Um mecanismo de busca com IA escolhe suas fontes em três etapas. Um índice de busca convencional retorna páginas candidatas para as consultas que o modelo escreveu. Uma etapa de ranqueamento divide essas páginas em trechos e pontua cada trecho em relação à pergunta. O modelo de linguagem então escreve a resposta a partir dos melhores trechos e anexa citações aos que usou. Uma página pode ficar de fora em qualquer uma das três etapas, e a maioria fica de fora na primeira.
A pontuação exata não é publicada por nenhum fornecedor e varia entre ChatGPT search, Perplexity, Google AI Overviews e os demais. O que eles compartilham é o pipeline, e é o pipeline que faz algumas páginas serem citadas com frequência e outras serem ignoradas com frequência.
Etapa um: o índice de busca
O modelo não busca na web inteira. Ele envia consultas a um índice: o índice do Bing no caso do ChatGPT search e do Copilot, o próprio índice do Google para AI Overviews e AI Mode, e uma mistura de índices próprios e licenciados no caso do Perplexity. Só páginas presentes nesse índice podem ser recuperadas.
As próprias consultas são escritas pelo modelo. Uma pergunta como "quais tênis de corrida são bons para pé chato" pode virar várias consultas sobre tênis de estabilidade, suporte ao arco e marcas específicas, um comportamento conhecido como query fan-out. Cada consulta retorna seus próprios candidatos, então uma página pode ser alcançada por uma subpergunta que o usuário nunca digitou.
Nesta etapa valem os sinais de busca habituais: relevância para a consulta, autoridade do site, atualidade e se a página está indexada. Uma página que aparece na terceira página de resultados para uma consulta raramente se torna candidata. Uma página bloqueada para o rastreador do fornecedor nunca é candidata.
Etapa dois: seleção de trechos
As páginas candidatas são buscadas e cortadas em trechos. Um trecho é um parágrafo, uma lista, uma tabela ou uma seção curta. O sistema pontua cada trecho em relação à pergunta usando uma combinação de sobreposição de palavras-chave e similaridade semântica, e muitas vezes aplica um reranker aos melhores candidatos.
A pontuação favorece trechos que respondem à pergunta sozinhos. Na prática, isso significa:
- Uma resposta direta na primeira frase. O contexto pode vir depois.
- Uma ideia por trecho. Um parágrafo que cobre quatro pontos corresponde fracamente a quatro perguntas em vez de corresponder fortemente a uma.
- Detalhes concretos: um número, uma data, um nome, um passo. Trechos vagos pontuam pouco porque parecem qualquer outro trecho vago.
- Estrutura simples. Listas e tabelas são fáceis de extrair; texto dentro de widgets interativos ou carregado apenas por JavaScript pode nunca ser visto.
Um trecho também concorre com trechos de outras páginas que dizem a mesma coisa. Se dez páginas dão a mesma resposta, as de sites em que o sistema já confia tendem a vencer, e as demais são redundantes.
Etapa três: escrita e citação
O modelo recebe os trechos selecionados e a pergunta e escreve a resposta. As citações são anexadas enquanto ele escreve: quando uma frase é extraída de um trecho, a URL do trecho é vinculada a ela. Um trecho que chegou ao modelo mas não foi usado não recebe citação, então ser recuperado não é o mesmo que ser citado.
Quais trechos são usados depende de como o modelo compõe a resposta. Trechos que contêm o tipo de afirmação de que a resposta precisa, como uma definição para uma pergunta "o que é" ou uma lista de opções para uma pergunta "melhores", são os que acabam citados. Uma página que está no tema mas foi escrita como uma história ou uma opinião muitas vezes é lida e depois deixada de fora.
Esta etapa também decide quais marcas são mencionadas. Para uma pergunta "melhores ferramentas para X", o modelo lista os nomes que aparecem nos trechos que leu. Uma marca ausente das páginas de comparação, sites de avaliação e fóruns que a recuperação retornou não aparece na resposta, independentemente do que diga o próprio site.
Por que as citações se concentram em poucos domínios?
Em muitas perguntas, um pequeno grupo de domínios recebe a maior parte das citações. Wikipedia, Reddit, YouTube, grandes sites de notícias, grandes varejistas e sites de avaliação conhecidos aparecem em quase todos os estudos sobre respostas de IA, incluindo as estatísticas de busca com IA reunidas pela Searcherries.
O pipeline explica o padrão. Esses sites estão em todos os índices, ranqueiam bem para muitas consultas, têm páginas estruturadas como respostas diretas e são confiáveis o bastante para que a etapa de ranqueamento os prefira quando várias páginas dizem a mesma coisa. Cada etapa filtra em direção a eles, e o efeito se acumula.
A consequência prática é que a presença nesses domínios conta tanto quanto a presença no seu próprio site. Um produto discutido em uma thread do Reddit, listado em um site de avaliação e descrito em um artigo de comparação tem três caminhos a mais até a resposta do que um que só é descrito na própria página inicial.
O que uma página pode fazer para ser selecionada com mais frequência?
Cada etapa sugere uma mudança.
Para o índice, garanta que a página possa ser rastreada pelos bots relevantes, esteja indexada no Google e no Bing e ranqueie para as subperguntas que o modelo provavelmente vai escrever, não só para o termo principal.
Para a seleção de trechos, abra cada seção com a resposta, mantenha cada seção em um único tema, use títulos que soem como perguntas e coloque fatos em listas e tabelas em vez de texto corrido.
Para a citação, escreva o tipo de afirmação que a pergunta pede. Uma página de definição deve definir no primeiro parágrafo. Uma página de comparação deve nomear as opções e os critérios. Uma página de preços deve informar o preço.
Saber se algo disso está funcionando é uma questão de medição. O monitoramento de visibilidade em IA executa as mesmas perguntas repetidamente em várias plataformas e registra quais páginas e marcas são citadas, o que mostra diretamente o resultado do pipeline.
