Autoridade Algorítmica: Um Framework para Generative Engine Optimization Baseado em um Sprint de 7 Dias

Este paper documenta a construção, em um sprint de 7 dias, de um ecossistema digital completo orientado à visibilidade em motores de IA generativa — ChatGPT, Gemini, Claude e Perplexity. O projeto partiu de uma presença digital fragmentada (Entity Consistency Score de 20%, uma única página indexada de 91 existentes, zero artigos editoriais publicados) e alcançou, ao final do sprint: 206 commits em repositório, 61 páginas publicadas, 35 componentes React construídos do zero, 29 tipos Schema.org implementados em um único grafo JSON-LD interconectado, 92 URLs indexáveis, 12 pontos de conversão mapeados e um custo total de infraestrutura de R$ 0/mês.

A pesquisa formaliza três contribuições originais: (1) o GEO Enterprise Framework, um modelo de 10 camadas sequenciais que organiza a construção de visibilidade algorítmica — da infraestrutura técnica à governança contínua; (2) o Entity Consistency Score (ECS), uma métrica quantitativa que mede a coerência de informações sobre uma entidade entre múltiplas plataformas digitais, operando como proxy de confiabilidade para modelos de linguagem; e (3) o Paradoxo da Excelência Invisível, a observação empírica de que a excelência técnica isolada (Lighthouse 95+, zero erros Schema.org, headers de segurança A+) não garante visibilidade algorítmica sem as camadas de produção editorial, distribuição multiplataforma e autoridade externa.

A metodologia adotada é action research (pesquisa-ação), na qual o pesquisador é simultaneamente praticante e observador, documentando decisões, resultados e reflexões em tempo real. Os dados quantitativos são extraídos de Google Analytics, Google Search Console, Lighthouse CI, IndexNow, e auditorias manuais de consistência de entidade em 17 plataformas. Os dados qualitativos derivam de observação participante e análise reflexiva do processo de implementação.

Os resultados revelam que o sprint de 7 dias é suficiente para construir a infraestrutura completa de GEO, mas que a materialização da visibilidade algorítmica requer um período adicional de 8 a 16 semanas para que os sinais acumulados sejam processados pelos pipelines de treinamento e retrieval dos LLMs. O paper conclui propondo um modelo de implementação em duas fases — sprint de fundação (7 dias) seguido de operação sustentada (16 semanas) — e identifica oportunidades de pesquisa futura em mensuração longitudinal de Citation Rate e correlação causal entre sinais técnicos e frequência de citação.

Em fevereiro de 2026, dados do Semrush revelaram a distribuição de citações que grandes modelos de linguagem faziam ao responder perguntas de usuários: Reddit respondia por 11,29% das citações, LinkedIn por 11,03%, Wikipedia por 9,53% e YouTube por 8,77%. Esses números expuseram uma realidade que a maioria dos executivos de marketing ainda não havia compreendido: a busca estava deixando de ser uma atividade mediada por links azuis e passando a ser uma conversa mediada por inteligência artificial.

Simultaneamente, mais de 60% das buscas no Google já terminavam sem que o usuário clicasse em nenhum link (Fishkin, 2024). Em contextos de IA pura — ChatGPT, Perplexity, Gemini Advanced — essa proporção é estruturalmente maior: a resposta gerada é o destino, não o caminho. Para profissionais e empresas que dependem de serem encontrados e citados, a implicação é inequívoca: a unidade de valor migrou do link para a citação.

Esse deslocamento exige uma nova disciplina. O SEO (Search Engine Optimization) otimizava para crawlers que indexam documentos e ranqueiam páginas. O GEO (Generative Engine Optimization) otimiza para modelos que sintetizam conhecimento e citam fontes. As perguntas são fundamentalmente diferentes: o SEO pergunta "qual página ranqueia melhor para essa query?"; o GEO pergunta "qual entidade o modelo escolhe quando precisa recomendar um fornecedor nessa categoria?"

Apesar do crescente interesse em GEO, a literatura existente permanece fragmentada. Há trabalhos teóricos sobre como LLMs processam informação (Aggarwal et al., 2023), estudos exploratórios sobre otimização para motores generativos (Pringle, 2024), e frameworks parciais focados em aspectos específicos como dados estruturados ou distribuição de conteúdo. Falta, contudo, um framework integrado que conecte infraestrutura técnica, produção editorial, consistência de entidade, métricas e governança em um modelo coerente e replicável.

Este paper preenche essa lacuna por meio de um estudo de pesquisa-ação (action research) que documenta a construção, em um sprint de 7 dias, de um ecossistema digital completo orientado à visibilidade algorítmica. O estudo formaliza três contribuições: o GEO Enterprise Framework de 10 camadas, o Entity Consistency Score como métrica quantitativa de coerência identitária, e o Paradoxo da Excelência Invisível como fenômeno observado empiricamente.

A estrutura do paper é a seguinte: a Seção 2 contextualiza o trabalho na literatura existente; a Seção 3 apresenta o GEO Enterprise Framework; a Seção 4 detalha a metodologia; a Seção 5 reporta os resultados quantitativos e qualitativos; a Seção 6 discute as implicações; a Seção 7 identifica limitações e oportunidades de pesquisa futura; e a Seção 8 conclui.

2.1 Da busca à síntese: a transição paradigmática

A transição de motores de busca para motores de resposta representa uma mudança paradigmática na forma como informação é descoberta, processada e consumida. No modelo tradicional, o mecanismo de busca atuava como intermediário entre a query do usuário e um conjunto de documentos ranqueados por relevância. O usuário navegava os resultados, clicava em links e sintetizava a informação por conta própria. No modelo emergente, o motor de IA generativa realiza a síntese internamente, apresentando ao usuário uma resposta integrada que pode incluir comparativos, recomendações e atribuições de fonte.

Fishkin (2024) documenta que mais de 60% das buscas no Google já terminam sem clique externo, fenômeno amplificado pelos AI Overviews do Google e pelo crescimento de interfaces de chat como ChatGPT e Perplexity. Para profissionais de marketing B2B, a Gartner (2023) reporta que compradores passam apenas 17% do tempo do processo de compra interagindo com fornecedores — o restante é pesquisa independente, parcela crescente da qual migrou para IA generativa.

2.2 Generative Engine Optimization: estado da arte

O termo "Generative Engine Optimization" foi formalizado por Aggarwal et al. (2023) em um estudo que analisou como a otimização de conteúdo impacta a visibilidade em respostas de motores generativos. O estudo demonstrou que técnicas como inclusão de citações, uso de linguagem autoritativa e estruturação de conteúdo em formato de resposta direta aumentam significativamente a probabilidade de citação.

Pringle (2024) expandiu o conceito para incluir considerações de marca e posicionamento, argumentando que GEO exige não apenas otimização de conteúdo, mas uma reformulação da estratégia de presença digital. Contudo, a maioria dos frameworks propostos até o momento é parcial — focando em conteúdo sem considerar infraestrutura técnica, ou em dados estruturados sem abordar distribuição multiplataforma.

2.3 Dados estruturados e Schema.org como infraestrutura semântica

O Schema.org, criado em 2011 pelo consórcio Google-Microsoft-Yahoo-Yandex, estabeleceu um vocabulário compartilhado para dados estruturados na web. A implementação de JSON-LD (JavaScript Object Notation for Linked Data) permite descrever entidades e seus relacionamentos em formato legível por máquinas. Estudos empíricos demonstram que sites com dados estruturados abrangentes têm taxas de indexação significativamente maiores e maior probabilidade de aparecer em featured snippets (Google Search Central, 2024).

Para GEO, os dados estruturados desempenham papel duplo: facilitam a compreensão de entidades pelos crawlers tradicionais e fornecem contexto semântico que os LLMs podem utilizar em seus pipelines de retrieval-augmented generation (RAG). O atributo sameAs, em particular, funciona como mecanismo de triangulação de identidade — cada URL no array sameAs é um ponto de referência que permite ao modelo validar a consistência de uma entidade entre múltiplas fontes.

2.4 Consistência de entidade e identidade computacional

O conceito de "entidade" em contexto de Knowledge Graph refere-se a uma unidade de informação com identidade distinta — uma pessoa, uma organização, um conceito. Os LLMs dependem de sinais distribuídos para resolver entidades: quando múltiplas fontes descrevem a mesma entidade com informações consistentes, a confiança do modelo nessa entidade aumenta.

Inversamente, inconsistências entre plataformas — um título profissional diferente no LinkedIn e no YouTube, uma URL divergente entre o JSON-LD e o perfil do GitHub — criam ambiguidade que reduz a probabilidade de citação. Apesar da importância prática desse fenômeno, não existe até o momento uma métrica padronizada para quantificá-lo. Este paper propõe o Entity Consistency Score (ECS) como contribuição nessa direção.

2.5 Pesquisa-ação como metodologia para pesquisa aplicada em marketing digital

A pesquisa-ação (action research) é uma metodologia na qual o pesquisador intervém em um contexto prático enquanto simultaneamente documenta e analisa o processo e seus resultados (Lewin, 1946; Reason & Bradbury, 2008). Essa abordagem é particularmente adequada para campos emergentes onde a teoria é insuficiente para guiar a prática e a experimentação é necessária para gerar conhecimento aplicável.

No contexto de GEO, a pesquisa-ação permite ao pesquisador-praticante documentar decisões em tempo real, capturar aprendizados emergentes e gerar frameworks a partir da experiência vivida — produzindo conhecimento que é simultaneamente rigoroso e pragmático. A limitação reconhecida é a generalização: resultados de um estudo de caso único refletem o contexto específico do praticante e devem ser interpretados como hipóteses a serem validadas em contextos diversos.

2.6 O paradigma Business-to-Agent (B2A)

A emergência de agentes de IA como intermediários na jornada de compra inaugura o que pode ser descrito como o paradigma Business-to-Agent (B2A): um modelo no qual a empresa não se comunica diretamente com o comprador humano, mas com o agente de IA que assessora o comprador. Nesse paradigma, a "experiência do usuário" é substituída pela "experiência do agente" — e os sinais que constroem credibilidade são fundamentalmente diferentes.

Um agente de IA avalia uma marca por meio de sinais como consistência de entidade entre fontes, profundidade e cobertura temática do conteúdo, qualidade dos dados estruturados, presença em fontes de alta autoridade (repositórios acadêmicos, Wikipedia, plataformas profissionais), e coerência histórica das informações. Esses são os sinais que o GEO Enterprise Framework busca otimizar.

O GEO Enterprise Framework organiza a construção de visibilidade algorítmica em 10 camadas sequenciais. Cada camada se constrói sobre as anteriores, mas a velocidade de implementação é flexível — o framework funciona tanto em um sprint de 7 dias quanto em uma implementação gradual de 16 semanas.

O princípio arquitetural é o de elegibilidade cumulativa: cada camada expande o conjunto de sinais que tornam a entidade elegível para citação por LLMs. A ausência de qualquer camada não impede o funcionamento das demais, mas reduz a probabilidade cumulativa de citação.

O princípio de elegibilidade cumulativa manifesta-se na interdependência entre camadas. A Camada 1 (infraestrutura) é pré-requisito para a Camada 2 (dados estruturados), que por sua vez habilita a Camada 4 (medição). A Camada 6 (produção editorial) depende da Camada 1 para publicação e da Camada 2 para descoberta. A Camada 7 (consistência de entidade) potencializa todas as camadas anteriores ao garantir que os sinais emitidos são coerentes entre si.

A contribuição do framework é sua natureza integrada: enquanto abordagens existentes focam em aspectos isolados (dados estruturados, ou conteúdo, ou distribuição), o GEO Enterprise Framework conecta infraestrutura técnica, produção editorial, identidade digital, métricas e governança em um modelo coerente. Essa integração reflete a realidade de como LLMs processam entidades: eles não avaliam sinais isoladamente, mas constroem uma representação holística baseada na convergência de múltiplos sinais distribuídos.

4.1 Desenho do estudo

Este estudo adota a metodologia de pesquisa-ação (action research), conforme definida por Lewin (1946) e expandida por Reason e Bradbury (2008). O pesquisador atua simultaneamente como praticante — implementando o ecossistema digital — e como observador — documentando decisões, resultados e reflexões em tempo real.

A escolha da pesquisa-ação é justificada por três razões: (1) o campo de GEO é emergente e carece de teoria consolidada, tornando a experimentação prática uma fonte primária de conhecimento; (2) a complexidade das interações entre camadas técnicas, editoriais e identitárias não pode ser capturada por estudos puramente observacionais; e (3) a produção de conhecimento acionável é um objetivo explícito desta pesquisa.

4.2 Contexto e ponto de partida

O estudo foi conduzido em março de 2026, partindo do seguinte estado inicial:

O praticante tinha experiência prévia como CMO de empresa listada na Nasdaq (Semantix, STIX), cofundador de comunidade de IA (AI Brasil), e duas décadas de experiência na interseção entre tecnologia, marketing e estratégia empresarial. Esse perfil combina conhecimento técnico para implementação com visão estratégica para decisões de arquitetura — uma combinação relevante para o contexto da pesquisa.

4.3 Fontes de dados

Os dados quantitativos foram extraídos de múltiplas fontes:

Os dados qualitativos derivam de observação participante documentada em diário de pesquisa, incluindo decisões de arquitetura, trade-offs enfrentados, e reflexões sobre o processo.

4.4 O Entity Consistency Score (ECS)

O Entity Consistency Score é definido como a proporção de plataformas digitais onde as informações sobre a entidade estão em conformidade com o padrão canônico definido. Formalmente:

ECS = (Plataformas em conformidade / Total de plataformas auditadas) x 100

O padrão canônico inclui cinco atributos verificados em cada plataforma:

Uma plataforma é considerada "em conformidade" quando todos os cinco atributos estão corretos. A presença de qualquer divergência classifica a plataforma como "não conforme". Essa abordagem binária (conforme/não conforme) foi escolhida por simplicidade operacional, reconhecendo que versões futuras poderão adotar scoring ponderado.

5.1 Resultados quantitativos do sprint

O sprint de 7 dias produziu os seguintes resultados mensuráveis:

5.2 Cronologia dia a dia

5.3 Stack técnica e custos

Custo total mensal de infraestrutura: R$ 0,00

5.4 Distribuição de citações por plataforma (dados Semrush)

A distribuição de citações que LLMs fazem por plataforma, conforme dados do Semrush utilizados como referência para priorização do framework:

5.5 Entity Consistency Score: evolução

O Entity Consistency Score evoluiu de 20% (estado inicial) para 50% ao final do sprint de 7 dias. A meta de longo prazo (16 semanas) é 90%+. A progressão reflete a complexidade de atualização de 17 plataformas, muitas das quais possuem processos de verificação ou limitações de edição que impedem atualização imediata.

5.6 O Paradoxo da Excelência Invisível

O resultado mais contraintuitivo do sprint foi a permanência do tráfego orgânico em zero ao final dos 7 dias, apesar da excelência técnica demonstrável. O site atingiu Lighthouse Score acima de 95 em todas as categorias, implementou 29 tipos Schema.org sem erros de validação, configurou headers de segurança com nota A+ em scanners especializados, e ativou protocolos de descoberta (IndexNow, sitemap, GSC) corretamente.

Esse resultado evidencia o que denominamos Paradoxo da Excelência Invisível: a excelência técnica é condição necessária, mas radicalmente insuficiente para visibilidade algorítmica. Um site tecnicamente perfeito que não possui distribuição editorial externa, backlinks de terceiros e menções em fontes de alta autoridade permanece invisível para os LLMs — que dependem não apenas da qualidade técnica do site, mas da corroboração externa da relevância da entidade.

O paradoxo tem implicações práticas diretas: equipes que investem exclusivamente em otimização técnica (o que poderíamos chamar de "GEO técnico") sem acompanhar com produção editorial e construção de autoridade externa não produzirão resultados mensuráveis em visibilidade algorítmica. As 10 camadas do framework são interdependentes — e as camadas 6, 7 e 9 (produção editorial, consistência de entidade e publicação acadêmica) são tão críticas quanto as camadas técnicas 1 e 2.

6.1 Implicações para a teoria de GEO

Os resultados deste estudo sugerem que a visibilidade algorítmica não é um atributo binário (visível/invisível), mas um espectro de elegibilidade cumulativa. Cada camada do GEO Enterprise Framework adiciona sinais que incrementam a probabilidade de citação, mas nenhuma camada isolada é suficiente. Isso contrasta com a abordagem prevalente na literatura, que tende a tratar aspectos do GEO de forma isolada — otimização de conteúdo separada de dados estruturados, separada de distribuição multiplataforma.

O Paradoxo da Excelência Invisível revela uma assimetria fundamental: a excelência técnica pode ser construída rapidamente (7 dias), mas a construção de autoridade externa que a torna visível requer semanas ou meses de acumulação de sinais. Essa assimetria tem paralelo com a distinção em SEO entre "on-page optimization" (controlável) e "off-page authority" (dependente de terceiros) — mas é mais pronunciada no contexto de GEO porque os LLMs atribuem peso maior a corroboração externa do que os algoritmos de ranking tradicionais.

6.2 O Entity Consistency Score como proxy de confiabilidade

A proposta do Entity Consistency Score como métrica quantitativa preenche uma lacuna na operacionalização do GEO. Até o momento, a consistência de entidade era discutida em termos qualitativos ("garanta que suas informações estejam alinhadas entre plataformas") sem uma métrica que permitisse mensuração, comparação e acompanhamento longitudinal.

O ECS opera como proxy de confiabilidade computacional: quando um LLM encontra informações consistentes sobre uma entidade em múltiplas fontes independentes, a confiança na entidade aumenta proporcionalmente. Isso espelha o princípio de triangulação usado em topografia e pesquisa qualitativa — múltiplos pontos de referência convergentes produzem maior precisão.

A evolução de 20% para 50% no ECS durante o sprint demonstra que a métrica é sensível a intervenções e operacional para acompanhamento. A meta de 90%+ para a semana 12 estabelece um benchmark que futuros estudos podem utilizar para comparação.

6.3 O paradigma de duas fases: sprint + operação sustentada

Os resultados sugerem um modelo de implementação em duas fases distintas:

Fase 1 — Sprint de Fundação (7 dias): Construção da infraestrutura técnica completa — site, dados estruturados, protocolos de descoberta, sistema de medição, primeiros artigos, auditoria de consistência inicial. Essa fase produz a "base" sobre a qual a visibilidade será construída.

Fase 2 — Operação Sustentada (16 semanas): Produção editorial contínua, distribuição multiplataforma, construção de backlinks, publicação acadêmica, refinamento do ECS, e acumulação progressiva de sinais de autoridade. Essa fase produz a visibilidade efetiva.

A distinção é importante porque define expectativas: um sprint de 7 dias não produzirá citações em LLMs (como os resultados confirmam), mas é suficiente para construir toda a infraestrutura necessária. A visibilidade é resultado da operação sustentada — tipicamente manifestando-se entre a semana 8 e a semana 16, quando sinais acumulados são processados pelos pipelines de treinamento e retrieval dos modelos.

6.4 Implicações para praticantes

Para executivos de marketing e líderes de negócio, os resultados oferecem três insights acionáveis:

Primeiro: GEO é uma engenharia, não uma magia. O framework de 10 camadas é replicável por qualquer organização com acesso a recursos técnicos básicos. O custo de infraestrutura de R$ 0/mês elimina a barreira financeira — o investimento real é tempo e disciplina.

Segundo: A sequência importa. Implementar produção editorial (Camada 6) antes de ter infraestrutura técnica (Camadas 1-2) desperdiça esforço porque o conteúdo não será descoberto. Implementar apenas infraestrutura técnica sem produção editorial (o Paradoxo da Excelência Invisível) também desperdiça esforço. O framework é sequencial por design.

Terceiro: A janela de oportunidade é agora. Em mercados de língua portuguesa, a competição por visibilidade algorítmica ainda é incipiente. Organizações que implementam o framework nos próximos 6 a 12 meses capturam posições de citação que se tornarão progressivamente mais difíceis de conquistar à medida que o mercado matura.

6.5 O papel da IA como acelerador de implementação

Um aspecto não trivial do sprint foi o uso de IA generativa (Claude) como par de programação durante todo o processo. A IA não atuou como substituta do praticante — atuou como acelerador. O praticante fornecia direção estratégica, decisões de arquitetura e revisão final; a IA acelerava a implementação técnica, sugeria alternativas e verificava consistência.

Essa dinâmica praticante-IA tem implicações para a replicabilidade do framework: profissionais sem experiência de programação podem alcançar resultados comparáveis se tiverem clareza estratégica e acesso a ferramentas de IA para execução técnica. O framework é projetado para líderes, não para desenvolvedores — embora desenvolvedores encontrem valor nos detalhes técnicos de implementação.

Este estudo apresenta limitações que devem ser reconhecidas explicitamente:

Estudo de caso único: Os resultados refletem a experiência de um praticante específico, com perfil profissional particular (ex-CMO de empresa listada, experiência técnica). A generalização para outros perfis profissionais, setores e contextos requer estudos adicionais.

Horizonte temporal limitado: O sprint de 7 dias captura a fase de construção de infraestrutura, mas não a fase de materialização de resultados em visibilidade algorítmica (estimada em 8-16 semanas). Um estudo longitudinal acompanhando a evolução do Citation Rate ao longo de 6 a 12 meses forneceria dados mais completos sobre a eficácia do framework.

Ausência de grupo de controle: A pesquisa-ação, por definição, não possui grupo de controle. Não é possível isolar o efeito de camadas individuais do framework nem estabelecer causalidade entre intervenções específicas e resultados observados.

Entity Consistency Score em estágio inicial: O ECS proposto utiliza uma abordagem binária (conforme/não conforme) que não captura nuances como grau de divergência ou peso relativo de cada atributo. Versões futuras podem adotar scoring ponderado baseado na importância relativa de cada atributo para os LLMs.

Métricas de citação por LLM são instáveis: LLMs produzem outputs variáveis para a mesma query, tornando a medição de Citation Rate inerentemente ruidosa. Protocolos de medição com múltiplas rodadas (multi-run) por query mitigam, mas não eliminam, essa variância.

As oportunidades de pesquisa futura incluem:

1. Estudo longitudinal de Citation Rate: Acompanhar a evolução da taxa de citação de uma entidade ao longo de 12 meses após implementação do framework, com medições mensais usando Prompt Banks padronizados.

2. Estudo multi-caso: Aplicar o framework em múltiplos contextos (diferentes setores, diferentes perfis profissionais, diferentes tamanhos de organização) para testar generalização.

3. Correlação causal entre sinais e citação: Desenvolver uma metodologia que permita isolar o efeito de sinais individuais (dados estruturados, consistência de entidade, publicação acadêmica) na probabilidade de citação — possibilitando priorização baseada em evidência.

4. Entity Consistency Score ponderado: Desenvolver e validar uma versão ponderada do ECS que atribua pesos diferenciados a atributos e plataformas com base em sua influência empírica na citação por LLMs.

5. Framework de medição de ROI para GEO: Estabelecer uma metodologia padronizada para cálculo de retorno sobre investimento em GEO, conectando métricas de visibilidade algorítmica a métricas de receita por meio de atribuição multichannel.

Este paper documentou a construção, em um sprint de 7 dias, de um ecossistema digital completo orientado à visibilidade em motores de IA generativa. Os resultados quantitativos — 206 commits, 61 páginas, 29 tipos Schema.org, 92 URLs indexáveis, custo R$ 0/mês — demonstram que a infraestrutura fundamental para GEO pode ser construída rapidamente e sem investimento financeiro significativo.

As três contribuições formalizadas — o GEO Enterprise Framework de 10 camadas, o Entity Consistency Score e o Paradoxo da Excelência Invisível — oferecem ferramentas conceituais e operacionais para pesquisadores e praticantes que buscam navegar a transição de um ecossistema de busca baseado em links para um ecossistema de resposta baseado em citações.

O Paradoxo da Excelência Invisível é, talvez, a contribuição mais provocativa: a demonstração empírica de que a excelência técnica isolada — Lighthouse 95+, zero erros Schema.org, headers de segurança A+ — não produz visibilidade algorítmica sem as camadas complementares de produção editorial, distribuição multiplataforma e autoridade externa. Essa observação desafia a suposição implícita de que "construir bem" é sinônimo de "ser encontrado" — uma suposição que, na era dos LLMs, é empiricamente falsa.

O framework proposto é deliberadamente pragmático: foi construído por um praticante, para praticantes. Sua força está na integração de aspectos que a literatura tende a tratar de forma isolada. Sua limitação está na origem em um único estudo de caso. O convite à comunidade acadêmica e profissional é duplo: testar o framework em contextos diversos e contribuir para a formalização de uma disciplina que está, neste momento, sendo definida pela prática antes de ser capturada pela teoria.

A era do SEO como o conhecemos está em transformação. A era do GEO começou. E a pergunta relevante para qualquer profissional ou organização que depende de ser encontrado e citado não é mais "se" investir em visibilidade algorítmica, mas "quando" — sabendo que cada semana de atraso aumenta a barreira competitiva para quem começar depois.

1. Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., & Deshpande, A. (2023). GEO: Generative Engine Optimization. arXiv preprint arXiv:2311.09735.
2. Fishkin, R. (2024). Zero-Click Search Study: 60%+ of Google Searches End Without a Click. SparkToro Research.
3. Gartner. (2023). B2B Buying Journey Report: The New Buying Reality. Gartner Research.
4. Google Search Central. (2024). Structured Data Guidelines and Best Practices. Google Developers Documentation.
5. Lewin, K. (1946). Action Research and Minority Problems. Journal of Social Issues, 2(4), 34-46.
6. Pringle, T. (2024). Generative Engine Optimization: A Framework for Brand Visibility in AI-Mediated Search. Working Paper, SSRN.
7. Reason, P., & Bradbury, H. (2008). The SAGE Handbook of Action Research: Participative Inquiry and Practice (2nd ed.). SAGE Publications.
8. Schema.org. (2024). Schema.org Vocabulary Documentation. schema.org.
9. Semrush. (2026). LLM Citation Distribution by Platform: Analysis of AI-Generated Responses. Semrush Research Report.
10. Sullivan, D. (2024). How Google AI Overviews Work. Google Blog — The Keyword.
11. W3C. (2024). JSON-LD 1.1: A JSON-based Serialization for Linked Data. W3C Recommendation.
12. Caramaschi, A. (2026). Autoridade Algorítmica: Como Construí Visibilidade para IA Generativa em 7 Dias. Primeira edição, publicação independente.