Esta ferramenta mostra exatamente o que
Quando seus clientes perguntam algo ao ChatGPT ou Gemini, o modelo dispara silenciosamente um conjunto de pesquisas tradicionais na web em segundo plano, recupera as páginas de classificação e sintetiza a resposta delas. Os sites classificados para essas consultas ocultas são citados. Aqueles que não o fazem, não o fazem. QueryFan gera prompts específicos da pessoa, executa-os em ambos os modelos e captura as pesquisas exatas que cada um acionou. Essa lista é o seu verdadeiro alvo de visibilidade da IA. É grátis.
As listas de palavras-chave são úteis, mas perdem metade da imagem
Deixe-me ser preciso sobre isso antes que alguém escreva uma resposta furiosa.
Estou usando o termo “palavras-chave” para me referir às consultas “únicas” que vão para os mecanismos de pesquisa tradicionais. Sim, eu sei que estamos num mundo “semântico” há mais de uma década, mas vamos apenas concordar com a terminologia que todos podem seguir por enquanto.
O principal problema das “listas de palavras-chave” no contexto da pesquisa de IA é triplo:
- Normalmente, as consultas (solicitações) que vão para os LLMs tendem a ser mais longas, multifacetadas e de natureza conversacional. As pesquisas tradicionais tendem a ter um escopo mais restrito.
- A pesquisa tradicional é “one-shot”. Você faz sua pesquisa, obtém suas informações e depois faz outra pesquisa independente. Consultas/solicitações em LLMs tendem a ser de natureza conversacional e carregam o contexto de tokens anteriores.
- Os mecanismos que os LLMs usam para pesquisa na web também carregam contexto de personalização. Se o usuário já declarou que é vegano e pergunta ao LLM sobre (tênis de corrida), é altamente provável que o LLM faça uma pesquisa para acomodar isso.
Em essência, a pesquisa de IA tornou-se uma espécie de “decodificador de intenção universal” para os usuários. Essas grandes e multifacetadas conversas com a IA são divididas em subconjuntos de consultas solucionáveis, que são executadas em segundo plano como pesquisas “tradicionais” no Google ou Bing, com os sites resultantes usados para gerar uma resposta. O processo é conhecido como “Geração Aumentada de Recuperação” (RAG).
A meta de otimização foi movida. Você não está mais otimizando apenas o que o humano digita em uma caixa de bate-papo. Você está otimizando o que o agente de IA procura silenciosamente em seu nome, em segundo plano, sem que o usuário saiba que isso aconteceu.
Essas consultas em segundo plano são o que o QueryFan captura. Muitas vezes, eles são bem diferentes do que o usuário realmente pediu. E são a lista exata de coisas que você precisa classificar para aparecer nas respostas geradas por IA.
Anexo A: Reddit caiu de um penhasco em uma terça-feira
O escopo e a profundidade desse relacionamento secreto ficaram claros quando o Reddit estava desfrutando de aumentos meteóricos de visibilidade no Google, e a tragédia aconteceu em 10 de setembro de 2026. De acordo com dados de rastreamento de citações do PromptWatch, a taxa de citações do Reddit nas respostas do ChatGPT entrou em colapso quase da noite para o dia. Ele chegava a atingir 15% de todas as citações. Em poucos dias, estava abaixo de 2%.
A causa não foi glamorosa: o Google removeu silenciosamente a capacidade de solicitar 100 resultados de pesquisa simultaneamente (o num=100 parâmetro) de sua API de pesquisa naquela data.
Pense no que isso lhe diz. Visibilidade do Reddit nas respostas do ChatGPT rastreadas Recursos de pesquisa em massa do Googlenada que o Reddit tenha feito, nem uma atualização de dados de treinamento, nem um ajuste de alinhamento. A implicação é tão sutil quanto a queda de um piano: o ChatGPT estava extraindo em massa os resultados de pesquisa do Google, o Reddit dominava esses resultados na época e, quando a extração em massa desapareceu, o mesmo aconteceu com as citações do Reddit.
As superfícies de pesquisa de IA são, em grande parte, invólucros da pesquisa tradicional. A parte “IA” é real (a síntese, a personalização, a coerência conversacional), mas o recuperação de informação passo é notavelmente familiar. O Google indexa e classifica a web; a IA consulta esse índice. Seu conteúdo ainda precisa ser classificado.
Como funciona o QueryFan
Etapa 1: suas palavras-chave ‘tradicionais’
Sua lista tradicional de palavras-chave para o termo “tênis de corrida” pode incorporar várias variações sugeridas desse termo, de uma fonte como o Google Suggest.
Para QueryFan, podemos simplesmente pegar o tópico “tênis de corrida” e usá-lo como nosso primeiro passo, pois geraremos prompts em torno disso.
Etapa 2: Definir Personas
Suas personas são como personalizaremos os prompts que geramos. Isso alterará nossa travessia do espaço de tokens, alinhando-nos com dados de treinamento de milhões de comunidades, postagens em fóruns, tópicos do Reddit e discursos na Internet, onde usuários reais fazem perguntas reais com essas identidades.
QueryFan envia sua combinação persona + tópico para o LLM para gerar os tipos de perguntas que a persona realmente faria a uma ferramenta de IA. Não são palavras-chave. Questões. Perguntas reais, coloquiais e contextualizadas. Para o exemplo (homem vegano de meia-idade que acabou de começar a correr), isso produzirá coisas como:
- “Quais tênis de corrida veganos são bons para homens de meia-idade que estão começando a correr?”
- “Onde posso comprar tênis de corrida veganos online no Reino Unido?”
- “O que devo procurar ao escolher meu primeiro par de tênis de corrida como iniciante?”
Etapa 3: seleção de LLM e enriquecimento também solicitado
Ramo de conversas de IA. Alguém que pergunta sobre tênis de corrida veganos fará perguntas complementares: sobre custo, sobre marcas, sobre prevenção de lesões. QueryFan passa os prompts gerados por meio da API AlsoAsked para capturar as perguntas de acompanhamento com a intenção mais próxima de cada um. Os dados People Also Ask são o instrumento certo aqui porque foram criados para modelar a proximidade da pergunta, que é exatamente o que você precisa quando está tentando prever o próximo destino de uma conversa.
Por exemplo, uma pesquisa no Reino Unido por “tênis de corrida” traria perguntas de acompanhamento sobre marcas específicas, perguntando como escolher um calçado e até mesmo consultas médicas comuns.
Você também pode selecionar se deseja usar ChatGPT, Gemini ou ambos. Cada LLM lida e distribui consultas de maneira um pouco diferente, portanto, se você estiver otimizando para uma plataforma específica, é melhor obter os dados de lá.
Etapa 4: distribuição de consulta
QueryFan envia a lista de prompts enriquecida para GPT-5 com pesquisa na web habilitada (por meio da API OpenAI Responses) e para Gemini com aterramento de pesquisa do Google ativo (por meio da API Gemini Grounding). Ambos os modelos, quando decidem que um prompt requer informações atuais, realizam pesquisas reais no Google nos bastidores.
Este processo captura as consultas distribuídas, já que ambas as APIs são, de forma bastante útil, transparentes sobre o que pesquisaram. A API Gemini retorna um webSearchQueries matriz no groundingMetadata campo de cada resposta fundamentada. A API Responses da OpenAI registra as consultas de pesquisa reais no web_search_call saída. QueryFan colhe ambos.
O resultado é uma tabela: solicitações específicas da pessoa, as consultas reais de pesquisa do Google que a IA disparou. Não foi o que seu cliente digitou. O que a IA procurou em seu nome. Esses são seus novos alvos de SEO e, até agora, não existia nenhuma ferramenta gratuita que os revelasse em grande escala.
A questão fundamental: nem todo prompt desencadeia uma pesquisa
Uma advertência breve, mas importante, antes de você classificar tudo como uma oportunidade de SEO.
Nem todo prompt faz com que a IA realize uma pesquisa na web. Os modelos tomam uma decisão com base no consenso da previsão de tokens sobre se são necessárias informações ao vivo.
Para dar um exemplo, a pergunta “O que fazem os glóbulos vermelhos?” não aciona uma pesquisa. A razão é que há uma curva em forma de sino muito acentuada sobre quais tokens aparecerão em seguida. Nos bilhões de documentos de treinamento, a resposta permaneceu muito estável, de modo que uma resposta “no modelo” pode ser gerada com segurança.
No extremo oposto da escala, uma pergunta como “O que aconteceu nas notícias hoje?” desencadearia uma pesquisa na web. Haveria uma curva muito plana de “tokens wtf são os próximos?”, já que não há uma resposta “estável” nos dados de treinamento; sempre muda, requer dados em tempo real. É outra versão do conceito Query Deserves Freshness (QDF) que os SEOs usam há anos.
Se você estiver interessado em fundamentação, Dan Petrovic fez um excelente trabalho nessa área e até lançou modelos treinados no Hugging Face para prever se as consultas serão fundamentadas quando atingirem um limite de confiança.
QueryFan revela quais prompts acionaram pesquisas e quais não o fizeram. Somente os fundamentados (aqueles que realmente causaram a ocorrência de uma pesquisa no Google) podem ser acionados por meio de SEO. As respostas do modelo estão, por enquanto, em grande parte fora do seu alcance. Você precisaria influenciar os dados de treinamento para avançar até lá, que é um projeto totalmente diferente, com um horizonte muito mais longo.
O que você faz com os resultados
Agora você tem uma lista de consultas de pesquisa reais que as ferramentas de IA disparam ao responder perguntas de suas personas específicas. Execute uma análise de lacunas padrão:
- Para quais dessas consultas você tem conteúdo?
- Em qual você já está classificado?
- Quais têm cobertura zero, seja em seu site ou em qualquer lugar onde você possa ser mencionado?
As duas primeiras categorias são diagnósticas. A terceira é a sua lista de ações.
Uma distinção importante do SEO tradicional: seu ter a classificação não é o único caminho para a visibilidade da IA. Os LLMs examinam os 10, 20, às vezes 50 resultados principais em busca de uma consulta fundamentada e os sintetizam. Uma classificação de site de avaliação confiável na posição 3 é um caminho legítimo para aparecer em uma resposta gerada por IA, mesmo que seu próprio domínio nunca chegue à primeira página. Fazer com que um produto seja avaliado em um site especializado de alta autoridade, ser mencionado em um artigo resumido, aparecer em conteúdo relevante da comunidade, tudo isso conta.
A visibilidade do LLM é um foco em vários locais. Isso significa que a análise de lacunas tem dois resultados: conteúdo para criar em seu próprio sitee canais para ganhar em sites de outras pessoas.
A piada
Volte sua mente para aquele gráfico de citações do Reddit. Aquele que caiu de um penhasco quando o Google alterou um único parâmetro da API. A visibilidade de IA de uma empresa totalmente independente rastreou o comportamento de uma API de pesquisa que ela não controlava e provavelmente nem sabia que existia.
Essa é a forma da dependência. E a implicação não é que o SEO esteja morto; é quase o oposto. O SEO agora está operando com uma vantagem adicional: em vez de otimizar para a consulta humana, você precisa otimizar para a consulta traduzida por IA que acontece entre o humano e o Google.
QueryFan oferece uma maneira de ver o que essa tradução realmente produz. Sua lista de palavras-chave informa o que as pessoas digitaram em uma barra de pesquisa. QueryFan informa o que ChatGPT e Gemini pesquisaram em seu nome, em segundo plano, sem que ninguém peça que anunciem.
São listas diferentes. A lacuna entre eles não é um pequeno refinamento em sua estratégia de conteúdo. É a parte da pesquisa de IA que ninguém mediu porque ninguém teve uma ferramenta gratuita para medi-la.
Divulgação: O autor é o criador do Queryfan.
Mais recursos:
Esta postagem foi publicada originalmente em Mark Williams-Cook Substack.
Imagem em destaque: Roman Samborskyi/Shutterstock
