Como o Google descobre que a sua empresa é uma entidade

Imagine um arquivo com trezentas pastas, todas com “João Silva” escrito na capa. Você pede a ficha do João Silva e o arquivista volta com as trezentas. Tem um que morreu em 1974. Tem um de dois anos. Tem, em algum lugar do meio, o dentista da Vila Mariana que você procurava.

O arquivista não errou nada. Ele fez o único trabalho que sabia fazer: comparar letras.

Foi assim que a busca funcionou durante mais de uma década. E parou de funcionar assim numa data que dá para conferir: 16 de maio de 2012, quando Amit Singhal, então vice-presidente sênior de Engenharia do Google, publicou o anúncio do Knowledge Graph no blog oficial da empresa. O título carregava a virada em três palavras: “things, not strings”. Coisas, no lugar de sequências de letras.

No lançamento, aquele catálogo interno já registrava mais de 500 milhões de objetos e mais de 3,5 bilhões de fatos e relações entre eles.

O exemplo que o Google escolheu para explicar o problema foi Taj Mahal. Pode ser um dos monumentos mais bonitos do mundo. Pode ser um músico ganhador do Grammy. Pode ser um cassino em Atlantic City. Três coisas sem nada em comum dividindo a mesma sequência de caracteres. O exemplo é oficial, e ele mostra que a ambiguidade de nomes era problema de engenharia dentro da empresa, admitido por ela, com data e assinatura.

Aqui a gente teria dito São Paulo: a cidade de mais de onze milhões de pessoas, o clube fundado em 1930, e o apóstolo.

O que muda quando você deixa de ser um nome

No arquivo velho, cada pasta tinha um nome na capa e nada mais. No arquivo novo, cada coisa registrada ganha três campos.

Um número que é só dela. Um identificador de máquina, independente do nome escrito. São Paulo cidade tem um. São Paulo clube tem outro. Os dois nomes são idênticos na tela, e os dois identificadores nunca foram parecidos. São os antigos MIDs herdados do Freebase, hoje expostos no formato kg: na Knowledge Graph Search API, cuja documentação é pública.

Uma lista do que ela é. Propriedades com tipo definido, do jeito que um formulário sério define: data de fundação é data, endereço é endereço, número de funcionários é número.

Uma lista de com quem ela se liga. Cada ligação é guardada como uma frase de três partes: sujeito, predicado e objeto. Milhões dessas empilhadas formam uma malha em que cada coisa é definida também por quem está ao redor dela.

Repare no que isso significa para um negócio real. Uma clínica odontológica de Fortaleza deixa de ser um nome que colide com duas clínicas parecidas em Recife e em Belém. Ela passa a ser uma coisa específica: fundada em 2014, ortodontia e implante, cinco cadeiras, uma dentista responsável ligada ao conselho regional.

E aqui vem a pergunta que inverte o quadro. A ficha da sua empresa já existe preenchida na sua cabeça. Está no contrato social, está na memória dos seus clientes antigos. A pergunta é outra: alguém de fora, olhando só o que está publicado sobre o seu negócio, conseguiria preencher os três campos?

O reconhecimento acontece em texto solto, não em formulário

Existe uma patente concedida do Google, número US 9.477.759 B2, título “Question answering using entity references in unstructured data”, com depósito em 15 de março de 2013 e concessão em 25 de outubro de 2016.

Ela descreve um sistema que identifica menções de entidade dentro de texto comum, agrega essas referências espalhadas por vários documentos e responde a pergunta com a coisa, em vez de uma lista de links.

O detalhe que muda o trabalho de quem cuida de um negócio está na palavra unstructured. Para reconhecer coisas, o sistema descrito não depende de você preencher formulário. Não depende de tabela, nem de base curada, nem de cadastro. Ele trabalha sobre texto escrito solto.

Pense num detetive com uma pilha de depoimentos na mesa. Ninguém entregou ficha preenchida. Ele lê texto escrito por gente diferente em momentos diferentes, percebe que o mesmo nome aparece nos depoimentos mais confiáveis, e no fim entrega um nome.

O que terceiros escrevem sobre o seu negócio, em texto corrido, sem marcação técnica nenhuma, é matéria-prima de reconhecimento.

As quatro medidas são todas externas

Existe outra patente concedida, US 10.235.423 B2, “Ranking search results based on entity metrics”, depositada em 12 de dezembro de 2012 e concedida em 19 de março de 2019. Sete meses depois do anúncio “things, not strings”, o Google já depositava um pedido sobre como ordenar coisas por mérito registrado.

As quatro métricas nomeadas no texto são relatedness, notable entity type, contribution e prize. Em português: com quem a entidade coocorre, quão notável ela é dentro do próprio tipo, o que ela produziu e como aquilo foi avaliado, e que prêmios ganhou.

Um juiz de concurso que nunca ouviu o candidato tocar decidiria exatamente com essas quatro fichas. Ninguém vence esse concurso gritando mais alto.

Duas ressalvas, e as duas são importantes.

A primeira: o escopo declarado no texto da patente é ranquear resultados obtidos de um grafo de conhecimento. Chamar essas quatro métricas de “os fatores de ranking do Google” é overclaim, e overclaim é como a nossa indústria perde credibilidade. Nenhuma ferramenta de mercado tem pontuação de autoridade validada por esse documento, por mais que o material de vendas sugira.

A segunda é a que interessa para o seu trabalho: as quatro são externas. Nenhuma delas é preenchida por você sobre você mesmo.

Não existe formulário de entrada

Esta é a parte que costuma incomodar, e é a mais importante do artigo.

Não existe formulário, não existe cadastro e não existe protocolo público de inclusão de entidade no Knowledge Graph. A ausência é verificável: ninguém publica a porta porque a porta não existe.

O que existe é um processo que o próprio Google chama de reconciliação, e o termo não é jargão de consultor. Há um serviço na nuvem da empresa chamado Entity Reconciliation API, dentro do Enterprise Knowledge Graph, e a documentação oficial descreve o serviço como “a standalone API that wraps around the Google core entity resolution engine”, com “Google-scale clustering and reconciliation that handles a graph with a size up to billions of nodes and trillions of edges”.

O mecanismo descrito é este: os dados de entrada viram triplas, um motor agrupa as menções que se referem à mesma coisa, e cada agrupamento recebe um identificador único que a documentação chama de Stable Machine ID.

Preciso marcar uma fronteira aqui. Esse serviço é um produto de nuvem, vendido para empresas organizarem os próprios dados de tabela, e a documentação dele não descreve o funcionamento da busca. Que esse mesmo motor sirva à busca é leitura minha, apoiada na expressão “the Google core entity resolution engine” do texto oficial. Prefiro entregar a leitura marcada a entregar uma certeza que eu não tenho.

Agora o que decorre disso, e que vale para qualquer negócio:

Você não reconcilia a sua empresa. Não existe botão, não existe pedido, não existe fornecedor que faça isso. Reconciliação é trabalho da máquina.

O que fica do seu lado do balcão é o custo desse trabalho. Fontes que dizem a mesma coisa, com as mesmas palavras, baixam o custo. Fontes que se contradizem sobem. E trabalho caro demais, em escala de bilhões de nós, às vezes não sai. Essa última frase é minha, e não da documentação.

O identificador nasce no fim da reconciliação. Enquanto as menções estão soltas pelo mundo, existe matéria-prima e não existe registro. Quando ele nasce, é estável: sobrevive a troca de nome fantasia, a mudança de endereço e à refação do site em outro domínio. O número continua o mesmo, e é por ele que o sistema te reconhece daqui a cinco anos.

E existe o erro para o outro lado. Clínica Sorriso e Sorriso Odontologia, mesma rua, mesmo número, mesma cidade, mesma dentista responsável. As duas verdadeiras. Se o escrivão não concluir que falam da mesma clínica, em vez de um negócio com quinze anos de histórico ele enxerga três desconhecidos. As causas costumam ser banais: a razão social tem um nome, o nome fantasia tem outro, e a marca que o cliente usa tem um terceiro.

Fonte independente é a que não te deve nada

Duas fontes que pertencem ao mesmo dono não conferem nada uma sobre a outra. Elas repetem.

A conferência só existe quando a informação vem de alguém que não ganha nada com o resultado. Nesse processo você é uma testemunha entre várias, e é a única com interesse na sentença. Quem tem muitos canais próprios não é várias testemunhas: é uma testemunha repetindo o depoimento.

A pergunta relevante muda de lugar. Não é quantos sites apontam para a sua empresa. É quantas fontes que não te devem nada afirmam os mesmos fatos sobre você, com as mesmas palavras.

E fonte independente ao alcance de um negócio pequeno existe mais do que parece. O conselho profissional que registra a responsável técnica. A associação comercial da cidade. O convênio que lista a clínica como credenciada. O fornecedor que cita como cliente. O jornal de bairro que cobriu a inauguração.

Uma observação para não sair correndo para o lugar errado: nada disso fala de comprar link. Menção e corroboração entram aqui como mecanismo de identidade, e nada mais que isso.

Não é semáforo, é mostrador

Você provavelmente chegou até aqui com um semáforo na cabeça. Verde, estou no registro. Vermelho, estou fora. Procure esse semáforo e você não vai achar.

Em 2014, pesquisadores do Google publicaram na conferência KDD o artigo “Knowledge Vault: A Web-Scale Approach to Probabilistic Knowledge Fusion”. Ele descreve um método para extrair fatos da web e atribuir a cada fato uma confiança calibrada.

Os números contam a história. O sistema descrito reuniu 1,6 bilhão de triplas. Dessas, 324 milhões ficaram com confiança igual ou acima de 0,7, e 271 milhões acima de 0,9. Mais de um bilhão ficaram abaixo de 0,7. O método extrai muito e confia em pouco.

E o modo como ele confia é o ponto: quatro extratores independentes, o texto corrido da página, a árvore de estrutura do documento, as tabelas em HTML e anotações humanas, fundidos depois com o conhecimento prévio. Três desses quatro caminhos vêm de fora da sua casa.

Um mesmo fato que chega por quatro caminhos, escrito por quatro autores diferentes, termina o processo com uma confiança que nunca teria aparecendo uma vez só.

Uma correção que quase ninguém faz, e ela é necessária. O Knowledge Vault não é um produto do Google. Em 25 de agosto de 2014, depois de uma reportagem da New Scientist tratá-lo como sistema a caminho, o próprio Google procurou o Search Engine Land para corrigir: disse que o assunto tinha sido “misrepresented or misinterpreted”, que se tratava de um paper de pesquisa publicado em maio de 2014, e que “is not an active Google product in development”.

O artigo prova como aquela engenharia pensa o problema de confiar num fato extraído da web. Não prova a existência de um cofre rodando em produção. As duas coisas são diferentes, e você vai encontrar a confusão em blog de agência, em vídeo, em curso pago e em texto assinado por gente séria do setor.

A única certidão que você mesmo emite

Um cartório que registrasse tudo que o interessado declara deixaria de ser cartório no primeiro dia. É por isso que o schema.org, os dados estruturados que você publica no seu site, vale o que vale: é o único canal em que você declara os seus próprios fatos numa linguagem que a máquina lê sem interpretar.

Ele não substitui a corroboração. Ele organiza a sua metade da conversa, para que as outras fontes tenham com o que concordar.

O que fazer na segunda-feira, em dez minutos

Duas abas do navegador, e nada pago.

Abra o ChatGPT e faça uma pergunta só: “quem é” seguido do nome da sua empresa, exatamente como ela é conhecida. Copie a resposta inteira num documento, com a data de hoje. Repita no Gemini, com a mesma pergunta.

São três resultados possíveis, e cada um diz uma coisa diferente sobre a sua ficha.

A máquina descreve o seu negócio de forma reconhecível, com atividade e localização batendo com a realidade. Os três campos estão preenchidos e legíveis para quem olha de fora.

Ela descreve outra empresa, mistura você com uma homônima ou inventa detalhes. Existe ambiguidade viva. O arquivista pegou a pasta do vizinho.

Ela responde que não tem informação suficiente, ou devolve generalidade sobre o seu setor. O material publicado sobre você não sustenta nem uma frase de descrição.

Guarde essa folha com a data. Ela não vale como nota de ranking e não prevê citação em resposta de IA. Vale como marco zero, e marco zero é o que permite dizer daqui a seis meses se alguma coisa mudou.

Se quiser espiar um pouco mais, existe a Knowledge Graph Search API, que devolve entidades com identificador no formato kg:/m/ e um campo resultScore. Com uma ressalva que a própria documentação faz: ela “is not suitable for use as a production-critical service”. Ninguém deveria montar relatório de cliente em cima do resultScore como se aquilo fosse nota oficial de força de entidade. Empresa que não aparece na consulta produz um resultado vazio num dia específico. Anote com data e trate como indício, porque é isso que ele é.

O que isso muda na sua semana

Ser uma entidade reconhecida não é um selo que se pede. É o resultado de um processo que já está rodando sobre o que existe publicado a seu respeito, com ou sem a sua participação. O processo foi aberto sem você.

O que está do seu lado do balcão é baixar o custo do trabalho de quem reconcilia. Os mesmos fatos, com as mesmas palavras, em fontes que não te devem nada.

Estar indexado é o ingresso. Ranquear é a fila. Ser reconhecido como uma coisa do mundo é outro assunto, e é esse que decide se a máquina sabe quem você é antes de decidir se te cita.