LinkedIn compartilha o que funciona para a visibilidade da pesquisa de IA

O LinkedIn publicou resultados de seus testes internos sobre o que impulsiona a visibilidade nos resultados de pesquisa gerados por IA.

A empresa, supostamente uma das fontes mais citadas nas respostas de IA, compartilhou o que funcionou para melhorar sua presença em LLMs e visões gerais de IA. Para profissionais que estão se ajustando à pesquisa de IA, esta é uma visão rara do que uma fonte muito citada testou e mediu.

Em uma postagem no blog, Inna Meklin, Diretora de Marketing Digital do LinkedIn, e Cassie Dell, Gerente de Grupo de Crescimento Orgânico do LinkedIn, detalharam as táticas que geraram resultados.

Estrutura e marcação de conteúdo

O LinkedIn descobriu que a forma como você organiza o conteúdo afeta a capacidade dos LLMs de extraí-lo e exibi-lo. Os autores escreveram que os títulos e a hierarquia de informações são importantes porque “quanto mais estruturado e lógico for o seu conteúdo, mais fácil será para os LLMs entenderem e surgirem”.

A marcação HTML semântica também desempenhou um papel, com uma estrutura clara ajudando os LLMs a interpretar a finalidade de cada seção. Os autores chamaram isso de “legibilidade de IA”.

A conclusão é que a estrutura do conteúdo não é mais apenas uma consideração de UX. A hierarquia de títulos adequada e a marcação limpa podem afetar a citação do seu conteúdo.

Autoria especializada e carimbos de data/hora

Os testes do LinkedIn também apontaram sinais de credibilidade. Os autores escreveram:

“Os LLMs favorecem conteúdo que sinalize credibilidade e relevância, de autoria de verdadeiros especialistas, claramente marcado com data e hora e escrito em um estilo conversacional e baseado em insights.”

Autores nomeados com credenciais visíveis e datas de publicação claras pareceram ter melhor desempenho nos testes do LinkedIn do que conteúdo anônimo ou sem data.

A mudança de medição

O LinkedIn adicionou novos KPIs junto com o tráfego para conteúdo em estágio de reconhecimento, rastreando parcela de citações, taxa de visibilidade e menções LLM usando software de visibilidade de IA. A empresa também disse que está criando uma nova fonte de tráfego em suas análises internas especificamente para visitas orientadas por LLM e monitorando o comportamento do bot LLM em logs CMS.

Os autores reconheceram o desafio da medição:

“Simplesmente não conseguimos quantificar como a visibilidade nas respostas do LLM afeta os resultados financeiros.”

Para as equipes que ainda relatam o tráfego como a principal métrica de SEO, há uma lacuna aqui. Se o conteúdo informativo sem marca for cada vez mais consumido nas respostas de IA, e não no seu site, o tráfego poderá subestimar seu alcance real.

Por que isso é importante

O que me chamou a atenção é o quanto isso se sobrepõe ao que as próprias plataformas de IA dizem.

Roger Montti, da SEJ, entrevistou recentemente Jesse Dwyer, da Perplexity, sobre o que impulsiona a visibilidade da pesquisa de IA. Dwyer explicou que o Perplexity recupera o conteúdo no nível do subdocumento, extraindo fragmentos granulares em vez de raciocinar em páginas inteiras. Isso significa que a forma como você estrutura o conteúdo afeta se ele será extraído.

As descobertas do LinkedIn apontam na mesma direção do lado do editor. Estrutura e marcação são importantes porque os LLMs analisam o conteúdo em fragmentos. Os sinais de credibilidade identificados pelo LinkedIn, como autoria de especialistas e carimbos de data/hora, parecem afetar quais fragmentos são divulgados.

Quando uma fonte muito citada e uma plataforma de pesquisa de IA chegam às mesmas conclusões de forma independente, você tem algo com que trabalhar além da especulação.

Olhando para o futuro

Os autores estão adotando uma mentalidade diferente com a qual os profissionais podem aprender:

“Estamos nos afastando do pensamento de ‘pesquisa, clique, site’ em direção a um novo modelo: ser visto, ser mencionado, ser considerado, ser escolhido.”

O LinkedIn indicou que a Parte 3 da série incluirá um guia sobre como otimizar conteúdo próprio para pesquisa de IA, cobrindo blocos de respostas e definições explícitas.