Definições em português claro e citáveis para o vocabulário de Otimização para Mecanismos Generativos, visibilidade em busca por IA e descobribilidade de marca em modelos de linguagem. Atualizado para 2026. Cada entrada é deep-linkável — experimente.
Otimização para Mecanismos Generativos (GEO)
Também conhecido como: GEO, otimização para busca por IA, SEO para LLM
Disciplina que estrutura o conteúdo, as citações e os dados estruturados de uma marca para que modelos de linguagem (ChatGPT, Claude, Perplexity, Gemini, Grok, DeepSeek) citem a marca de forma precisa e frequente quando consumidores fazem perguntas de intenção de compra na sua categoria.
GEO existe ao lado (não contra) do SEO tradicional. Enquanto o SEO mira o ranking de uma URL na página de resultados do Google, GEO mira a probabilidade de a marca ser mencionada, recomendada ou citada dentro da resposta gerada pela IA. As duas disciplinas compartilham muitas táticas — títulos claros, dados estruturados, citações de terceiros — mas a superfície de otimização é diferente: em vez de dez links azuis, você está otimizando para a distribuição de saída do modelo.
Na prática, marcas trabalhando em GEO focam em três alavancas: (1) estar presente em fontes terceiras de alta autoridade de onde os modelos buscam, (2) publicar resumos canônicos e legíveis por máquina dos próprios produtos e da marca (o papel que os Brand Hubs da Citorial desempenham), e (3) manter sinais factuais consistentes — nome, endereço, claim, categoria — pela web aberta.
Medição de com que frequência, com que proeminência e com que precisão uma IA cita uma marca quando usuários fazem perguntas relevantes para a categoria.
Visibilidade em busca por IA é a métrica líder em trabalho de GEO. Ela generaliza o "eu apareço?" em um trio de dimensões: presença (sou mencionado?), proeminência (estou na primeira frase, na última, ou enterrado numa lista?) e precisão (o que o modelo fala sobre mim está correto?).
Uma auditoria útil de visibilidade amostra 100–1.000 prompts de intenção de compra por categoria, executa-os em paralelo em múltiplos LLMs, e reporta presença/proeminência/precisão por prompt mais um score agregado de share of voice. Auditorias da Citorial são estruturadas assim.
Também conhecido como: AEO, otimização para mecanismos de resposta
Disciplina próxima do GEO que foca especificamente em otimização para "mecanismos de resposta" — produtos como Perplexity, Google AI Overviews e Bing Copilot que retornam uma resposta sintetizada em vez de uma lista de links.
AEO e GEO são frequentemente usados como sinônimos, mas AEO geralmente enfatiza a superfície de resposta voltada ao usuário, enquanto GEO enfatiza o modelo generativo subjacente. Na prática, trabalho que vence em um costuma vencer no outro: dados estruturados, resumos claros, citações terceiras fortes.
Uma tática-chave de AEO é garantir que os claims mais citáveis da marca apareçam em HTML indexável — não apenas dentro de um PDF ou atrás de login — porque mecanismos de resposta tendem a buscar em HTML aberto e rastreável antes de qualquer outra coisa.
Termo guarda-chuva para qualquer trabalho de otimização cujo alvo é como um modelo de linguagem representa ou recomenda uma marca, produto ou pessoa.
LLMO é mais amplo que GEO e AEO. Inclui trabalho que não é estritamente "busca" — por exemplo, garantir que um modelo perguntado a "fazer uma tabela comparativa" inclua uma marca específica, ou garantir que um modelo assistente-de-código cite uma biblioteca específica em sugestões de código.
Para e-commerce, a superfície LLMO mais comum é a recomendação por intenção de compra: um modelo é perguntado "qual o melhor tênis de corrida abaixo de R$700 para pé chato?" — a marca quer aparecer na resposta do modelo com o enquadramento correto.
Também conhecido como: SoV, participação de voz em IA
Percentual de respostas de IA relevantes em que uma marca é mencionada, normalizado sobre o conjunto total de prompts relevantes para a categoria que foram testados.
Numa auditoria que testa 100 prompts e encontra sua marca mencionada em 23 deles, seu share of voice é 23%. A métrica é mais útil quando computada ao lado do SoV dos 3–5 principais concorrentes, porque o número absoluto é difícil de interpretar sem essa linha de base.
Share of voice deve sempre ser reportado por LLM, não apenas como agregado — a maioria das marcas tem SoV perceptivelmente diferente no Perplexity e no ChatGPT, e as ações corretivas nem sempre são as mesmas.
Pergunta em linguagem natural que sinaliza que o usuário está em modo de compra — comparando produtos, pedindo recomendações ou avaliando marcas específicas.
Exemplos: "melhor tênis de corrida para pé chato abaixo de R$700", "a marca X vale a pena para pele sensível?", "alternativas à marca Y com frete para Brasil". Esses são os prompts que importam comercialmente — são onde uma citação se mapeia diretamente a uma venda potencial.
Uma boa auditoria de GEO distingue explicitamente prompts de intenção de compra de prompts informacionais ("o que causa fascite plantar?") porque as ações de otimização diferem: visibilidade em prompts de compra vem de sites de review, dados estruturados de produto e conteúdo de comparação; visibilidade informacional vem de profundidade editorial.
Página de perfil canônica e legível por máquina mantida para uma marca em um site terceiro, projetada para ser citada por mecanismos de busca por IA.
Brand Hubs (o termo que a Citorial usa) são similares em espírito a uma entrada na Wikipedia ou a um perfil no Crunchbase: uma URL única que reúne nome da marca, descrição, dados estruturados, referências, FAQ e links sameAs em uma página HTML limpa que LLMs conseguem ler sem JavaScript.
Manter um Brand Hub em um domínio em que LLMs já confiam (e que tem opt-in explícito de robots.txt para crawlers de IA) melhora materialmente a chance da marca ser apresentada quando um usuário faz uma pergunta de categoria.
Também conhecido como: RAG, geração aumentada por recuperação
Padrão em que um modelo de linguagem recupera documentos relevantes de uma fonte externa em tempo de query e fundamenta sua resposta nesses documentos, em vez de depender puramente da memória adquirida durante o treinamento.
A maioria dos produtos de busca por IA voltados ao consumidor (Perplexity, ChatGPT Search, Google AI Overviews, Gemini) usa um pipeline RAG. Eles emitem consultas web, buscam algumas páginas e as passam ao modelo como contexto para a resposta final.
Trabalho de GEO mira em grande parte esse estágio de recuperação. Se seu conteúdo é a fonte de mais alta qualidade que o retriever encontra para uma query, sua marca acaba aterrissada na resposta — mesmo se o modelo subjacente nunca tiver visto sua marca em seus dados de treinamento.
Marcação que rotula explicitamente partes de uma página — por exemplo, "essa string é o nome da marca", "esse parágrafo é uma resposta de FAQ", "esse número é um preço" — para que mecanismos de busca e LLMs consigam parsear a página com confiabilidade.
O formato mais comum de dados estruturados na web é JSON-LD embutido em uma tag `<script type="application/ld+json">` dentro do HTML da página. Tipos de schema relevantes para e-commerce incluem `Organization`, `Product`, `Offer`, `Review`, `FAQPage` e `BreadcrumbList`.
Mecanismos de busca por IA se apoiam pesadamente em dados estruturados quando precisam extrair um fato sob orçamentos apertados de latência. Uma página bem marcada é mais fácil de citar do que uma página visualmente equivalente que enterra a mesma informação em prosa não marcada.
Propriedade do Schema.org usada dentro de uma entidade Organization ou Person para apontar para outras URLs que se referem à mesma entidade do mundo real — tipicamente os perfis sociais oficiais da marca, a entrada na Wikipedia ou registros do setor.
sameAs é uma das vitórias de desambiguação mais baratas em GEO. Quando o modelo encontra um nome de marca que poderia ser uma pessoa, um produto E uma biblioteca de software, o grafo sameAs diz "a marca nesta página é a mesma entidade que @marca no X, a página do LinkedIn nessa URL e o artigo da Wikipedia nessa URL". Isso elimina ambiguidade no momento da recuperação.
HTML cujo conteúdo significativo está presente na resposta inicial do servidor (ou em HTML estático pré-renderizado) e não requer execução de JavaScript para se tornar visível.
A maioria dos crawlers LLM ou não executa JavaScript, ou executa sob orçamentos rigorosos de tempo/custo. Uma aplicação single-page que só renderiza conteúdo depois de um fetch do lado do cliente é, na prática, invisível para esses crawlers.
Duas correções eficazes: pré-renderizar as páginas relevantes para HTML estático em build time (a abordagem usada pelo site da Citorial), ou rodar server-side rendering em cada request. De qualquer modo, a meta é ter o texto relevante para a marca existindo na resposta HTML bruta.
Relação de link HTML usada para declarar que duas URLs são traduções do mesmo conteúdo em idiomas diferentes, para que buscadores e LLMs escolham a versão certa para cada usuário.
Sem hreflang, buscadores frequentemente servem a versão no idioma errado de uma página ou, pior, tratam as duas versões como conteúdo duplicado. A tag de link — `<link rel="alternate" hreflang="pt-BR" href="https://example.com/pt-br/page" />` — é pequena mas materialmente importante para qualquer marca operando em mais de um idioma.
Nos Brand Hubs da Citorial, cada página com tradução irmã emite links hreflang apontando para cada irmã e um `x-default` apontando para a versão canônica em inglês.
Convenção emergente — um arquivo Markdown servido em `/llms.txt` — que oferece a crawlers LLM um catálogo curado das páginas mais úteis e citáveis de um site.
Enquanto `robots.txt` controla o que crawlers podem buscar, `llms.txt` é um sinal positivo: "aqui está o que vale a pena buscar, resumido para você". A proposta ainda está emergindo em 2026, mas vários grandes laboratórios de IA sinalizaram suporte, e o custo de adicionar o arquivo é baixo.
O `/llms.txt` da Citorial lista a homepage, o diretório de marcas, o glossário, o how-it-works e o blog, mais o padrão de URL dos Brand Hubs e um ponteiro para o sitemap.
A mesma convenção robots.txt que buscadores usam desde os anos 90, agora estendida com strings de user-agent para bots de treinamento e inferência de IA (GPTBot, ClaudeBot, PerplexityBot, Google-Extended, Applebot-Extended, CCBot, etc.).
A maioria das marcas ou ignora os user-agents de IA (deixando o comportamento padrão Allow:/) ou os bloqueia em geral. A Citorial recomenda o oposto: opt-in explícito para crawlers de IA para qualquer conteúdo que a marca queira ativamente ver citado.
O opt-in é a primeira ação de GEO mais fácil que uma marca pode tomar. Custa nada, sai em um único commit, e muda quais crawlers estão dispostos a buscar as páginas da marca.
O número de prompts distintos de intenção de compra que uma auditoria testa contra cada LLM. Cobertura maior dá mais confiança estatística à estimativa de share of voice.
Cobertura de 100 prompts é o mínimo prático para uma auditoria de categoria pequena — suficiente para detectar uma lacuna significativa de presença mas vulnerável a ruído por prompt. 300 prompts é um nível médio estável, e 1.000 prompts é o padrão ouro para benchmark multi-marca.
Os três tiers de auditoria da Citorial correspondem a esses três níveis de cobertura.
O glossário cresce conforme a busca por IA evolui. Receba as atualizações + artigos longos mensais — sem spam.
We use double opt-in. By signing up you accept the privacy policy. Unsubscribe in one click from any email.
Quer ver como a busca por IA trata sua marca?
Uma auditoria Citorial testa 100–1.000 desses prompts de intenção de compra no ChatGPT, Claude, Perplexity, Gemini, Grok e DeepSeek, e entrega um plano de ação de 30 dias.