Como fazer o ChatGPT te indicar e por que o Google importa

Toda vez que você pergunta algo com "hoje" ou "agora" a um assistente de IA, existe uma chamada de ferramenta silenciosa batendo num mecanismo de busca. Esta é a versão completa de um texto escrito em agosto de 2025, com a descrição técnica do que acontece entre a sua pergunta e a resposta, e o que isso exige de quem quer ser encontrado.

Nota de origem. Texto original publicado em agosto de 2025 pela equipe Integrare. Esta versão foi reescrita em julho de 2026 para simplificar a linguagem e sinalizar o que envelheceu desde então. A presente edição expande a descrição técnica sem alterar o argumento original.

Escrevi a primeira versão deste texto em agosto de 2025. Na época, o Model Context Protocol tinha acabado de sair do forno e "Era Agêntica" ainda soava a slogan de startup. Há onze meses, uma eternidade para esta temática. O rascunho foi resgatado recentemente, quase esquecido numa pasta no Google Drive. Não como estado da arte, mas como retrato de um diagnóstico, hoje em hype no setor, onze meses atrás ainda fermentando.

Texto enxugado, levando em consideração sugestões e orientações de redação de uma atenta e competente revisora, sem excessos acadêmicos, visto o rigor metodológico ainda que necessário de maneira geral, abrandado para fins de divulgação do que mais importa, o argumento. No fim, uma nota sobre o que mudou desde então, e para onde esse raciocínio está indo agora.

O ChatGPT pesquisa no Google e isso, ainda que um pouco intuitivo, é um evento e uma rotina que o leitor, e em especial o profissional de SEO, não pode deixar de lembrar sempre.

Toda vez que você pergunta algo com "hoje", "agora" ou "o melhor X para Y" a um assistente de IA, por trás da resposta fluida, existe uma chamada de ferramenta silenciosa batendo num mecanismo de busca, via de regra o Google. É esse gesto que transforma um modelo de linguagem em um dos agentes de IA que hoje intermedeiam decisão de compra.

Isso não é acidente, nem limitação. É arquitetura.

Vale descrever o que essa frase significa em termos operacionais, porque é aí que o argumento deste texto se sustenta ou desaba. Quando o modelo recebe a sua pergunta, ele não decide entre "responder de cabeça" ou "pesquisar" por instinto. Essa decisão é uma etapa formal do ciclo de inferência. O modelo recebe, junto ao seu texto, uma lista de ferramentas disponíveis, cada uma descrita por um nome, uma finalidade e um esquema de parâmetros aceitos. Em vez de emitir texto para você, o modelo pode emitir uma estrutura de dados solicitando a execução de uma dessas ferramentas, com os argumentos preenchidos.

A aplicação que hospeda o modelo intercepta essa solicitação, executa a chamada de verdade contra o serviço externo, e devolve o resultado ao modelo como uma nova mensagem dentro da mesma conversa. Só então o modelo redige a resposta que você lê. O que chega a você como um parágrafo fluido é, do lado de dentro, no mínimo dois ciclos de inferência separados por uma ida ao mundo.

O detalhe que interessa a quem trabalha com posicionamento é o meio desse sanduíche: o que voltou da busca. Aquele bloco de texto, tipicamente títulos, trechos e endereços de páginas indexadas, é o material bruto com o qual a resposta será construída. Se a sua empresa não está naquele bloco, ela não existe para efeitos daquela resposta. Não importa quão boa seja a oferta.

É a razão pela qual otimização para buscadores deixou de ser um assunto de canal e passou a ser um assunto de existência: o índice é o pré-requisito de tudo o que vem depois.

Os modelos de linguagem natural e suas duas formas de conhecimento

Todo modelo de linguagem carrega dois tipos de conhecimento, e vale a pena separar os dois porque é aí que mora o argumento central que justifica e posiciona toda a análise.

Conhecimento estrutural

O primeiro é o conhecimento estrutural: tudo que o modelo aprendeu durante o treinamento. Como consequência do seu formato, o conhecimento estrutural é datado, ou seja, possui corte. É amplo, mas não é em tempo real, e para mais de 50% dos usuários das plataformas de LLM é simplesmente pouco ou nada útil.

Convém descrever por que esse corte existe, porque ele costuma ser tratado como defeito quando é característica do método. O treinamento de um modelo de linguagem consiste em ajustar bilhões de parâmetros numéricos até que a rede acerte, com frequência cada vez maior, qual é o próximo fragmento de texto mais provável em um corpus gigantesco. Esse ajuste é um processo em lote: roda uma vez, sobre um conjunto de dados congelado, e produz um artefato fechado.

O resultado desse processo não é um banco de dados de fatos consultáveis. É uma distribuição estatística sobre linguagem, na qual o conhecimento fica dissolvido nos pesos, sem endereço próprio, sem data e sem procedência recuperável. O modelo não guarda a frase que leu; guarda o efeito que ela teve sobre a probabilidade de produzir frases parecidas.

Daí decorrem três propriedades que importam ao nosso argumento. A primeira é a já citada data de corte: nada posterior ao fechamento do corpus existe para o modelo. A segunda é a ausência de proveniência: o modelo não sabe dizer, por introspecção, de onde veio aquilo que afirma, o que torna a checagem impossível sem uma fonte externa. A terceira é o custo de atualização: corrigir uma informação no conhecimento estrutural exige retreinar ou ajustar o modelo, uma operação cara e lenta, incompatível com fatos que mudam toda semana, como preço, estoque, horário de funcionamento ou política de troca.

Repare que essas três propriedades descrevem exatamente a categoria de informação sobre a qual as pessoas mais perguntam quando estão prestes a comprar alguma coisa.

Conhecimento conjuntural

A segunda forma de conhecimento é a forma de conhecimento conjuntural. Esse conhecimento não é necessariamente cumulativo e grande parte das vezes não é sequer absorvido de maneira persistente.

O conhecimento conjuntural é um conhecimento menos seguro, sobretudo se a necessidade tiver alguma forma de peso para tomadas de decisões. Ele é um resultado de um processamento: o input do usuário interessado na resposta é o gatilho, o modelo com seu conhecimento estrutural e sua capacidade de raciocínio é o artefato que o recebe e processa, gerando um output não absolutamente único mas sim original, se as condições de autenticidade e originalidade do input do usuário forem respeitadas.

Tecnicamente, o conhecimento conjuntural vive na janela de contexto: o espaço finito de texto que o modelo consegue considerar de uma vez, contando a sua pergunta, o histórico da conversa, as instruções do sistema e tudo aquilo que foi trazido de fora por chamadas de ferramenta. É memória de trabalho, não memória de longo prazo. Quando a conversa termina, ou quando o conteúdo mais antigo é descartado para caber o mais novo, aquilo se perde. Nada daquilo volta para os pesos do modelo.

É por isso que a expressão "o ChatGPT aprendeu comigo" descreve mal o que aconteceu. O que houve foi uma composição temporária entre o que o modelo já sabia e o que lhe foi entregue naquele momento. Na conversa seguinte, sem os mesmos insumos, a composição não se repete.

Essa arquitetura tem um nome consolidado na literatura técnica quando o material externo vem de uma base de documentos: geração aumentada por recuperação, ou RAG, na sigla em inglês. A ideia é a mesma que descrevemos acima, com uma etapa a mais de seleção: em vez de despejar tudo na janela de contexto, o sistema primeiro recupera os trechos mais pertinentes à pergunta e só então os apresenta ao modelo. A busca na web é a variante mais pública dessa arquitetura, com o índice do buscador cumprindo o papel de base de documentos.

Há uma consequência assimétrica nisso que costuma passar despercebida. O insumo dos resultados dos buscadores é, em alguma magnitude, constante, enquanto os insumos dados pelos usuários na ponta são variáveis. A repetição de uma solicitação na ponta resultaria em um output final semelhante, se não idêntico. No entanto, o comportamento do usuário é, via de regra, raro de se repetir integralmente, exceto quando ativamente manipulado.

Traduzindo para o que interessa a quem investe em posicionamento: o lado que você controla, o corpus indexado, é o lado estável da equação. A variabilidade está do outro lado, na formulação de cada pergunta. Isso é uma boa notícia, porque significa que o trabalho de tornar-se legível não precisa ser refeito a cada consulta.

Os atores da nova cadeia

Cabe delinear desde o momento presente todos os atores envolvidos, assim como ilustrar a estrutura de relação entre eles. Se antes os agentes e atores eram, de um lado, usuários e plataformas de busca e, de outro, fontes de dados, grupos de informações e outputs prévios, o conhecimento que alimenta e responde agora agrega mais duas ou mais entidades, com destaque para o modelo de linguagem e o protocolo de contexto.

A cadeia completa, hoje, tem pelo menos cinco posições. O usuário formula a intenção. A interface conversacional recebe essa intenção e a converte em prompt. O modelo decide se precisa de fatos externos e, em caso afirmativo, emite a chamada de ferramenta. O protocolo transporta essa chamada até o serviço que a executa. E o índice de busca, na ponta, devolve o material que fundamentará a resposta.

Cada uma dessas posições é disputada comercialmente por empresas diferentes, com uma exceção. A última posição, a do índice, é onde a concentração permanece.

O Model Context Protocol e a padronização do encanamento

O Model Context Protocol é um protocolo aberto lançado pela Anthropic no fim de 2024. Ele é o encanamento que conecta, em fluxo primário, o modelo de linguagem aos buscadores e, em fluxo inverso, a plataforma aos modelos.

A plataforma de busca tem um jeito padronizado e de boa de um modelo de IA chamar ferramentas externas, sejam buscadores, bancos de dados ou sistemas de arquivos, sem que cada integração precise ser reinventada do zero. Foi esse tipo de infraestrutura que, meses depois, o próprio Demis Hassabis, CEO do Google DeepMind, chamaria de sustentação da "Era Agêntica" da IA. Levantamentos posteriores de adoção corporativa, como a pesquisa global da McKinsey sobre o estado da IA, passaram a tratar agentes como categoria própria de implantação, e não mais como experimento isolado.

Vale abrir o que "padronizado" significa aqui, porque a palavra faz trabalho pesado nessa frase. Antes de um protocolo comum, cada combinação de modelo e ferramenta exigia uma integração dedicada: um conector para o modelo A falar com o serviço X, outro para o modelo B falar com o mesmo serviço X, e assim por diante. O custo de integração crescia pelo produto das duas listas, não pela soma. Na prática, isso significava que só as integrações economicamente mais óbvias eram construídas, e o restante do mundo permanecia inacessível aos modelos.

Um protocolo comum troca esse produto por uma soma. Quem expõe uma capacidade a implementa uma vez, seguindo a especificação, e passa a ser acessível a qualquer cliente compatível. Quem constrói um assistente implementa o lado cliente uma vez e ganha acesso a todo o ecossistema já publicado.

A arquitetura do MCP separa três papéis. A aplicação hospedeira é o programa com o qual o usuário interage. O cliente é o componente dessa aplicação que fala o protocolo. E o servidor é o processo que expõe capacidades concretas ao modelo, tipicamente organizadas em ferramentas, que são ações executáveis, recursos, que são dados legíveis, e prompts, que são modelos de instrução reutilizáveis. A comunicação trafega em mensagens estruturadas, com o servidor anunciando o que sabe fazer e o cliente traduzindo isso para o formato de descrição de ferramentas que o modelo entende.

O ponto conceitual, e é o que sustenta o restante deste artigo, é que a padronização não elimina a dependência da fonte: ela a industrializa. Quando a tubulação deixa de ser o gargalo, o gargalo se desloca para o que corre dentro dela. E o que corre dentro dela, no caso de perguntas sobre o presente, continua vindo majoritariamente do índice de busca.

O paradoxo: a ameaça que virou reforço

Aqui está o ponto que levou à escrita do texto original. A IA foi recebida, em boa parte da comunidade de tecnologia, como uma ameaça ao mercado e, em especial, ao modelo de negócio do Google. Menos gente pesquisando diretamente no Google, menos anúncios, menos receita, foi o que argumentaram. Era a narrativa dominante na cobertura de tecnologia do período, do noticiário especializado da BBC à imprensa de negócios que acompanha tecnologia e análise de dados.

No entanto, o que os dados de 2024 e 2025 mostravam era o oposto. O volume de buscas no Google seguia crescendo, algo na casa de 20% ao ano segundo levantamentos daquele período, na mesma janela em que o uso de IA explodia. Nada indicava canibalização, mas sim haver uma nova categoria de usuário batendo à porta: agentes, buscando em nome de humanos.

A explicação é bastante lógica, quando você para para pensar: um modelo de linguagem que responde perguntas sobre o presente precisa de uma fonte externa atualizada. Onde mais essas respostas estariam de forma abrangente?

Diferentes empresas de IA competem ferozmente pela camada de interface, que é o espaço onde o usuário está se comunicando. É o chatgpt.com, o perplexity.com, o chat do Copilot e tantos outros que nascem todos os dias no mercado. Mas efetivamente a fonte desses resultados mantém-se a mesma.

Vale explicitar a assimetria econômica que sustenta esse arranjo, porque ela explica por que a situação não se inverteu no ano seguinte. Construir uma interface conversacional competitiva é caro, mas é um custo de escopo conhecido e cadente. Construir e manter um índice da web inteira, com rastreamento contínuo, deduplicação, avaliação de qualidade, combate a spam e latência de milissegundos na consulta, é um investimento de outra ordem de grandeza, acumulado ao longo de décadas e com retornos crescentes de escala.

É a diferença entre entrar num mercado e reconstruir uma infraestrutura. A camada de interface é contestável; a camada de índice, muito menos. E o desenho técnico descrito na seção anterior tornou trivial, para qualquer interface nova, alugar a segunda em vez de construí-la. É o mesmo movimento que descrevi em software virou commodity: o que ainda tem valor, com a camada replicável barateando e o valor migrando para o que não se reproduz.

Análises daquele período, a mais citada da SparkToro, estimavam o Google processando algo como algumas centenas de vezes mais consultas por dia do que o volume de buscas do ChatGPT, uma assimetria de escala enorme, mesmo com o ChatGPT crescendo rápido. Estimativas da época, da Semrush, sugeriam que quase metade das consultas do ChatGPT dependia de alguma busca externa para ser respondida, dado esse corroborado por diversas outras pesquisas.

Independentemente da fonte ou da magnitude de grandeza deles, o que não mudou de lá para cá é a lógica por trás deles. E é justamente por isso que insisto na estrutura em vez dos números: a estrutura é o que permanece verificável quando o número envelhece.

O efeito zero-click e a contradição que ele esconde

Tinha um dado curioso circulando naquela época: a maioria das buscas no Google já terminava sem clique nenhum. O usuário lia a resposta direto na página de resultados e ia embora bem pleno, atendido pelos blocos de resposta que hoje ocupam a maior parte da tela, os chamados recursos de SERP. Ao mesmo tempo, os assistentes de IA estavam aumentando, não diminuindo, sua dependência de buscas externas indexadas. Esses dois eventos talvez não sejam totalmente causais, mas definitivamente possuem alta correlação.

O que em um primeiro momento parece contraditório, quando observado atentamente se torna óbvio. Humanos querem a resposta mais rápida possível e cada vez toleram menos fricção. Agentes de IA, para dar uma resposta minimamente responsável, ainda precisam ancorar o que dizem em alguma fonte verificável, e essa fonte, hoje, é majoritariamente o índice tradicional da web. São dois comportamentos de busca correndo em paralelo, complementarmente, e não um substituindo o outro.

A palavra técnica para essa ancoragem é fundamentação, ou grounding. Ela descreve a prática de condicionar a resposta gerada a um conjunto de documentos recuperados, de modo que as afirmações produzidas possam ser rastreadas até uma origem. É o mecanismo de controle que separa uma resposta sustentada de uma alucinação plausível, e é também a razão pela qual os sistemas mais responsáveis exibem as fontes junto à resposta.

Repare no que isso implica. A pressão comercial e reputacional sobre as empresas de IA para reduzir alucinação empurra na direção de mais fundamentação, não menos. E mais fundamentação significa mais dependência de um corpo de documentos legíveis, datados e atribuíveis. O zero-click reduz o clique humano; a exigência de fundamentação aumenta a leitura por máquina do mesmo material. O tráfego muda de natureza antes de mudar de volume.

Para quem publica, a consequência prática é desconfortável mas clara: a métrica de sucesso deixa de ser apenas a visita e passa a incluir a citação. Ser lido sem ser visitado é um resultado novo, que a analítica convencional não estava desenhada para capturar, e que exige instrumentação própria antes de virar relatório.

O que isso muda para quem faz SEO

A consequência prática, para quem trabalha com posicionamento de marca na internet, é que o alvo deixou de ser só o ranqueamento para humanos. Passou a existir um segundo público: o agente que lê em nome do humano, e que tem critérios próprios, nem sempre idênticos aos do algoritmo de busca clássico.

No entanto, há uma implicação importante nisso, que é justamente a principal argumentação deste artigo: os agentes não são independentes. Eles herdam o índice. Otimizar para o agente sem estar no índice é otimizar para uma leitura que nunca vai acontecer, e é por isso que a oposição entre "SEO tradicional" e "otimização para IA" é falsa na raiz. As siglas que nomeiam essa suposta disciplina nova, GEO e AEO, descrevem ajustes de ênfase sobre a mesma base técnica, não uma substituição dela.

Dados estruturados corretos, políticas de troca e garantia sem ambiguidade, acesso liberado a crawlers de IA por decisão, preço e disponibilidade que não dependem de JavaScript para carregar: isso tudo importa duas vezes agora. Uma para o ranqueamento tradicional, outra para a chance de um agente conseguir ler sua empresa quando alguém perguntar sobre ela.

Cada um desses quatro itens merece uma frase a mais, porque a razão técnica de cada um é diferente.

Dados estruturados são a forma mais direta de dizer a uma máquina o que uma página afirma. Um preço marcado como preço, um produto marcado como produto, uma avaliação marcada como avaliação. Sem essa marcação, a máquina precisa inferir do texto corrido, e inferência erra. Marcação inválida é pior que ausente, porque falha na validação e é descartada inteira. A gramática dessa marcação é o Schema markup, cujas regras de uso estão na documentação de dados estruturados do Google, e cuja genealogia institucional tratei em Schema e dados estruturados na web.

Políticas sem ambiguidade importam porque o agente precisa interpretar condições para decidir e para responder ao comprador. Um prazo de troca escrito como "em até alguns dias após o recebimento" não é interpretável. Um PDF digitalizado, muito menos. Ambiguidade não gera uma resposta pior: gera uma decisão interrompida. Em e-commerce, onde a política é parte do produto, isso deixa de ser detalhe editorial e vira otimização de conversão.

Acesso de crawler é o item onde mais se erra por herança. Bloqueios escritos anos atrás, por razões que já não se aplicam, continuam válidos e silenciosos. A diferença entre bloquear por decisão e bloquear por acidente não aparece no robots.txt: ambos produzem o mesmo silêncio. Por isso a recomendação é que a liberação, ou o bloqueio, seja deliberada e documentada, com os agentes relevantes nomeados explicitamente, conforme a relação oficial de rastreadores do Google, que já distingue o rastreador de busca do agente de treinamento.

Independência de JavaScript é o item que mais separa os dois mecanismos em jogo. Um sistema que apenas busca e cita pode se contentar com o que o índice já processou. Um agente que navega a página para executar uma tarefa, ao contrário, frequentemente não executa scripts. Informação que só existe depois da execução de um script é invisível para ele, mesmo em um site que aparece bem em busca generativa. É a mesma herança de arquitetura web que decide indexação antes de qualquer auditoria, e que se resolve na camada de desenvolvimento, não na de conteúdo.

Foi esse segundo problema, ser legível para um agente, não só bem ranqueado para um buscador, que ficou martelando depois desse texto. Foi dele que nasceu um projeto mais recente aqui na Integrare: um construto chamado legibilidade agêntica, com um instrumento diagnóstico de doze critérios para medir se uma empresa consegue ser lida, fundamentada e citada por sistemas de IA.

O instrumento organiza esses doze critérios em três dimensões, que correspondem às três operações que um agente executa sobre uma empresa. A primeira é a inscrição: a empresa existe em forma legível por máquina? É a dimensão dos quatro itens descritos acima, e a única inteiramente sob controle técnico de quem publica. A segunda é o grounding próprio: o corpo de conhecimento que fundamentaria um agente da própria empresa existe, é portável e está no CNPJ dela? A pergunta-síntese dessa dimensão é direta: se o fornecedor atual desaparecer amanhã, o agente que atende os clientes continua sabendo o que sabe? Quando a resposta é não, o que existe não é patrimônio, é aprisionamento, e o custo de mudança migra junto com o corpus. A terceira é a citabilidade: a empresa aparece quando esses sistemas respondem perguntas da categoria dela, e o que dizem sobre ela está correto? Citação errada é pior que ausência, porque entrega informação falsa com a autoridade emprestada do sistema, e é aí que os sinais de experiência e confiabilidade deixam de ser vocabulário de SEO e viram controle de risco.

A separação entre as três não é organizacional, é analítica. Elas não se compensam. Inscrição alta não resolve um corpus preso na plataforma do fornecedor, e citabilidade construída sobre inscrição frágil tende a não durar. O diagnóstico útil é o perfil das três, não a soma.

O trabalho está ainda em fase de validação, publicado como working paper aberto a crítica antes de qualquer uso comercial, e é para onde esse argumento de agosto de 2025 estava, sem que naturalmente soubéssemos, caminhando.