Os quatro portões entre publicar e ser citado por uma IA

Você já perguntou alguma coisa ao ChatGPT e recebeu uma resposta com três empresas citadas, com link e tudo, e a sua não estava lá. Aconteceu de novo no Gemini. No Perplexity apareceu, mas só o nome solto, sem link, enquanto o concorrente levou o crédito da frase.

Não é sorte, e não é uma coisa só. Entre publicar uma página e ter uma frase dela citada dentro de uma resposta gerada, existem quatro barreiras em fila. Cada uma tem um porteiro diferente, um critério diferente e um motivo diferente para te barrar. Eu chamo isso de os quatro portões da citação, e preciso avisar desde já: o agrupamento em quatro, com esses nomes e nessa ordem, é dispositivo meu. As etapas são engenharia padrão de sistemas de recuperação. Os nomes são meus, e nenhum fornecedor publica esse desenho.

A diferença entre peneira e portaria importa. Uma peneira deixa passar quem é menor. Aqui, quem é barrado no primeiro portão nunca chega a existir para os outros três.

Aparecer na IA são dois problemas, e o mercado vende um só

Quando alguém diz “quero aparecer no ChatGPT”, está pedindo duas coisas diferentes ao mesmo tempo, com prazos diferentes e trabalhos diferentes.

A primeira é estar no material que treinou o modelo. A segunda é vencer a busca que acontece no instante em que a pergunta é feita. Quem não separa essas duas coisas otimiza o alvo errado por meses.

E não é opinião minha que elas são separadas. As próprias empresas mantêm robôs distintos para cada função, com o papel de cada um escrito na documentação pública delas.

Na OpenAI, o GPTBot coleta conteúdo público que pode ser usado para melhorar e treinar os modelos. O OAI-SearchBot faz outra coisa: indexa páginas para que apareçam nas funções de busca do ChatGPT e possam ser recuperadas e citadas. A frase que fecha a questão está lá, em inglês: “Sites that are opted out of OAI-SearchBot will not be shown in ChatGPT search answers”. Bloquear um não é bloquear o outro.

Na Perplexity, o PerplexityBot é descrito como “designed to surface and link websites in search results on Perplexity. It is not used to crawl content for AI foundation models”. Está escrito que ele não serve para treino.

Na Anthropic, o ClaudeBot coleta para treino, e a documentação avisa que desabilitar o Claude-SearchBot “prevents our system from indexing your content for search optimization”.

No Google, o Google-Extended é um token de produto separado, que publicadores usam para controlar se o conteúdo rastreado pode virar treino das próximas gerações do Gemini. E aqui as duas metades andam sempre juntas, porque o mercado repete cada uma sozinha e as duas versões isoladas estão erradas. Metade um: o Google-Extended não afeta a inclusão do site na Busca nem é sinal de ranqueamento na Busca. Metade dois: esse mesmo token governa o grounding nos apps do Gemini e no Grounding with Google Search da Vertex AI. Quem repete só a primeira conclui que bloquear não custa nada. Quem repete só a segunda conclui que bloquear derruba o site. Os dois erram.

Toda essa documentação foi lida em 1 de agosto de 2026, e nenhuma dessas empresas mantém histórico público de versões das páginas. A data de leitura faz parte da informação.

Quatro empresas, quatro documentações que não se conhecem, dizendo a mesma coisa: treino e citação são sistemas separados. A leitura de que isso significa que um site pode ser citável em um sistema e invisível em outro é minha, e eu marco.

As três memórias de quem responde

Pense na pessoa que apresenta o telejornal. Ela fala com segurança total e parece saber tudo de cabeça. A frase que ela acabou de dizer chegou por um fone no ouvido, escrita meio minuto atrás na régie. Ela não escolheu qual fonte citar. Quem escolheu foi quem falou no fone.

Quem escreve para a máquina precisa entender isso: você escreve para quem fala no fone, não para quem aparece na tela.

E quem fala no fone trabalha com três origens de informação, que eu chamo assim:

Memória de formação. O que o modelo absorveu no treino e ficou parado ali dentro até a data de corte. Não é texto guardado, é padrão estatístico em escala. Não existe URL ali dentro nem citação verificável. É daí que nasce a alucinação, porque o modelo completa o padrão inclusive onde não tem dado nenhum. Você já viu isso acontecer com o nome da sua própria empresa: a máquina descreve o que você faz com segurança impressionante, erra a cidade, erra o ano de fundação e inventa um serviço que você nunca vendeu.

Memória de consulta. O sistema busca documentos na hora da pergunta, entrega ao modelo, e o modelo responde ancorado neles e cita as fontes. Esse desenho foi formalizado num paper de Patrick Lewis e colegas, publicado no NeurIPS em 2020.

Memória de convivência. O contexto daquela conversa e daquela conta. É por isso que a mesma pergunta, feita por duas pessoas, pode voltar diferente sem que nada tenha mudado no seu site. Ninguém mexeu em nada. Mudou quem estava perguntando.

Os três mecanismos são reais e distintos. Os nomes são meus, e nenhuma empresa publica essa divisão com essas três palavras.

Portão 1: estar no índice daquele sistema

O primeiro portão é o mais simples de entender e o mais caro de ignorar: estar dentro do índice que aquele sistema consegue consultar.

Você pode ser barrado aqui de quatro formas. Não estar no índice daquele sistema. Estar bloqueado para o robô de busca daquela empresa. Ter o conteúdo atrás de login ou formulário. Ou entregar a página quase vazia no primeiro download, com o texto de verdade aparecendo só depois que os scripts rodam.

Nenhuma dessas quatro aparece como queda de posição no seu relatório. O efeito é o de nunca ter existido naquele sistema.

É por isso que uma empresa aparece bonita num assistente e não existe no outro. A reputação é a mesma nos dois lugares. O que mudou foi o índice. O crachá vale naquele prédio e não vale no da esquina.

Portão 2: ter um trecho que sirva para a pergunta que o sistema foi buscar

O segundo portão exige um trecho que sirva para a pergunta que o sistema efetivamente foi buscar, e essas duas coisas raramente são a mesma. O sistema quase nunca consulta o índice com a frase exata que o usuário digitou.

E o que ele encontra é o pedaço, nunca a página inteira. Isso não é teoria: a documentação da ferramenta de busca da Anthropic descreve o caminho em três passos, o modelo decide quando buscar, a API roda as buscas e devolve os resultados, e no fim o modelo escreve a resposta com as fontes citadas. A citação é obrigatória ali, e cada uma volta com URL, título e um campo chamado cited_text, limitado a 150 caracteres do trecho efetivamente usado. Cento e cinquenta caracteres. É a evidência documental mais direta, em qualquer empresa, de que a unidade da citação é o trecho.

O teste do portão 2 cabe numa frase: o seu trecho aguenta sair de casa sozinho e inteiro?

Sozinha quer dizer sem o parágrafo de cima, sem o título da seção, sem a página de apoio linkada ao lado. Inteira quer dizer com a resposta completa, e não com metade dela mais um convite para falar com um consultor.

Quase toda página boa reprova nesse teste. A clínica publica um texto bonito sobre o procedimento, explicando tecnologia, equipe e equipamento, quando as perguntas reais são quanto tempo dura o resultado, se dói, quanto custa e quem não pode fazer. O escritório de contabilidade escreve quatro mil palavras sobre abertura de empresa sem ter um único parágrafo que responda do começo ao fim quanto tempo demora. O advogado publica um artigo excelente, encadeado, em que nenhum bloco de seis linhas sobrevive fora do contexto.

Portão 3: sobreviver à reordenação

Passar no segundo portão coloca o seu trecho numa lista de candidatos. O terceiro portão é sobreviver à reordenação dessa lista.

Um modelo reordena os candidatos pela relevância à consulta específica que foi feita, e antes disso existem filtros que removem candidatos por segurança e por qualidade de fonte. Esses reordenadores carregam vieses conhecidos, de autoridade da fonte, de frescor da informação e de formato do trecho.

Aqui eu preciso ser honesto sobre o tamanho do que se sabe: nenhum sistema publica o próprio reordenador. Ninguém de fora sabe o peso de cada viés, e ninguém de fora sabe o que muda de uma semana para a outra. Isso não é uma ausência genérica, é uma ausência conferida: eu procurei nas documentações de desenvolvedor, nos help centers, nos blogs de engenharia e nos anúncios de lançamento da OpenAI, da Perplexity, da Anthropic e da Microsoft, em 1 de agosto de 2026, e o número não está lá.

O efeito prático dá para entender sem o número. Dois textos idênticos, palavra por palavra, um numa clínica que trata só daquele assunto e fecha a identidade em todas as fontes, outro num blog que publica sobre saúde, finanças e viagem, assinado por “Equipe de Redação”. Os dois entram na mesma lista de candidatos. Eles não saem da mesma forma.

Relevância é necessária e não é suficiente.

Portão 4: carregar uma afirmação que dê para recortar e para atribuir

O quarto portão é o que separa ser usado de ser creditado. Um texto pode ser recuperado, lido e usado para montar a resposta sem receber nome nem link. Você virou contexto anônimo de uma resposta que cita outra pessoa.

Para passar aqui, o trecho precisa de duas qualidades ao mesmo tempo. Um trecho que dá para recortar sem quebrar é extraível. Um trecho que carrega, dentro dele, de onde a informação veio, é atribuível.

Compare estas duas frases, e elas são construídas por mim para ilustrar, não são medição:

“A maioria dos pacientes retoma as atividades rapidamente.”

“Em um levantamento de 2024 com 1.200 pacientes, 78% retomaram as atividades em até 48 horas.”

A segunda viaja com sobrenome. A primeira dá para acreditar. A segunda dá para atribuir.

Onde a documentação para

Existe um trabalho publicado que testou isso experimentalmente. Chama-se “GEO: Generative Engine Optimization”, de Pranjal Aggarwal e colegas, de Princeton, Georgia Tech, Allen Institute for AI e IIT Delhi. Primeira versão no arXiv em 16 de novembro de 2023, identificador 2311.09735, aceito no KDD 2024.

O benchmark tem 10 mil consultas de nove fontes diferentes, e os autores testaram nove métodos de escrita. Os três vencedores foram adicionar estatísticas, adicionar citações diretas de fontes confiáveis e citar fontes, com melhora relativa de 30 a 40% na métrica Position-Adjusted Word Count, que os próprios autores definiram.

O resumo do paper fala em aumentar a visibilidade “by up to 40%”, e esse número virou slide no mercado. Ele precisa vir com o resto: o grosso do experimento não rodou em produto de mercado. Os autores montaram um motor generativo próprio, com um GPT-3.5-turbo lendo os cinco primeiros resultados do Google, e a validação em motor real, na Perplexity, foi feita sobre duzentas amostras. Está escrito no paper, com todas as letras. O estudo não mediu tráfego, não mediu resultado de negócio, e não mediu citação no ChatGPT, no Perplexity ou nos resultados com IA do Google em particular.

Eu não estou prometendo 40% a ninguém, e ninguém pode. O que o trabalho entrega é evidência revisada por pares de que a forma da afirmação muda a chance de ela ser usada e creditada.

Uma coisa a mais saiu daquele laboratório e vale o parágrafo: encher o texto de palavras-chave relevantes ficou entre os piores métodos testados, com a conclusão dos autores de que técnicas desse tipo têm “little to no performance improvement”. O truque que o mercado vendeu por vinte anos entrou no laboratório e não moveu o ponteiro.

E se você acha que basta estar bem colocado no orgânico, tem um número medido sobre isso. Kevin Indig analisou mais de 546 mil AI Overviews e publicou em 16 de setembro de 2024: a correlação entre posição orgânica e citação é fraca e negativa, 0,19 negativo no conjunto e 0,21 negativo no top 3. Apenas 12,1% das URLs do top 20 apareciam como citação, e cerca de 59,6% das citações vinham de fora do top 20.

Posição ajuda no portão 1 e pesa alguma coisa no portão 3. Ela não diz nada sobre os portões 2 e 4. Essa explicação é minha leitura, e eu marco. O número é medido, publicado e datado.

O que fazer na segunda-feira, em dez minutos

Você faz isso sem abrir o computador, com o celular que já está na sua mão.

Escolha uma pergunta que o seu cliente faria de verdade, com as palavras dele. Não a sua palavra-chave, a pergunta. Alguma coisa como “qual o melhor contador para abrir empresa de tecnologia em Belo Horizonte”.

Faça a mesma pergunta em três lugares: ChatGPT, Gemini e Perplexity. Anote três coisas de cada resposta, e só essas três. Se a sua empresa apareceu. Quem apareceu no lugar dela, com nome. E o que a resposta citou com link, com a afirmação que foi usada.

A leitura do resultado é direta. Não apareceu em nenhum dos três, comece pelo portão 1, conferindo se o robô de busca de cada empresa consegue entrar no seu site. Apareceu em um e sumiu nos outros dois, olhe para o índice antes de olhar para o conteúdo, porque o portão 1 daquele sistema específico é que está fechado e o seu texto não tem culpa. Aparece nos três como menção solta enquanto o concorrente aparece citado com link, o portão 4 é o seu. Abra a página do concorrente que foi citada e procure o número, a data e a fonte. Você quase sempre vai achar os três na mesma frase.

Dois limites, para você não usar isso errado. O papel na sua frente registra um sintoma, e sintoma não é medição: respostas de IA variam entre sessões, contas e dias, e três perguntas num dia não formam série. E slide de apresentação não é destino para essa folha. Diagnóstico caseiro serve para perguntar melhor na próxima reunião.

A pergunta que muda a conversa

Depois disso, você tem uma pergunta melhor do que “como apareço na IA”. A pergunta é em qual sistema, e barrado em qual portão.

Peça o nome do portão antes de assinar qualquer coisa. Quem sabe do que está falando responde na hora, e usa as palavras índice, robô, trecho e dado. Quem não sabe fala em ranquear no ChatGPT.

O que mudou não foi a máquina de encontrar. Foi a máquina de entregar.