O universo de palavras-chave sempre foi menor do que pensávamos

As ferramentas de citação são fundamentalmente diferentes dos rastreadores de classificação, e essa diferença quase sempre é vista ou declarada como uma limitação.

Um entrevistado da minha recente pesquisa com profissionais de marketing digital expôs o caso de forma clara. Você não pode fazer engenharia reversa do que está funcionando quando a resposta muda toda vez que você pergunta, então o que resta está mais próximo de um sinal de reconhecimento da marca do que de um diagnóstico. Já ouvi alguma versão disso de muitas pessoas agora que funciona como a leitura padrão neste espaço, e é justa. Essa pesquisa apresentou deliberadamente o que os entrevistados disseram sem refutação, então cortei minha resposta na época. Esta é a resposta.

O ponto de vista deles me fez pensar, e o que se segue é onde esse pensamento me levou até agora. Direi mais uma vez, desde o início, que administro o CitationIQ, uma plataforma de dados de otimização de IA, por isso tenho interesse comercial nas respostas para coisas como esta. Sinta-se à vontade para me descontar de acordo.

A pergunta que estou fazendo não é a mesma

A leitura padrão pressupõe que o trabalho da ferramenta é explicar por que você apareceu ou não. Essa expectativa vem diretamente do rastreamento de classificação, onde a posição era o resultado, e o trabalho de diagnóstico consistia em descobrir o que a movia. Querer isso de volta é razoável. Um número sobre o qual você pode agir é mais útil do que um número que você apenas pode observar.

Cheguei a isso a partir de uma pergunta diferente. Não por que você apareceu, mas se a frase que você estava perseguindo ainda é contestada ou foi resolvida. Essas são duas coisas diferentes que se deve esperar da mesma evidência, e cheguei à segunda, sendo a que importa comercialmente agora.

Porque se a resposta foi resolvida, e a resposta não é sua, a questão do diagnóstico já foi respondida de uma forma que nenhuma engenharia reversa irá melhorar. O usuário final não se importa de quem é a resposta. Eles queriam a resposta, conseguiram-na, e a identidade da fonte nunca foi o ponto principal para eles.

Resolvido é uma palavra mais útil do que classificado

Aqui está o que acho que está acontecendo.

O SEO tradicional tratava o fraseado como expansível. Havia muitas maneiras de perguntar a mesma coisa, cada uma contável, cada uma uma oportunidade separada, e todo o método agregava essas variações em um volume que valia a pena perseguir. Os novos sistemas tratam essa mesma frase como dobrável. Eles pegam as variações, calculam a média entre as fontes e retornam uma resposta que a pessoa aceita e age de acordo. É isso que quero dizer com convergência.

Se eu tiver esse direito, está perto de uma inversão. Aquilo que a indústria passou vinte anos expandindo é aquilo que esses sistemas foram construídos para comprimir.

Mas a convergência não é tão clara como parece. Os modelos não chegam a uma resposta confiável. Uma auditoria de junho de 2026 com 3.750 respostas em três modelos e 250 consultas de categoria revelou que todos os três concordavam sobre a marca principal apenas 41,6% das vezes. O número mais útil da mesma auditoria é aquele que está abaixo dela. O acordo majoritário, onde pelo menos dois dos três nomearam a mesma marca top, atingiu 91,6%.

Então os modelos são resolver em quais marcas são elegíveis, e não em qual delas vem primeiro. O conjunto é pequeno e estável. A ordem se move. Quando alguém executa novamente um prompt e obtém uma resposta superior diferente, isso é movimento dentro de um conjunto fixo e tratá-lo como prova de que nada foi resolvido lê a camada errada.

Isso muda o que uma ferramenta de citação está lhe dizendo. Não a sua posição, que nunca foi estável e nunca será, mas se a frase ainda tem espaço nela. Se 10 consultas que você tratou como 10 oportunidades fossem resolvidas na mesma lista, elas eram uma oportunidade, e agora você sabe.

Alguém dirá que este é o debate sobre trechos em destaque novamente. Não é, embora a economia seja semelhante. Os snippets reduziram o clique e deixaram o espaço de resposta intacto. A frase continuou contestada, um editor segurou a caixa e você podia ver quem a segurava e ir pegá-la. Ahrefs mediu os danos na época. A convergência funciona de maneira diferente porque a resposta é construída a partir de diversas fontes ao mesmo tempo, de modo que muitas vezes não há ninguém com nada para levar. Os profissionais que dizem ter visto isto acontecer antes estão certos sobre o efeito e errados sobre o mecanismo, e o mecanismo é o que decide se a resposta antiga ainda funciona.

Mas será que isso é real?

A objeção mais forte é que a convergência é um artefato de como ela é medida. Sessões limpas, prompts sintéticos, sem histórico de usuário. Se cada usuário real obtiver uma experiência personalizada, a convergência poderá ser algo que só existe dentro de um espaço de teste.

A personalização não parece dissolver a convergência. Parece realocá-lo. Uma auditoria de 2.000 execuções em dez buyer personas descobriu que os líderes da categoria eram em grande parte resistentes à personalidade, mantendo cerca de 80% de consistência, independentemente de quem o modelo pensava que estava perguntando, enquanto as marcas de médio porte trocavam até 75% da recomendação definida conforme a persona mudava. Os líderes permanecem onde estão, não importa quem esteja pedindo, e a rotatividade acontece abaixo deles. O que significa que a personalização concentra o problema que estou descrevendo, em vez de resolvê-lo.

A objeção imediata sintética não consigo responder de forma tão clara. Ninguém nesta categoria, inclusive eu, está atualmente medindo em escala as distribuições de consultas verificadas no mundo real. Esse é um limite real para o que qualquer ferramenta aqui pode reivindicar agora, inclusive a minha. (E a escala aqui se refere a “tudo” e não a “amostramos 1.000.000 de instâncias e encontramos X”. Legal, mas apenas uma fração do total.)

O mapa tem menos lugares do que presumimos

O Google documenta que as visões gerais de IA e o modo AI podem emitir várias pesquisas relacionadas em subtópicos e fontes de dados antes de construir uma resposta. Portanto, a frase que uma pessoa digita frequentemente nem é a frase que o sistema pesquisa. Essa é a compactação que acontece uma camada antes do que a maioria das pessoas procura.

Aqui está a parte que será impopular. O espaço das oportunidades comerciais genuinamente distintas sempre foi menor que o espaço dos fraseados. A convergência não a reduziu. A convergência tornou-o visível.

Eu assisti uma versão disso por dentro. Durante meus anos no Bing, a concentração de atenção em nível de categoria era bem compreendida e moldava para onde iam os recursos. Entretenimento, automóveis e notícias atraíram pessoas e capacidade de servidores porque era aí que estava a demanda agregada. Categorias como costura ou tricô tinham enorme importância para as pessoas para quem eram importantes e recebiam proporcionalmente menos. Isso é o gerenciamento comum de recursos aplicado à recuperação de informações, e era verdade duas décadas antes de alguém treinar um modelo de linguagem na web aberta.

A novidade é que a concentração agora decide as respostas em vez de apenas os orçamentos. Pesquisadores da Trine University e da Texas A&M realizaram um experimento. Eles construíram conjuntos de produtos de uma marca real contra nove marcas fictícias validadas, com classificações, preços, contagens de avaliações e descrições de ingredientes idênticos. A única diferença era o nome. A marca real foi recomendada em cada um dos 670 testes válidos, em três modelos, dois idiomas e quatro categorias de produtos. Nem uma vez surgiu uma marca fictícia.

O modelo não estava avaliando produtos. Foi reconhecer um nome. O que mostra como é vencer agora, e não é a melhor resposta. É ser a entidade mais descrita numa categoria onde a descrição já se acumulou. A mesma auditoria de junho encontrou vazios competitivos genuínos, ou seja, consultas de categoria sem nenhuma marca dominante, em apenas 8% das 250 consultas.

Aprofundei-me na confiança em artigos anteriores. O que vale a pena salientar é que estes sistemas necessitam de fontes fiáveis, porque uma resposta sintetizada é tão boa quanto aquilo a partir do qual foi construída. O reconhecimento é o proxy mais barato disponível para confiabilidade, portanto os modelos se baseiam nele. Nada disso deveria chocar ninguém. O que é chocante é saber tudo isso e ainda decidir que não conseguir ver a classificação é o problema que precisa ser resolvido.

Por que a indústria prefere não olhar para isso

Menos oportunidades distintas significam que menos empresas podem ganhar, e aquelas que o fizerem ganharão em algo diferente da cobertura de frases.

Esta é uma reformulação existencial para uma disciplina cuja economia pressupunha que todos poderiam eventualmente encontrar o seu nicho. A cauda longa nunca foi apenas uma tática. Era a promessa de que havia espaço para todos, que um pequeno operador com paciência e orçamento de conteúdo poderia construir algo defensável. Enfrentar a convergência honestamente significa enfrentar uma oportunidade endereçável menor do que aquela sobre a qual muitas carreiras foram construídas, inclusive a minha.

Não creio que os profissionais estejam evitando isso por má-fé. O incentivo para não olhar é completamente compreensível, e eu mesmo não cheguei a isso com alegria.

Mais uma coisa complica o quadro. Quase todas as medições publicadas de visibilidade de marca de IA vêm de empresas que vendem medições de visibilidade de marca de IA. Dois dos três estudos acima são pesquisas de fornecedores com conflitos divulgados. Esse é o mesmo conflito que declarei sobre mim mesmo, aparecendo em toda a base de evidências, e é uma razão para manter cada número deste artigo de forma vaga.

Onde esse argumento acaba

A convergência pode ser temporária. As arquiteturas de recuperação mudam, as famílias de modelos divergem e o conjunto de considerações canônicas atual pode fragmentar-se novamente em 18 meses. Não tenho como prever esse risco.

O limite maior é o tipo de consulta. Tudo o que foi observado acima é mais forte para questões informativas e de nível de categoria e mais fraco para questões comerciais específicas. Convergência ativada o que é X conta muito pouco sobre melhor X para Y sob restrição Z. Os dados do acordo entre modelos são tão prejudiciais para mim quanto para mim aqui, porque o número de 41,6% veio de consultas de categorias comerciais, que é precisamente onde meu argumento está fazendo mais trabalho e tendo menos apoio. Se isso vale apenas para consultas informativas, é consideravelmente menos importante do que penso. Não acredito nisso, mas não posso descartar o que foi publicado até agora.

Então, o que substitui a cobertura de frases?

Ainda não tenho isso totalmente resolvido e espero ouvir sua opinião sobre isso.

Acho que algumas direções parecem mais promissoras do que outras. Fazer com que os modelos de origem convirjam, em vez de mais uma fonte competindo por uma frase, é o óbvio e também o mais difícil, porque é obtido por meio de descrição independente ao longo dos anos, em vez de produzido em um calendário de conteúdo.

A posição no nível da entidade, em vez da otimização no nível da página, decorre diretamente da descoberta de reconhecimento. Se o modelo estiver selecionando o nome que conhece, a unidade de investimento será o nome, não a página.

As categorias onde a convergência ainda não aconteceu são reais e o mecanismo indica onde procurar. Kandpal e colegas estabeleceram que a capacidade de um modelo de responder sobre algo rastreia quantos documentos relevantes ele viu durante o pré-treinamento. Mallen e colegas descobriram que o dimensionamento melhora a recordação na extremidade popular, ao mesmo tempo que deixa a extremidade esparsa aproximadamente onde começou. Categorias esparsas são onde ficam os aspiradores, e a tecnologia de saúde mostrou a maior taxa de vácuo naquela auditoria de junho, 20%. A cobertura fina é uma abertura e temporária.

E algumas questões simplesmente não são vencíveis e deveriam ser abandonadas em vez de combatidas. Esse é o item menos satisfatório da lista e provavelmente o mais valioso, porque o custo de contestar uma frase estabelecida não é apenas o desperdício. É a frase que você não contestou.

O que sempre volto é que a convergência não é uma falha de medição. É uma medida de algo que esta indústria não conseguiu ver antes, e o que parece estar a medir é quanto espaço resta, penso eu. Isso é desconfortável. No entanto, um mapa menor que você pode ver ainda supera um mapa grande que você estava imaginando.

Se você estiver testando isso com seus próprios dados e obtendo uma resposta diferente, quero saber mais sobre isso. Deixe um comentário abaixo ou entre em contato diretamente.

Eu me aprofundo em como esses sistemas constroem e mantêm a imagem de uma marca em A camada da máquinadisponível aqui.

Mais recursos:

Esta postagem foi publicada originalmente em Duane Forrester Decodes.

Imagem em destaque: dotshock/Shutterstock; Paulo Bobita/Search Engine Journal