Como os assistentes de IA decidem quais empresas recomendar

As quatro etapas entre um prompt e um nome

Um prompt como “quem devo contratar para reforma comercial em Manchester?” não é uma consulta de busca. Antes de recuperar qualquer coisa, o assistente decide se precisa da web e então expande o pedido em várias buscas concretas — normalmente uma mistura de termos de categoria, modificadores de local e palavras de intenção como “melhor”, “avaliações” ou “comparar”. A OpenAI descreve a busca do ChatGPT como a combinação do modelo com informação da web, devolvendo links para as fontes em vez de responder só com os dados de treinamento (OpenAI).

A recuperação devolve um conjunto de candidatos: normalmente algumas dezenas de URLs, das quais só um punhado cabe no contexto de trabalho. Elas são filtradas — algumas fontes são tratadas como confiáveis para afirmações comerciais, outras ignoradas, outras excluídas porque o publisher bloqueou o rastreador. A busca web da Anthropic para o Claude, por exemplo, devolve respostas com citações das páginas usadas (Anthropic), o que significa que as fontes sustentam a resposta e podem ser inspecionadas.

Então vem a etapa em que quase nenhuma empresa pensa: a resolução de entidade. O assistente precisa decidir que “Northgate Interiores”, “Northgate Interiores Ltda” e o empreiteiro sem nome descrito numa reportagem setorial são a mesma empresa — ou que não são. Por fim, a síntese: o modelo escreve de dois a cinco nomes em prosa, numa ordem moldada por quão forte e quão consistentemente cada candidato apareceu nas evidências recuperadas.

Cada etapa é um filtro. Você pode ser rastreável, bem avaliado e genuinamente a melhor opção e ainda assim perder na resolução de entidade. Diagnosticar qual filtro eliminou você é mais útil do que qualquer conselho genérico sobre “otimizar para IA”.

Etapa 1: recuperação — primeiro ser buscável, depois ser encontrável

Nada adiante importa se a busca falha. Cada assistente usa os próprios rastreadores e o próprio índice, e cada um publica os user agents envolvidos: a OpenAI documenta o OAI-SearchBot para exibir sites na busca do ChatGPT, ao lado do GPTBot para treinamento (OpenAI), e bloquear um não é o mesmo que bloquear o outro. Um robots.txt escrito em 2023 para manter o treinamento de IA de fora frequentemente mantém o bot de busca de fora também — uma exclusão autoinfligida que nenhum trabalho de conteúdo conserta.

O índice por trás do assistente importa tanto quanto. O Google afirma que seus recursos de IA na Busca se apoiam nos mesmos sistemas e na mesma indexação da Busca, e que a orientação é a mesma do Search Essentials (Google Search Central). O Microsoft Copilot herda o índice do Bing, então as diretrizes para webmasters do Bing sobre rastreabilidade, URLs canônicas e qualidade de conteúdo são o manual em vigor (Diretrizes do Bing). O Perplexity roda a própria recuperação e cita fontes no corpo do texto, além de manter relações comerciais com publishers pelo Publishers Program (Perplexity).

E há o descompasso de vocabulário. Os assistentes buscam com as palavras do usuário, não com as do seu marketing. Empresas que se descrevem como oferecendo “soluções integradas de ambiente de trabalho” ficam invisíveis a uma expansão do tipo “empreiteira de reforma de escritório Manchester”, “empresas de interiores comerciais” e “melhores firmas de reforma para escritórios”. Linguagem de categoria direta nas suas páginas de serviço, com as mesmas palavras que os compradores usam, é o que torna uma página recuperável para as consultas que realmente rodam.

O que você controla aqui: acesso dos rastreadores, indexabilidade página a página, atualidade das páginas-chave e se a sua terminologia bate com o fraseado de busca que um assistente provavelmente vai gerar.

Etapa 2: confiança nas fontes — páginas de terceiros costumam escolher a lista curta

Depois de recuperados, os documentos não são iguais. Os assistentes se apoiam bastante em páginas que se leem como avaliações independentes — diretórios, plataformas de avaliação, imprensa setorial, artigos comparativos, listas de associados, perfis em marketplaces — porque são elas que contêm listas de opções concorrentes. O site do próprio fornecedor é excelente para confirmar detalhes e péssimo como prova de superioridade; “somos o principal fornecedor” é uma afirmação que o modelo aprendeu a descontar.

Por isso a lista curta prática costuma ser definida antes de o seu site sequer ser lido. Se cinco artigos de lista sobre a sua categoria citam oito empresas e você não está em nenhum, o conjunto de candidatos do assistente é aquelas oito. Seu site só é buscado depois, para enriquecer um nome que já apareceu — ou nem isso. A assimetria é desconfortável, mas acionável: ganhar uma linha nas páginas que já ranqueiam para “melhor X em Y” leva você mais longe do que mais uma reescrita da home.

A consistência entre fontes funciona como um segundo sinal de confiança. Quando seis páginas independentes descrevem você do mesmo jeito — mesma especialidade, mesma cidade, mesmo porte de cliente —, o modelo trata essa descrição como fato assentado. Quando elas se contradizem, o modelo hesita, e entidades hesitadas caem das respostas curtas porque custam palavras para explicar.

A atualidade importa mais do que a maioria dos times imagina. Assistentes preferem documentos com datas atuais para perguntas comerciais, então um cadastro de diretório de 2019 com telefone morto é pior do que nenhum cadastro. Auditar onde você aparece e corrigir perfis velhos é trabalho sem glamour com efeito direto na recuperação. Tratamos do lado da medição em visibilidade em IA.

• Páginas que constroem listas curtas: listas de categoria, rankings de “melhores”, artigos de comparação e de alternativas, plataformas de avaliação, diretórios setoriais e registros de associações.
• Páginas que confirmam detalhes: suas páginas de serviço, a de preços, cases, a página institucional e os dados estruturados.
• Páginas que prejudicam você: perfis desatualizados com contato errado, cadastros duplicados abandonados e páginas descrevendo um serviço que você não oferece mais.

Etapa 3: resolução de entidade — ser uma única empresa inequívoca

Agora o modelo tem uma pilha de menções e precisa reuni-las em entidades. É aqui que nomes quase idênticos, mudanças de marca, operações multiunidade e estruturas de holding causam perdas silenciosas. Se a evidência sobre a sua empresa está dividida em três identidades pela metade, nenhuma das três parece forte o bastante para ser recomendada, mesmo que a soma parecesse.

Identidade legível por máquina é a correção mais barata disponível. A documentação de dados estruturados do Google para negócios locais especifica as propriedades que descrevem um negócio físico — nome, endereço, telefone, horários, coordenadas, faixa de preço (Google Search Central) — e a propriedade sameAs do Schema.org existe justamente para ligar a sua página às referências canônicas da mesma entidade, como um perfil oficial ou uma página de base de conhecimento (Schema.org). Preencher isso dá a todo rastreador a mesma declaração inequívoca de quem você é.

O resto é disciplina. Use um único padrão de razão social e nome fantasia em todo lugar. Mantenha as mesmas palavras de categoria na tag de título, nos perfis de diretório e na descrição do LinkedIn. Garanta que endereço e telefone nos cadastros de terceiros batam com o seu site caractere por caractere. Se você tem várias unidades, dê a cada uma sua própria página indexável com seus próprios dados estruturados, em vez de uma única página com menu suspenso.

Os assistentes também resolvem entidades por coocorrência: as marcas, tecnologias, certificações e tipos de cliente que aparecem perto do seu nome. Se nada na evidência recuperada conecta você ao serviço específico do prompt, você é resolvido como uma empresa genérica do seu setor — recuperável, mas nunca a resposta a uma pergunta específica.

Etapa 4: síntese — como uma lista curta vira uma frase

Na síntese, o modelo tem talvez 5.000 a 20.000 palavras de texto recuperado e precisa produzir 120. A compressão decide tudo. Candidatos apoiados em afirmações explícitas e citáveis sobrevivem; candidatos que exigem inferência são cortados, porque o modelo não tem espaço para argumentar.

A posição dentro do contexto recuperado tem efeito mensurável. Liu e colegas mostraram que modelos de linguagem usam melhor a informação quando ela aparece no começo ou no fim de uma entrada longa, com a precisão caindo de forma perceptível quando o trecho relevante fica no meio (Liu et al., “Lost in the Middle”). Na prática, isso premia a estrutura: uma afirmação feita na primeira frase de uma seção, ou numa tabela comparativa bem rotulada, tem muito mais chance de sobreviver à compressão do que a mesma afirmação no nono parágrafo.

O formato da resposta também segue o formato das fontes. Se os documentos recuperados são artigos comparativos, você recebe uma comparação. Se são páginas de avaliação, você recebe sentimento. Se uma fonte já enquadrou o mercado como “três opções corporativas e duas econômicas”, o assistente tende a reproduzir esse enquadramento e encaixar nomes nele. Quem escreve o enquadramento que é recuperado tem mais influência do que quem escreve o melhor texto de vendas.

Por fim, o modelo precisa de um motivo para citar você. “Boa para setores regulados por causa da certificação ISO 27001” é uma frase que o assistente consegue extrair e defender. “Premiada e focada no cliente” não é. Publicar os qualificadores específicos e verificáveis pelos quais um comprador filtraria — setor, porte de contrato, geografia, conformidade, integrações, prazo — fornece os diferenciais que tornam você citável.

Por que o mesmo prompt dá respostas diferentes em cada assistente

A divergência é estrutural, não aleatória. O Copilot responde a partir do índice do Bing; os recursos de IA do Gemini rodam nos sistemas e na indexação da Busca do Google (Google Search Central); o Perplexity recupera pela própria infraestrutura e cita no corpo do texto; o Claude busca na web e anexa citações às afirmações que tira de lá (Anthropic); a busca do ChatGPT combina o modelo com informação da web e aponta links (OpenAI). Índices diferentes contêm documentos diferentes, atualizados em ritmos diferentes. Mesma pergunta, evidências diferentes.

Sobre isso se somam mais quatro fontes de variação. A expansão da consulta difere, então as buscas efetivamente rodadas não são as mesmas. A amostragem torna a geração não determinística, então o mesmo assistente pode produzir uma ordem diferente duas vezes seguidas. A localização desloca resultados conforme país e cidade inferidos. E a personalização — histórico de conversa ou memória — pode enviesar as respostas de um usuário para marcas que ele já discutiu.

A consequência operacional é que uma checagem isolada quase nada diz. Para saber se você é recomendado, é preciso rodar o mesmo conjunto de prompts com intenção de compra, repetidamente, em vários assistentes, a partir das regiões em que você vende, capturando as fontes citadas em cada rodada. É o que a Growli faz: acompanhamos menções, comparações e recomendações por assistente, mostramos de quais fontes as respostas foram construídas e transformamos as lacunas numa lista ordenada de correções — veja como funciona.

O diagnóstico segue as mesmas quatro etapas. Nunca recuperado em lugar nenhum? Suspeite de acesso dos rastreadores ou descompasso de vocabulário. Recuperado mas nunca citado? Suspeite de confiança nas fontes ou de ambiguidade de entidade. Citado, mas descrito errado? Uma fonte velha específica está vencendo, e ela pode ser identificada pelas citações.

O que você pode de fato influenciar, etapa por etapa

Quase nada nesse pipeline responde a persuasão, e quase tudo responde a evidência. O trabalho se divide bem por etapa, e vale sequenciar assim em vez de fazer tudo ao mesmo tempo.

Na recuperação, as alavancas são técnicas e linguísticas: libere os rastreadores de busca que você quer (checando os user agents documentados de cada plataforma), mantenha as páginas comerciais-chave indexáveis e atuais, e use as palavras de categoria simples que seus compradores digitam. Na confiança das fontes, as alavancas são externas: entre nas listas e diretórios que já ranqueiam para os prompts da sua categoria, corrija perfis velhos e faça as descrições independentes concordarem.

Na resolução de entidade, as alavancas são estruturais: um padrão de nome, contatos coincidentes em todo lugar, dados estruturados de LocalBusiness ou Organization e links sameAs para seus perfis canônicos. Na síntese, as alavancas são editoriais: enuncie os fatos qualificadores na primeira frase de cada seção, publique conteúdo em formato de comparação com tabelas e dê ao modelo diferenciais verificáveis que ele possa citar sem risco.

Nada disso é truque, e nada disso é permanente. Índices se atualizam, concorrentes publicam e assistentes mudam o comportamento de recuperação sem aviso, então o ciclo de medição importa tanto quanto as correções. As empresas recomendadas de forma consistente são aquelas cuja base de evidências é fácil de achar, fácil de confiar e impossível de confundir com a de outra.

FAQ