A interseção entre reconhecimento e recomendação é falsamente acreditada por muitos profissionais como se as palavras fossem sinónimas. Infelizmente, estes termos estão cada vez mais distantes e, embora um (a recomendação) dependa do outro (o reconhecimento), o oposto já não se verifica.
Quando faço testes com perguntas reais (queries) em ferramentas como ChatGPT, Gemini ou Perplexity:
“Quem são os melhores especialistas em SEO?”
“Que empresas devo contratar para este problema?”
Verifico frequentemente que marcas que têm sites bem construídos e que aparecem nos resultados do Google para certas (relevantes) palavras-chave, desaparecem nas respostas dos LLMs.
E num mundo onde 40% de todos os queries geram uma resposta automática, não aparecer é o mesmo que não existir.
O problema principal não é os LLMs não saberem quem é certa pessoa ou marca (se eu perguntar quem é X e a pessoa tiver uma presença online significativa, provavelmente irei obter uma resposta correta), o problema é não sugerirem estas mesmas pessoas ou marcas (o ChatGPT sabe quem é certa pessoa, mas não a recomenda em queries relacionados).
Esta divisão de concertos vai fazer toda a diferença à medida que mais e mais respostas se tornam automáticas.
Por que é que o SEO tradicional não chega e o que mudou?
Durante quase 30 anos, SEO foi relativamente simples de explicar e o objetivo era claro: aparecer em primeiro lugar nos resultados de pesquisa com as palavras-chave designadas.
Mas a forma como os utilizadores pesquisam mudou. Hoje em dia, cerca de 40 % das pesquisas dão origem a respostas geradas por IA (quer seja ChatGPT, AIO ou Claude).
Mesmo que o tráfego oriundo de motores como o ChatGPT ainda seja baixo, a verdade é que todos vimos o número de impressões subir e o número de cliques descer. Não fica assim dúvida: estas respostas impõem alterações à forma como implementamos medidas de SEO.
O problema é que muitos profissionais de marketing ainda estão a otimizar para o modelo antigo: medem rankings, impressões e cliques. Métricas que fazem todo o sentido num mundo de links, mas que não capturam o que acontece quando a resposta já vem pré-fabricada.
A questão passou de “apareço nos resultados?” para “sou mencionado quando alguém pergunta quem resolve este problema?”.
São perguntas diferentes que exigem respostas diferentes.
Como os LLMs escolhem o que recomendar
Para perceber o problema, é preciso identificar como estes sistemas (LLMs) funcionam. Não em detalhe técnico, mas o suficiente para compreender o que pesa, o que é considerado e o que faz a diferença.
Quando um modelo de linguagem gera uma resposta, não está simplesmente a copiar o que aparece em primeiro lugar no Google. Este processo combina três camadas de informação:
– Conhecimento pré-treinado: o que o modelo aprendeu durante o treino, a partir de enormes volumes de texto da web.
– Recuperação em tempo real: informação recolhida da web no momento da pergunta.
– Avaliação de confiança: uma espécie de filtro interno que decide se uma entidade é suficientemente fiável para ser citada numa resposta.
É esta terceira camada que faz a diferença.
Os LLMs são sistemas naturalmente avessos ao risco. Se o modelo não tiver confiança suficiente numa entidade (se os sinais forem fracos, contraditórios ou ausentes), prefere não a mencionar. Neste caso, o modelo poderá ficar em silêncio (responder algo como “não há uma única pessoa famosa ou universalmente conhecida com este nome”) ou recorrer a nomes já amplamente reconhecidos, do que arriscar uma recomendação que pode estar errada.
Isto cria um fenómeno curioso que podemos chamar o silêncio da IA: a tua marca não é criticada, nem é descartada, mas simplesmente não aparece. E para o utilizador que está a fazer a pergunta, é como se nunca tivesse existido.
Reconhecimento vs. recomendação: A distinção que ninguém explica
Distinguir entre reconhecimento e recomendação é fundamental para percebermos como chegar às listas de recomendações.
Reconhecimento significa que o sistema sabe que a entidade existe. Se alguém perguntar “quem é [nome]?” ou “o que é [empresa]?”, o modelo consegue responder. A entidade foi identificada, processada e compreendida.
A recomendação exige algo mais complexo e acontece quando o sistema inclui a entidade como resposta a uma pergunta mais ampla:
– “Quem são os melhores especialistas em [tema]?”
– “Que ferramentas devo usar para [problema]?”
– “Quais as empresas mais recomendadas para [serviço]?”
Aqui o modelo já não está apenas a reconhecer uma entidade, mas também a fazer uma escolha ativa, sugerindo-a. Mas para o fazer, precisa de algo muito mais difícil de construir: confiança suficiente para assumir o risco da recomendação.
O equívoco que vejo repetidamente é assumir que uma coisa leva automaticamente à outra: que ser reconhecido implica ser recomendado. Não implica! E o espaço entre as duas é exatamente onde se está a perder visibilidade.
As camadas de confiança da entidade
A partir de observação e testes, começa a emergir um padrão claro sobre o que os sistemas de IA utilizam para construir confiança numa entidade. Podemos organizar esses sinais em quatro camadas.
Camada 1: Definição clara da entidade
O sistema precisa de perceber, sem ambiguidade, quem ou o que é a entidade. Embora possa parecer básico, muitas marcas falham aqui, uma vez que apesar de terem sites ricos em conteúdo, não têm uma página clara que explique o que fazem, para quem e com que especialização. Na maioria das vezes também não têm schema markup ou schema markup completo o suficiente. Usam nomes inconsistentes em plataformas diferentes bem como definições que variam consoante o contexto.
Sem esta base, o modelo pode até reconhecer o nome, mas não consegue enquadrar a entidade com confiança suficiente para a recomendar.
Camada 2: Corroboração externa
Uma empresa pode dizer o que quiser sobre si própria no seu site. Esta é uma vantagem que entidades como a Wikipedia não nos dão: o controlo da nossa narrativa. Mas os sistemas de IA sabem disso. Por esse motivo, procuram confirmação externa: artigos publicados noutros sites, entrevistas, podcasts, participações em conferências, menções em publicações do setor.
Cada uma destas ocorrências funciona como uma validação independente. O sistema não precisa de confiar na empresa para confiar em quem fala sobre ela. E quando múltiplas fontes independentes confirmam a mesma informação, a confiança cresce de forma exponencial.
Camada 3: Associação temática consistente
O modelo precisa de perceber em que tema a entidade é relevante. Isso acontece quando a entidade aparece repetidamente associada aos mesmos tópicos nos seus próprios conteúdos, mas principalmente nas fontes externas.
Se uma pessoa aparece em cinco entrevistas diferentes, todas sobre o mesmo tema, o sistema começa a construir uma ligação forte entre essa pessoa e esse assunto. A consistência cria padrão e o padrão cria associação. A associação aumenta a probabilidade de recomendação.
Camada 4 — Autoridade das fontes
Nem todas as menções têm o mesmo peso. Uma entrevista num meio de referência do setor vale muito mais do que dez menções em blogs de baixa qualidade. O sistema avalia não só a quantidade de corroboração, mas também a reputação das fontes que corroboram.
Isto tem uma implicação prática importante: uma estratégia de visibilidade para IA depende intrinsecamente de publicações nas fontes certas, dando prioridade à qualidade vs quantidade.
O teste das três perguntas
Existe uma forma rápida de perceber onde está a tua marca neste espectro. Basta fazer três perguntas a qualquer sistema de IA.
Pergunta 1 — Reconhecimento
«Quem é [nome da pessoa ou empresa]?»
Se o modelo responde corretamente e com detalhe, existe reconhecimento. A entidade está no radar do sistema. Claro que este teste deve ser feito num playground neutro, e não no nosso chat próprio pré-treinado.
Pergunta 2 — Associação temática
«Quem são os especialistas em [tema principal da entidade]?»
Se a entidade não aparece aqui, os sinais de associação temática são fracos. O modelo reconhece o nome, mas não a associa com força suficiente ao tema para a incluir numa lista.
Pergunta 3 — Recomendação
«Quem devo contratar para [problema que a entidade resolve]?»
Esta é a pergunta que mais importa. Se a entidade desaparece aqui, normalmente significa que faltam sinais de confiança ou corroboração externa. O modelo sabe que ela existe, mas não tem confiança suficiente para a colocar numa lista de recomendações.
O que fazer a seguir: cinco prioridades concretas
Não existe uma fórmula mágica. Mas existe trabalho estruturado. E para a maioria das marcas, as lacunas mais críticas concentram-se em cinco áreas.
- Criar uma página central da entidade
Uma página clara, estruturada, que explique quem é a entidade, o que faz, para quem e com que especialização. É como criar uma página da Wikipédia mas no nosso próprio site. Para ter sucesso, esta página deve conter:
– Schema markup completo,
– Nome consistente,
– Informação que o sistema possa extrair e usar com confiança.
- Usar títulos e descrições consistentes em toda a web
A mesma descrição profissional deve aparecer no site, no LinkedIn, no Google Business Profile, em biografias de artigos convidados, etc. Inconsistência é ruído para os sistemas de IA. Consistência é sinal de confiança.
- Construir validação externa de forma deliberada
Artigos publicados noutros sites, entrevistas em podcasts, participações em conferências, menções em publicações do setor. É preciso que outras fontes falem sobre a entidade, e que o façam no contexto certo.
- Reforçar as associações temáticas
A entidade deve aparecer repetidamente ligada aos mesmos tópicos: nos seus próprios conteúdos e, sobretudo, nas fontes externas. Quanto mais consistente for essa associação, mais forte se torna o sinal de especialização.
- Priorizar fontes com autoridade real
Uma menção numa publicação de referência do setor vale mais do que dez menções em sites de baixo tráfego. Não se trata de quantidade, trata-se de qualidade e relevância das fontes. Uma entrevista bem colocada pode fazer mais pela visibilidade em IA do que meses de publicações internas.
A nova responsabilidade dos profissionais de SEO
Há uma tensão que sinto cada vez mais nesta profissão. Durante anos, o nosso trabalho foi técnico e mensurável: rankings, impressões, cliques, conversões. Métricas claras, objetivos claros.
Mas a realidade que estamos a enfrentar é mais complexa. Os sistemas de IA não funcionam como motores de pesquisa tradicionais. Não há uma posição #1 para conquistar. Não há uma métrica simples que diga «está a ser recomendado». Há confiança e a confiança constrói-se de forma lenta, consistente e multidimensional.
Isto exige uma mudança de mentalidade. Em vez de nos focarmos apenas em otimizar páginas, é preciso construir a reputação da entidade de forma deliberada: no site, fora do site, nas fontes certas, com as associações certas.
Fechar a diferença
O maior erro que vejo hoje nas estratégias de visibilidade digital é assumir que SEO e visibilidade em IA são a mesma coisa. Embora exista alguma sobreposição, os mecanismos são diferentes, os sinais são diferentes, e as lacunas são diferentes.
Marcas que estão bem posicionadas no Google podem estar completamente ausentes nas respostas de IA. E marcas com fraca presença orgânica mas fortes corroborações externas podem aparecer exatamente quando mais importa: no momento em que alguém está a decidir quem contratar.
A diferença entre reconhecimento e recomendação é estratégica. E fechar essa diferença começa com uma pergunta simples:
Quando alguém pergunta quem resolve o problema que eu resolvo, o meu nome aparece?
Se a resposta for não, já sabes onde está o trabalho.
Maryanna Franco, fundadora da BrilliantSEO
