode do ChatGPT.
• ▸Video search optimization (VideoObject, transcripts, timestamps).
• ▸Speakable schema para TTS e voz.

• ▸NYT vs. OpenAI/Microsoft (2023 a 2026, preliminar vencida pelo NYT em 2025).
• ▸NYT vs. Perplexity (dezembro de 2025), acusa o RAG de reproduzir conteúdo verbatim.
• ▸Chicago Tribune, Reddit, Encyclopedia Britannica, Merriam-Webster, Nikkei, Asahi Shimbun e News Corp vs. Perplexity.
• ▸Authors e publishers vs. Anthropic, settlement de US$ 1,5 bilhão em 2025 (pirated books).
• ▸Getty Images vs. Stability AI.
• ▸Amazon ameaça Perplexity (agosto de 2025) por shopping agent se passando por humano.

• ▸OpenAI com NewsCorp, Axel Springer, Le Monde e Financial Times.
• ▸Meta com CNN, Fox News, People Inc e USA Today (dezembro de 2025), crawl em troca de links, citações e dinheiro.
• ▸Microsoft Publish Content Marketplace (setembro de 2025): FT, Reuters, People Inc e Axel Springer. Paga publishers por comissão quando o conteúdo alimenta respostas do Copilot.
• ▸Deal Reddit-Google (2024): US$ 60M por ano.
• ▸Perplexity Comet Plus, pool de US$ 42,5M para creators (2025).

Cloudflare vs. Perplexity (agosto de 2025): a Cloudflare acusou a Perplexity de spoofing de user agents do Chrome, rotação de ASNs e ignorar o robots.txt. Deslistou a Perplexity do Verified Bots program. Matthew Prince (Cloudflare) mandou o recado: "It shouldn't be that you can use your monopoly position of yesterday in order to leverage and have a monopoly position in the market of tomorrow." Desde julho de 2025, a Cloudflare bloqueia 400B+ tentativas de crawl e introduziu um pay-per-crawl experimental. O tabuleiro da web está sendo renegociado.

• ▸EU AI Act (em vigor gradualmente entre 2024 e 2026), exige transparência nos dados de treinamento.
• ▸PL 2338/2023 (Marco Civil da IA) no Brasil, em tramitação no Senado. Estabelece direitos autorais e transparência.
• ▸Copyright rulings: no caso Anthropic, livros adquiridos legalmente podem ser fair use. Pirateados infringem copyright. A linha está se definindo na prática.

• ▸Gen Z usa IA como primeira opção para research, principalmente para educação (Pew 2025: 58% dos adultos menores de 30 nos EUA).
• ▸Confiança em respostas de IA tem crescido, mas permanece moderada.
• ▸Multiplicação de superfícies de descoberta: Reddit, TikTok, YouTube, LinkedIn e Substack começam a competir com o Google pelo "entry point" da pesquisa. O funil de descoberta ficou plural.

• Rand Fishkin (SparkToro): "AI chat tools are growing, but their influence is limited compared to traditional search." A recomendação é focar em "where your audience actually spends time" (use SparkToro ou Similarweb para descobrir) e construir produtos "that market themselves". Tradução: esquece o hype, olha o dado.
• Aleyda Solís (Orainti): "Answer Engine Optimization is about clarity, context, and corroboration. The more your facts align with trusted sources, the more AI trusts your content to speak for you." Em entrevista ao Humans of Martech (janeiro de 2026), ela reforçou: crawlers de IA são frequentemente bloqueados sem o dono saber, JavaScript esconde conteúdo, a importância é dos tópicos (não de prompts individuais), e comunidade (Reddit, comentários do YouTube) é sinal forte para LLMs.
• Lily Ray (Amsive): alerta contra táticas GEO agressivas que podem disparar spam policies. A citação em IA frequentemente espelha a força do SEO orgânico. Fundamentos importam, sempre.
• Jason Barnard (Kalicube): "Search, Answer, and Assistive Engine Optimization is the 2025 reality."
• Gary Illyes (Google): "Google doesn't support LLMs.txt and isn't planning to."
• Sam Altman (OpenAI, TED 2026): cerca de 10% da população mundial usa sistemas ChatGPT.

• ▸Prompt injection adversarial (Kumar & Lakkaraju, 2024): "strategic text sequences" podem injetar viés nas recomendações dos modelos.
• ▸SEO negativo via LLM manipulation: plantar conteúdo enganoso em fontes que LLMs consomem para prejudicar concorrentes.
• ▸Inconsistência dos LLMs (SparkToro): é impossível otimizar para uma resposta única. A otimização só funciona em escala estatística.
• ▸Lily Ray: táticas GEO agressivas podem disparar spam policies do Google e virar penalidade. Cuidado com o entusiasmo.

• ▸HubSpot, Daily Mail, CNN (-27 a -38%), Men's Journal (-415% em determinados segmentos), todos documentam queda severa.
• ▸O problema de atribuição: o GA4 não isola tráfego AI-referred de forma consistente. O Google Search Console agrupa AI Mode clicks em "Web" type, sem filtro separado. Ou seja, você sente o impacto antes de conseguir medir.
• ▸Exposição em IA sem clique ainda influencia a compra, mas não dá para medir diretamente.
• ▸"Great Decoupling": o uso de search cresce, os cliques em sites caem. É o descolamento entre demanda e tráfego.

• ▸NYT vs. Perplexity (2025): a Perplexity supostamente alucinou informação e atribuiu ao NYT, prejudicando a marca do jornal.
• ▸Liu et al. (2023): 25,5% das citações NÃO sustentam a afirmação que referenciam. Um quarto, só isso.
• ▸Existe risco real de reputação para marcas que são mal representadas por LLMs.

• ▸Wikipedia, Reddit, YouTube e Quora são as fontes mais citadas. Isso cria um viés estrutural contra conteúdo brand-owned.
• ▸Chen et al. (2025): AI Search favorece "Earned Media" em detrimento de brand-owned e social.
• ▸Dominância do inglês: modelos performam pior e citam menos fontes em português, espanhol e hindi.

• — É ético otimizar para LLMs?
• — Onde fica a linha entre "manipulação algorítmica" e "genuinely more useful engineering"?

O consenso hoje: técnicas answer-first, E-E-A-T e schema são éticas e geram valor para o leitor. Keyword stuffing e prompt injection são manipuladoras. A régua é: ajuda o usuário ou só engana o modelo?

• ▸Mediana dos publishers: -10% de tráfego YoY no primeiro semestre de 2025.
• ▸News publishers: -7%. Conteúdo não-news: -14%.
• ▸HubSpot: -70 a -80%.
• ▸CNN: -27 a -38%.
• ▸Alguns recipe sites: -50 a -70%. A economia do conteúdo está em choque.

• ▸Cutoff dates dos modelos: Gemini e ChatGPT citam conteúdo às vezes de meses antes do presente. Nem sempre entregam o mais recente.
• ▸Limites do RAG: o retrieval nem sempre encontra a fonte ideal.
• ▸Context window: mesmo com mais de 1M de tokens, os LLMs "esquecem" no meio de conversas longas.
• ▸Fragmentação de ferramentas (Genezio): seis ferramentas de visibilidade produzem seis narrativas diferentes para a mesma marca. Escolha uma ou duas e faça delas a sua fonte de verdade.

O mercado de AI visibility saiu de zero para cerca de US$ 848 milhões em menos de dois anos. A segmentação hoje é clara:

• ▸Schema validation: Google Rich Results Test, Schema.org validator, Schema Markup Validator.
• ▸llms.txt: directory.llmstxt.cloud, llmstxt.directory (Mintlify auto-gen).
• ▸Detecção de bots de IA: Knowatoa AI Search Console (24 UAs), BlogPros Robots.txt AI Checker.
• ▸Auditoria de crawl e render: Screaming Frog em modo SSR, Sitebulb, Ahrefs.
• ▸Auditoria de content chunking: Presenc AI RAG Fetchability, AirOps.
• ▸Entity e Knowledge Graph: InLinks, Kalicube Pro, Wikidata.
• ▸Mineração de PAA e perguntas: AlsoAsked, AnswerThePublic.