Classificação e citação de IA não são o mesmo número
A diferença de comprimento é real e bem documentada, com algumas medições descrevendo prompts do ChatGPT executando uma ordem de magnitude mais longa do que uma consulta típica do Google por contagem de caracteres. Nada disso lhe diz o que fazer na segunda-feira. A parte que deve mudar a forma como você lê seu próprio relatório não é a extensão da entrada; é o que dois sistemas diferentes fazem com a mesma corda quando você começa a medir ambos ao mesmo tempo.
Comece com a operação, não com a contagem de palavras
Um índice de pesquisa corresponde a uma string. Um modelo de linguagem interpreta um. Esses são trabalhos diferentes e recompensam formatos de entrada diferentes, e é por isso que alimentar a mesma consulta em ambas as superfícies não fornece duas leituras da mesma coisa. Oferece duas coisas diferentes que acontecem ao compartilhar uma caixa de entrada. O índice está procurando documentos cujo texto esteja alinhado com os termos literais que você entregou. O modelo está usando tudo o que você entregou para triangular a intenção e, quanto mais contexto ele obtém, mais confiança ele se estreita em direção a uma resposta. Dê a um índice de pesquisa uma frase longa e específica e você reduzirá o campo de documentos concorrentes, o que geralmente facilita a classificação. Dê a mesma frase a um modelo e você terá aprimorado seu objetivo. Mesma corda, mecânica oposta.
Dois pensamentos ajudam a manter isso honesto antes de prosseguirmos. A primeira é que uma frase longa não é automaticamente uma palavra-chave longtail. O campo de SEO se estabeleceu há anos, e os profissionais mais perspicazes ainda dizem isso claramente, que longtail é definido pela especificidade e pelo volume de pesquisa, e não pela contagem de palavras, portanto, um termo principal de três palavras pode ser brutalmente competitivo, enquanto um número de modelo de produto de cinco palavras permanece aberto. A segunda correção é mais profunda, porque o prompt longo frequentemente nem é o que atinge um índice de pesquisa e, muitas vezes, não é o mesmo índice no qual seu relatório de classificação é construído. Por outro lado, os modelos dividem um prompt em consultas de recuperação mais curtas e disparam várias delas, com a análise de clickstream colocando o prompt digitado perto de 23 palavras, mas a pesquisa que o modelo envia perto de quatro, e um estudo separado medindo mais de duas dessas pesquisas por prompt com aproximadamente cinco palavras cada. O prompt longo que você digitou e a consulta curta que o modelo enviou para correspondência não são o mesmo evento, portanto, tratar o comprimento do prompt como um proxy para o comportamento de pesquisa faz com que o mecanismo erre duas vezes.
Observe atentamente o que essa decomposição faz com o seu rastreamento, porque ela elimina uma suposição. No lado da pesquisa, a string que você envia é a string que corresponde, portanto, quando você rastreia uma consulta, você está rastreando o que VOCÊ escolheu. No lado da IA, o modelo lê seu prompt, infere o que você quis dizer e escreve suas próprias consultas de recuperação para encontrar suporte, o que significa que a string que toca o índice é de autoria do MODEL, e não de autoria de você ou de seu cliente. Você não está mais rastreando sua consulta. Você está rastreando a paráfrase da sua consulta do modelo, comparada a um índice e, em seguida, filtrada de volta pelo julgamento do próprio modelo sobre o que merece uma citação. Três transformações ficam entre o prompt que você registrou e o resultado que você pontuou, e nenhuma delas é visível no número que aparece no painel.
As duas extremidades da curva não se comportam da mesma maneira
Uma consulta de uma palavra quebra ambas as superfícies, e as quebra por razões opostas. O modelo LLM não consegue triangular a intenção a partir de uma única palavra de forma confiável, então ele retorna algo genérico no qual uma empresa não aparecerá. O índice de pesquisa tradicional traz tanta competição por um termo principal que a empresa quase certamente não é classificada. Uma consulta curta, portanto, é lida como não citada e não classificada ao mesmo tempo, uma dupla negativa que parece um fracasso, mas na verdade é uma entrada muito tênue para diagnosticar qualquer coisa. Caminhe até o final e as superfícies se dividirão. Uma frase longa e específica dá ao modelo LLM uma intenção rica e uma razão plausível para citar, e simultaneamente fornece ao índice de pesquisa tradicional uma string de baixa concorrência que é mais fácil de classificar, mesmo com autoridade de domínio modesta. O final longo pode ser lido como citado, classificado ou ambos.
Vejamos um exemplo: dois concorrentes vendem o mesmo software B2B e têm, na realidade, visibilidade quase idêntica sobre o tema que interessa a ambos. Uma equipe constrói seu conjunto de rastreamento da mesma forma que sempre escreveu palavras-chave, em frases nominais restritas. A outra equipe, mais nova, escreve suas consultas rastreadas da mesma forma que fala com um chatbot, em perguntas completas. O conjunto da primeira equipe se inclina para cordas em formato de cabeça que são ferozmente contestadas no índice e finas demais para o modelo colocar com qualquer confiança, de modo que seu painel apresenta uma leitura fraca em ambos os lados. O conjunto da segunda equipe se concentra em questões longas e específicas que são facilmente classificadas em meio à baixa concorrência e dão ao modelo o suficiente para citar, de modo que o painel seja forte em ambos os lados. Nada sobre sua posição real difere. O que difere é como cada equipe digitou, e o relatório converteu discretamente um hábito estilístico no que parece ser uma lacuna competitiva.
Onde isso se torna um problema de medição, não de linguagem
A maioria de seus clientes adota um hábito de frasear sem pensar nisso, e o farão, porque as pessoas seguem o caminho de menor resistência. Um cliente escreve as consultas que rastreia em frases nominais restritas no estilo de palavras-chave, outro as escreve como perguntas de conversação completas, e esse hábito não permanece educadamente na classificação do relatório. Ele dobra as duas colunas ao mesmo tempo e as dobra de maneira diferente, porque cada superfície lê a mesma corda em seus próprios termos. Dois clientes com visibilidade real idêntica podem postar perfis opostos, um forte em classificação e fraco em citações, e o outro o contrário, sem nenhuma razão além de como cada um deles digitou. Esse é um problema real de validade, e não apenas para a classificação lida por si só. O número parece um fato sobre o cliente. Parte disso é um fato sobre o fraseado.
É por isso que alinhar a classificação ao lado da citação e ler as duas colunas como comparáveis é um erro. Você está comparando dois números que nunca foram do mesmo tipo, porque cada um foi produzido por um sistema diferente, fazendo um trabalho diferente com uma string lida em termos diferentes. A investigação sobre sobreposição apoia a divergência, embora não consiga chegar a acordo sobre a sua dimensão. Moz descobriu que a maioria das citações do Modo AI nunca aparecem nos resultados orgânicos para a mesma consulta, um estudo de rastreamento colocou apenas um décimo dos URLs citados entre os 10 principais do Google, e um estudo da Semrush se inclinou para o outro lado para pelo menos uma plataforma, com Perplexity se sobrepondo fortemente aos 10 principais do Google. A magnitude é contestada. O fato de as duas superfícies lerem e recompensarem coisas diferentes não é.
Existe uma versão desta lacuna que se mantém melhor do que a classificação por si só, e quero ter cuidado na forma como a coloco, porque é um argumento e não um resultado comprovado. A lacuna entre a classificação e a citação é lida na mesma string de consulta em ambos os lados, portanto, o efeito de fraseado que distorce cada número absoluto deveria ser amplamente cancelado na comparação, o que deixaria o contraste mais confiável do que qualquer valor por si só. Isso é raciocínio, não é algo que alguém tenha demonstrado, e você deveria considerar dessa forma. O que está estabelecido o suficiente para agir é o ponto vizinho, essa forma de entrada move o que vem à tona. O trabalho controlado mostrou que a fonte de IA muda de acordo com o caráter da consulta, e um estudo separado descobriu que os resultados mudam quando os prompts são reformulados. A forma é uma variável. Tratá-lo como constante ao comparar superfícies é um erro.
A guarda é uma coluna de volume e só funciona de um lado
A defesa do lado da classificação não tem glamour e é o jogo inteiro. Nunca leia um número de classificação sem o volume de pesquisa ao lado. Uma classificação em quarto lugar em uma frase que ninguém pesquisa não é uma vitória; é uma frase classificada porque era específica o suficiente para não ser contestada, e o volume é o que torna um posicionamento vazio óbvio como vazio. As mesmas fontes de SEO que elogiam a especificidade da cauda longa alertam que o volume é um ponto de partida, não um veredicto. O número de aparência mais saudável no painel às vezes é o mais vazio, e apenas o volume ao lado indica qual.
Essa disciplina não ultrapassa os limites, e é aqui que a maioria das pessoas trapaceia silenciosamente. O volume de pesquisa é uma medida da superfície de pesquisa, produzida por um mecanismo que não possui equivalente no lado do LLM. Nenhuma plataforma expõe com que frequência uma pergunta foi feita, não há índice de frequência de prompt e qualquer coisa vendida como volume de prompt LLM são dados de palavras-chave de pesquisa usando uma fantasia ou uma métrica de citação renomeada como demanda. Portanto, a decisão de definir um valor de volume próximo a uma citação para julgar se essa citação é importante não é uma proteção. Classificação das disciplinas de volume. Não diz nada sobre uma citação, e fingir que ela se estende é mais um caso de tratamento de duas superfícies como uma só.
O que deixa uma questão justa: se o volume não for transferido, o que disciplina o lado da citação? Não é uma contagem de demanda, porque não existe nenhuma disponível. O substituto honesto é a frequência de citação em um conjunto de prompts executado repetidamente ao longo do tempo, que é um sinal direcional, não um valor de volume, e deve ser lido como um só. Diz se a sua presença na resposta é estável ou incidental, e não quantas pessoas perguntaram. Tratar essa leitura direcional como se fosse um número de demanda preciso é a versão do lado da citação da mesma armadilha de classificação vazia e ganha o mesmo ceticismo.
Leia seus próprios instrumentos
Nada disto constitui uma razão para nos afastarmos dos números. A bagunça é real, quer você a meça ou não. As respostas da IA mudam entre as execuções, cada superfície lê a mesma string de maneira diferente e o fraseado distorce a comparação. Medir isso não cria essa volatilidade. Não medi-la apenas deixa a volatilidade invisível e permite que você confunda uma única leitura com um fato. O verdadeiro erro não é a bagunça. É tratar uma única execução como se ela tivesse sido corrigida, lendo um aviso em uma tarde como a verdade sobre sua visibilidade. Dados com este formato são direcionais e não diretos, e direcional não é um pedido de desculpas; é a unidade correta no momento. Uma posição que você pode observar se mover ao longo do tempo, uma lacuna que você pode dimensionar, uma tendência amostrada em muitas execuções em vez de vista de uma só vez, tudo isso é legível e honesto exatamente da mesma forma que uma estimativa pontual solitária que finge precisão não é. O instrumento deve corresponder ao terreno, e o terreno que se desloca é lido por direção, não por decimal.
Tudo isso se resume à única habilidade durável na sala. A camada de medição da pesquisa de IA é jovem o suficiente para que os números cheguem parecendo mais precisos do que realmente são, e o profissional que entende o que o sistema fez com a entrada é aquele que consegue distinguir um sinal real de um artefato de fraseado. Nenhuma ferramenta instala esse julgamento para você. Algo pode revelar a lacuna entre classificação e citação; entender por que essa lacuna é o sinal e não o ruído é sua para carregá-la.
Ao encerrarmos esta semana, tenha em mente que SEO não é GEO, e GEO não é SEO e, embora sejam complementares, são diferentes. Um deles você provavelmente dominou há uma década. A outra pede novas habilidades, novo vocabulário, novos dados e um novo relato do que a máquina faz com sua entrada entre o prompt e a resposta. A garantia de que um bom SEO é tudo que você precisa é uma orientação destinada a mantê-lo confortável, frequentemente ouvida por aqueles que têm algo a perder. As superfícies ainda divergem e combiná-las é a coisa mais cara que você pode trazer para este trabalho.
Se você percebeu esse colapso escondido em algum lugar de sua própria pilha, ou se vê a assimetria afetando de uma forma que não considerei, quero ouvi-lo nos comentários. E se você quiser a versão mais longa do argumento sobre por que entender a camada de máquina é melhor do que perseguir seus resultados, este é o meu livro: A camada da máquina.
Mais recursos:
Esta postagem foi publicada originalmente em Duane Forrester Decodes.
Imagem em destaque: Master1305/Shutterstock; Paulo Bobita/Search Engine Journal
