Stupid tem uma página de preços
“Existem agora amplas evidências, recolhidas ao longo dos últimos anos, de que os sistemas de IA são imprevisíveis e difíceis de controlar.” Esse é Dario Amodei em janeiro, escrevendo sobre a tecnologia que sua empresa vende.
Compare com o que está na sua linha do tempo do LinkedIn esta semana. Aqui está o roteiro: A marcação de esquema garante que os mecanismos de IA analisem seu conteúdo. A primeira frase de cada seção deve ser a resposta. Otimize para recuperação em nível de bloco. Há um aumento de citação de 13% disponível se você fizer X, uma melhoria de conversão de 2,8x se você fizer Y.
É um dos padrões mais limpos do momento, e a indústria optou por não notar. As pessoas mais próximas destes sistemas estão cada vez mais cautelosas em relação às reivindicações de controlo. As pessoas mais distantes estão cada vez mais certas de que sabem como funciona… elas conseguiram decifrá-lo. Esse gradiente corre na direção errada.
O que as pessoas que o construíram realmente dizem
A Anthropic publicou seu principal post de pesquisa sobre interpretabilidade em maio de 2024. Ele abre:
“Tratamos principalmente os modelos de IA como uma caixa preta: algo entra e uma resposta sai, e não está claro por que o modelo deu aquela resposta específica em vez de outra.”
Antrópico, escrevendo sobre seu próprio modelo, há dois anos.
As coisas não ficaram mais confiantes desde então. Neel Nanda, que dirige a equipe de interpretabilidade mecanicista do Google DeepMind, deu uma entrevista ao 80.000 Hours em setembro de 2025, na qual a manchete foi que a versão mais ambiciosa da interpretação mecânica está provavelmente morta. Ele não vê um mundo realista onde a disciplina ofereça “o tipo de garantias robustas que algumas pessoas desejam da interpretabilidade”. Vale a pena reler.
A pessoa cujo trabalho é ler mentes de IA está admitindo publicamente que o projeto, tal como foi originalmente concebido, não chegará lá.
No NeurIPS 2024, Ilya Sutskever, cofundador da Safe Superintelligence e ex-cientista-chefe da OpenAI, recebeu seu prêmio Test of Time e usou a plataforma para dizer algo que a sala não esperava dele:
“Quanto mais raciocina, mais imprevisível se torna.”
A carreira de Sutskever é essencialmente a hipótese de escala com um rosto. Ouvi-lo dizer que a próxima fase produz resultados menos previsíveis é em si uma admissão.
Agora volte para sua linha do tempo. O gradiente é Dunning-Kruger redesenhado em escala industrial: o Monte Estúpido com uma página de preços e o vale da calibração onde o trabalho real acontece.
O que as pessoas que vendem realmente dizem
Um profissional publica uma estrutura de quatro pilares para “GEO Técnico”. Um consultor garante a inclusão nas visões gerais de IA. Uma agência comercializa um aumento de 13% na probabilidade de citação, derivado de dados que a própria agência produziu sobre as próprias prescrições da agência. Uma postagem amplamente compartilhada promete que manter um limite de parágrafo de 300 caracteres determina como um banco de dados vetorial divide seu conteúdo. Um fornecedor reivindica uma “participação do modelo” de 78%. Uma figura sênior em sua caixa de entrada descreve uma melhoria de 2,8x na conversão ao ser citada na SGE.
O vocabulário é determinístico: “garante”, “garante”, “dita”, porcentagens precisas até o decimal, estruturas nomeadas com confiança. Nada disso se parece com a linguagem que as pessoas que construíram esses sistemas usam ao descrever como os sistemas se comportam.
Esta é a parte em que fico preso. Os consultores estão confiantes nas táticas que mediram contra si mesmos. Execute o mesmo manual em alguns clientes, observe algum movimento métrico, chame isso de evidência. Não há grupos de controle, nem hipóteses pré-registradas, nem medição do que a tática realmente pretende mudar. Essa é a barreira que um teste real deve superar; todo o resto foi confirmação fantasiada. O problema é o nível de confiança, que está errado em uma ordem de grandeza, independentemente de a tática subjacente fazer alguma coisa. O mesmo modelo que a Anthropic diz publicamente que não pode explicar totalmente está sendo otimizado por pessoas que afirmam saber exatamente o que estão fazendo.
Ou a Anthropic tem sido suspeitamente modesta em público, ou outra pessoa está suspeitamente certa.
Quando alguém testa
Na segunda-feira, semana passada, o Ahrefs publicou um estudo de Louise Linehan e Xibeijia Guan com um título que idealmente deveria ser impossível: Rastreamos 1.885 esquemas de adição de páginas. Citações de IA mal movidas.
A metodologia é o tipo de trabalho que você esperaria que fosse padrão, se a disciplina se preocupasse com padrões. 1.885 páginas que adicionaram esquema JSON-LD entre agosto de 2025 e março de 2026. 4.000 páginas de controle correspondentes. Mudanças de citação medidas 30 dias antes e 30 dias depois da adição do esquema, nas visões gerais de IA do Google, no modo de IA do Google e no ChatGPT. Diferença-em-diferenças nos grupos correspondentes.
A descoberta: nenhum aumento significativo nas citações em qualquer plataforma. As visões gerais de IA, na verdade, mostraram um declínio pequeno, mas estatisticamente significativo. O relatório observa que as chances de uma lacuna tão grande ser uma chance são de aproximadamente 1 em 2.500. A tese do esquema que faz com que os LLMs entendam seu conteúdo, testada em escala em relação a uma linha de base controlada, não sobreviveu ao teste.
Esta é a confirmação empírica do caso técnico que apresentei há uma semana em A questão toda era a bagunça: que os LLMs leem linguagem não estruturada e que as prescrições de esquema e fragmentação estão raciocinando sobre uma arquitetura que não existe. Desde os primeiros princípios, há duas semanas. Da medição controlada, na última segunda-feira.
Vale a pena sentar com isso. A categoria prescritiva dominante em todo o manual GEO foi falsificada empiricamente sob condições controladas, por um fornecedor com um público substancial, abertamente. E as estruturas continuam vendendo.
Então o próprio Google respondeu
Em 15 de maio de 2026, o Google publicou documentação oficial sobre otimização de recursos generativos de IA em pesquisa. A página desmente as prescrições GEO por escrito: arquivos llms.txt não são necessários; não é necessário agrupar o conteúdo; Não é necessário reescrever o conteúdo para sistemas de IA; marcação de esquema especial não é necessária; buscar menções inautênticas não ajuda. O enquadramento é excepcionalmente direto para uma página de desenvolvedor do Google:
“Muitos ‘hacks’ sugeridos não são eficazes ou não são apoiados pela forma como a Pesquisa Google realmente funciona.”
O Google nomeia Answer Engine Optimization e Generative Engine Optimization em seus termos completos e rejeita o manual de uma vez.
Esse é o mecanismo de busca para o qual os consultores afirmam estar otimizando, dizendo ao seu próprio público de desenvolvedores que as otimizações não funcionam. Desde os primeiros princípios, há duas semanas. Da medição controlada, na última segunda-feira. Do próprio Google, na última sexta-feira. Três fontes independentes com a mesma resposta, todas dentro de duas semanas. Tudo ignorado pelas pessoas que vendem o contrário.
O custo de perguntar
É aqui que o diagnóstico deixa de ser educado.
Afirmações confiantes aumentam nessas plataformas de uma forma que as correções céticas não o fazem. A diferença está em quem paga. Publicar uma reivindicação confiável não custa nada. Ele consegue engajamento, constrói um público, gera inbound marketing e faz com que a apresentação de slides pareça voltada para o futuro. Se estiver errado, nada acontece. Quando alguém percebe, todos já passaram para a próxima sigla.
Publicar a correção custa você. Isso escolhe uma briga. Isso marca você como alguém do contra, ou pior, como alguém que não entende. No LinkedIn, onde a maior parte disso acontece, isso vai contra a sua marca profissional. O algoritmo não irá recompensá-lo. O postador original possui a seção de comentários e pode ignorar sua questão metodológica enquanto se envolve com as respostas de parabéns. Sua resposta está em um tópico recolhido.
Há um movimento específico que vale a pena citar aqui. Peça a um consultor GEO para explicar, em termos simples, o que a sua metodologia realmente faz, em que mecanismo ela atua, o que contaria como evidência, o que a falsificaria. A resposta se transforma em jargão. “Alinhamento do espaço vetorial.” “Otimização de consulta T1.” “Recuperação semântica em nível de bloco.” Termos reais da pesquisa de aprendizado de máquina, reunidos em combinações que parecem rigorosas e resistem à verificação em linguagem simples. O padrão funciona porque pode. Perguntar “o que isso realmente significa” parece ingênuo, e observadores sem conhecimento técnico específico não conseguem dizer quais combinações são reais e quais são improvisadas na hora.
Leia os comentários em qualquer postagem GEO de alto envolvimento. Quinze respostas recebidas, 12 são acordos ou “aqui está outra habilidade para adicionar à sua lista”. Dois ou três oferecem ceticismos enquadrados diplomaticamente: “Eu adoraria ver mais dados” ou “a lista está certa, mas…” O autor se envolve substancialmente com a objeção filosófica porque é fácil resistir a “isso é muito técnico”. A objeção metodológica, de que as habilidades prescritas produzem especulação confiante sem uma camada de medição por baixo, recebe o enterro mais educado.
O que isso significa é iluminação a gás em escala industrial. As pessoas que leem a tecnologia corretamente são posicionadas como aquelas que não se atualizaram; as prescrições que os testes controlados acabaram de falsificar são vendidas como prospectivas. GEO descobriu como fazer com que a calibração pareça uma deficiência.
Um experimento X recente capturou a dinâmica fora do SEO. Alguém postou uma pintura de Monet e alegou que ela foi gerada por IA, pedindo que as respostas explicassem sua inferioridade em relação a um Monet real. Centenas responderam, catalogando com confiança as “informações da IA”. Pinceladas planas, composição sem alma, sem coesão, sem alma. Eles estavam analisando um Monet. O quadro determinou o que eles viram.
A postagem original, onde muitas das respostas iniciais foram excluídas.
É o mesmo truque. Substitutos de vocabulário para substância; o enquadramento ativa o viés de confirmação antes do início de qualquer exame; o desempenho da análise torna-se o que é comprado, e não a análise em si; “isto é X” chega antes que alguém verifique se é. Uma vez definido o quadro, a análise segue.
Portanto, as pessoas mais preparadas para reagir, os profissionais que realmente tentaram testar as coisas, os SEOs técnicos que sabem o que o esquema faz e o que não faz, aqueles que conseguem identificar um número de elevador fabricado do outro lado da sala, ficam quietos.
O resultado, nos cronogramas lidos pelo C-suite, é um mercado unilateral.
O custo recai sobre as pessoas que compram o crédito. Os clientes pagam pelas auditorias de esquema que o estudo do Ahrefs acabou de falsificar. Os profissionais juniores constroem carreiras com base em metodologias que não sobreviverão a um teste controlado. E a disciplina queima a credibilidade de que ela precisará mais tarde, quando a busca tradicional se deslocar ainda mais, e se espera que os SEOs se sentem em salas com equipes de engenharia que acabaram de passar dois anos observando o campo com confiança, chamando a tecnologia de maneira errada.
O conhecimento avança tentando refutar sua hipótese, e não confirmá-la. A GEO faz o contrário, realiza estudos para validar o que já vende. Se os profissionais que reivindicam esta experiência nem sequer tentam falsificar-se, quem esperamos que acredite em nós?
A ausência são os dados
Despoje o discurso e o que resta é a ausência.
Um campo técnico sério observa um teste controlado contradizer suas prescrições dominantes, e as prescrições continuam sendo vendidas. Nesse ponto, perguntar se as prescrições estão erradas deixa de ser a questão interessante. Isso foi respondido. A questão mais difícil é o que há de errado com um campo que observa e não corrige.
O mesmo acontece com o gradiente. Quando as pessoas que construíram os sistemas fazem hedge e as pessoas que otimizam esses sistemas garantem, perguntar quem está certo deixa de ser interessante. As pesquisas e os construtores estão certos. Ninguém que tenha trabalhado com atribuição de inferência pensa o contrário. A questão mais difícil é por que razão o campo permite que as garantias viajem incontestadas.
A resposta honesta é que os incentivos não levam à correção. A confiança vende de uma forma que a cautela não consegue. A estrutura reportável ganha o orçamento; a avaliação sensata perde. E a linguagem restrita não cabe em uma página de preços onde uma garantia se encaixa perfeitamente.
Nada disso precisa de vilões. O mercado de atenção sempre recompensa a confiança em relação à calibração.
Você pode continuar observando o gradiente correr na direção errada. Ou você pode ler o que realmente é: uma indústria situada no Monte. Estúpido, cobrando pela vista.
Mais recursos:
Esta postagem foi publicada originalmente no The Inference.
Imagem em destaque: Roman Samborskyi/Shutterstock
