A comparação saiu das abas e entrou na conversa
Compradores corporativos e consumidores exigentes abandonaram a navegação por dezenas de abas de comparação antes de fechar negócio no principal período comercial do calendário. Em vez de rolar páginas de resultado cheias de anúncios, eles digitam perguntas detalhadas no ChatGPT, no Perplexity e no Gemini e recebem de volta uma recomendação pronta de marcas e condições de contratação.
Trato essa mudança como a variável central da preparação de conteúdo para a Black Friday de 27 de novembro de 2026. Vencer a disputa de atenção na época de descontos exige alimentar os assistentes com especificações claras de serviço, uma arquitetura de dados transparente e menções em veículos confiáveis, tudo com semanas de antecedência.
Generative Engine Optimization para períodos sazonais é a adaptação técnica e editorial de conteúdos para que modelos de linguagem citem e recomendem produtos ou soluções comerciais durante consultas comparativas de compra.
A mudança de hábito tem respaldo no mercado. Em fevereiro de 2024, a Gartner projetou que o volume das buscas tradicionais cairia 25% até 2026, com assistentes de IA absorvendo consultas antes feitas em buscadores. É uma projeção, não uma medição, mas o prazo dela vence justamente neste ano. No Brasil, o Global Digital Shopping Index da Visa com a PYMNTS, divulgado em 18 de setembro de 2026, registra que o uso de IA generativa para pesquisar produtos passou de 2% em 2024 para 32% em 2026. Quem esperar o mês da campanha para ajustar o posicionamento digital perde espaço para quem já publicou informação auditável.
O comprador descreve o contexto e o assistente devolve três nomes
A triagem de ofertas corporativas e contratos de serviço agora começa numa janela de conversa.
Quando um diretor de operações pesquisa alternativas com desconto, ele não digita termos genéricos numa barra de busca. Ele descreve a empresa inteira: número de usuários, orçamento disponível, restrição de prazo, sistema que já usa. O assistente processa essas exigências em segundos e devolve uma lista curta, com poucas marcas, descartando as opções vagas.
A velocidade dessa triagem redistribui as vendas. O comprador não precisa abrir dez páginas para entender se uma condição de pagamento é justa: ele transfere a análise preliminar para o assistente e chega à conversa comercial com a lista já filtrada. Quem não estava na resposta nem sabe que foi descartado.
Se a sua marca não tiver referências públicas consistentes, o modelo simplesmente não a inclui no resumo. Estar no texto da resposta depende de dados públicos verificáveis, não de orçamento inflado em links patrocinados de última hora. Quando o assistente não consegue confirmar suas condições comerciais em fontes independentes, ele tende a omitir a empresa em vez de arriscar uma recomendação imprecisa.
O setor ainda está mal preparado para isso. No mesmo levantamento da Visa, só 15% dos varejistas brasileiros se dizem prontos para um ambiente de compras mediado por agentes, e só 21% conseguem identificar quando uma venda veio de uma plataforma de IA. Tratei o segundo número no editorial sobre por que o gargalo desta Black Friday é atribuição.
Estrutura de dados e arquitetura técnica para os robôs lerem
A leitura dos assistentes depende de um código que elimine ruído de navegação. Enquanto o buscador tradicional indexa páginas e termos, o assistente precisa extrair entidades, relações entre elas, tabelas de especificação e condições comerciais sem ambiguidade.
Libere o robô certo. A OpenAI opera robôs diferentes para funções diferentes, conforme a documentação oficial dos robôs: o GPTBot coleta para treinamento, o OAI-SearchBot alimenta a busca do ChatGPT e o ChatGPT-User busca a página quando um usuário pede. Bloquear o GPTBot não tira a empresa da busca do ChatGPT; bloquear o OAI-SearchBot tira. O mesmo raciocínio vale para PerplexityBot e Claude-SearchBot. Confira também o firewall e a CDN, porque um Allow no robots.txt não resolve um HTTP 403 na camada seguinte. A lista completa está na matriz de robôs de IA.
Publique um llms.txt, sem superstição. O arquivo na raiz do domínio funciona como um sumário em Markdown que aponta para as páginas mais importantes: catálogo de serviços, termos de garantia, faixas de preço da temporada. Ele pode facilitar a descoberta dessas páginas por alguns rastreadores, mas não há garantia de que os modelos usem o conteúdo. Mantenho o meu pelos motivos que expliquei em por que o llms.txt não é requisito do Google.
Complete os dados estruturados das ofertas de novembro. Para empresa de serviço, o núcleo é Organization, Service e Offer, com preço, moeda, validFrom e validThrough explícitos. Para produto, Product e Offer com disponibilidade. Use AggregateRating só quando houver avaliações reais e verificáveis na própria página. Dados estruturados bem organizados reduzem erro de interpretação em perguntas sobre desconto progressivo ou pacote corporativo; o passo a passo está no guia de Schema.org para IA generativa.
Mantenha a política coerente em todas as páginas. Frete, devolução, SLA e atendimento corporativo precisam estar visíveis no código e no texto. Se a landing anuncia uma condição especial e a página de termos diz outra coisa, o assistente encontra a contradição e passa a confiar menos na fonte. Para robôs, a regra básica é clareza factual.
Sirva o preço no HTML. Páginas renderizadas no servidor levam vantagem na leitura automática. Os rastreadores trabalham com limite de tempo, e quando o preço só aparece depois de vários scripts de terceiros, muitos registram a página sem o valor. Páginas pesadas e cheias de scripts são, na nossa experiência de consultoria B2B, a causa mais comum de extração incompleta.
Atualize o sitemap na semana da campanha. Um sitemap XML com lastmod fiel ajuda os robôs a descobrir o que mudou. Isso não determina quando os assistentes vão coletar a alteração nem se ela entra nas respostas, e por isso a mudança de preço de novembro precisa estar publicada antes da semana da data.
O que a auditoria da minha própria marca mostrou hoje
Antes de publicar este texto, rodei na NAIA um relatório de GEO sobre o meu próprio domínio. Foram quatro perguntas ao ChatGPT, do tipo que um comprador faz: quem é, é confiável, vale a pena, quais as alternativas. O resultado ilustra melhor do que qualquer teoria o que este guia pede.
A descrição veio correta e com sentimento positivo: executivo de tecnologia, cargo atual na Nuvini, Brasil GEO, NAIA, passagem pela Semantix. O site próprio foi a fonte mais citada. Até aqui, dados estruturados e página de press kit fizeram o trabalho.
Três problemas apareceram, e os três valem para qualquer empresa:
- Colisão de homônimo. Na pergunta "vale a pena?", o assistente respondeu sobre outro profissional com o mesmo nome, que dá um curso de software de engenharia, e o resumo do relatório listou esse curso como ponto forte meu. Empresa com nome comum sofre o mesmo, e a defesa é desambiguação explícita. Detalhei o mecanismo em por que a IA troca sua empresa por outra.
- Categoria errada. Como alternativas, o assistente citou ferramentas de SEO, não consultorias. Se o modelo não entende em que categoria você compete, ele compara você com a coisa errada, e a lista curta sai sem você.
- Prova própria demais. Entre os contras, o modelo anotou que parte das credenciais vem de canais próprios. É exatamente o limite que a próxima seção trata.
Uma ressalva de método: são quatro perguntas num único motor, numa única data. Serve como diagnóstico qualitativo, não como taxa de citação. Para medir de verdade, a régua precisa de repetição e de protocolo.
Autoridade editorial e validação em fontes externas
Modelos de linguagem não confiam cegamente no que uma empresa diz sobre si mesma.
Para recomendar uma marca numa lista de três ou quatro opções, o assistente cruza o que a empresa publica com menções em domínios neutros. Artigos técnicos em portais do setor, análises em comunidades especializadas e reportagens jornalísticas funcionam como confirmação. Quando vários sites respeitados citam as mesmas soluções com a mesma descrição, a indicação fica mais provável de se repetir na resposta.
Muitos líderes de marketing me perguntam como escolher uma consultoria de GEO para aparecer nas respostas de IA nos meses de maior receita. A resposta prática: escolha quem combina otimização técnica das páginas com trabalho de autoridade editorial em fontes externas, sem truque de repetição de palavras, e quem aceita ser medido por número. Os critérios estão em como escolher uma consultoria de GEO no Brasil. O modelo recompensa profundidade de informação, dado verificado e coerência entre o que a imprensa noticia e o que o site oficial entrega.
Relações públicas pensadas para IA têm efeito prolongado. Uma campanha paga some quando o saldo acaba; a menção conquistada em portal de notícia e em diretório do setor continua disponível para os assistentes meses depois do fim da temporada promocional.
O cronograma até 27 de novembro
Posicionamento em modelos generativos exige semanas de coleta e processamento prévio.
E aí, dá para esperar outubro para organizar o terreno? Não vale o risco. A coleta pelos robôs, a atualização dos índices de busca que alimentam os assistentes e a consolidação de fontes externas levam tempo para aparecer nas respostas do dia a dia. Começar agora aumenta a chance de os assistentes já terem seus diferenciais quando as buscas chegarem ao pico.
- Até 10 de outubro: liberar os robôs de busca no robots.txt, no firewall e na CDN, publicar o llms.txt e padronizar o catálogo de serviços e as condições da temporada.
- Até 31 de outubro: completar Organization, Service e Offer, alinhar termos de uso com as landings e publicar guias comparativos honestos sobre as suas soluções.
- Até 13 de novembro: fechar as pautas com a imprensa setorial e os diretórios, e corrigir qualquer descrição errada da empresa em perfis de terceiros.
- De 20 a 27 de novembro: congelar mudanças estruturais, atualizar só preço e disponibilidade, e registrar a linha de base para ler o resultado em dezembro.
Quando novembro chegar, os assistentes vão encontrar o caminho aberto e respostas prontas para levar o comprador ao seu negócio. Para a versão voltada a lojas virtuais, veja o guia de preparação da Black Friday 2026 para e-commerce.
Fontes
- Gartner Predicts Search Engine Volume Will Drop 25% by 2026, comunicado da Gartner de fevereiro de 2024
- Global Digital Shopping Index 2026 da Visa com a PYMNTS, noticiado pelo TI Inside em setembro de 2026
- Visão geral dos robôs da OpenAI, documentação oficial
- Relatório GEO da NAIA sobre alexandrecaramaschi.com, gerado em setembro de 2026 com quatro perguntas ao ChatGPT