Glossário bilíngue de GEO: 24 termos traduzidos errado

Em 26 de agosto de 2026, uma diretora de marketing de uma companhia com operação no Brasil e nos Estados Unidos leu, no relatório em inglês de uma ferramenta de visibilidade em IA, a frase "mentions increased, citations dropped". O time brasileiro traduziu as duas palavras como sinônimo de "menções" e apresentou ao conselho um slide dizendo que a marca estava "mais mencionada" nos assistentes de IA. O que a ferramenta media, na definição técnica do próprio fornecedor, era outra coisa: mention é a marca aparecer no texto da resposta, citation é a marca aparecer como link clicável na resposta. A marca estava aparecendo mais, mas cada vez menos como link, o oposto do que o slide comunicou ao conselho.

Este glossário nasce dessa distância. Ele não define os termos de GEO (Generative Engine Optimization) do zero, isso já existe nos quatro glossários que mantenho no site e que cito ao longo do texto. Ele resolve um problema mais estreito e, no meu trabalho com equipes bilíngues, mais caro: o mesmo termo em inglês tem sentido técnico apertado dentro da bibliografia de GEO e vira palavra genérica quando cruza para o português, e o time executa a palavra genérica, não o conceito técnico. Metade dos erros de estratégia de GEO que vejo em operações bilíngues não vem de técnica malfeita, vem de tradução malfeita.

A promessa: vinte e quatro verbetes, cada um com o termo em inglês, a tradução errada que circula em reuniões e briefings, o que o termo significa de fato na literatura técnica e uma frase de consequência prática de confundir os dois. Uma tabela compara pares que o time trata como sinônimo e não são. Uma seção mostra, com estudo, autor, data e método, o que a pesquisa de 2025 e 2026 diz sobre viés de idioma nos próprios modelos, e o que ela não diz, porque a resposta não é simples "o inglês ganha sempre". O caso condutor desta peça é a diretora de marketing do primeiro parágrafo; volto a ela no fechamento com a correção que ela aplicou ao briefing.

Um termo técnico em inglês carrega um recorte estreito, definido por quem publicou a metodologia; ao chegar ao português sem essa metodologia junto, o time herda apenas a palavra e reconstrói o significado por analogia com o uso cotidiano, que é sempre mais largo. "Visibility" na literatura de ferramentas de GEO é uma métrica calculada (proporção de respostas em que a marca aparece, segundo metodologia declarada da própria ferramenta); "visibilidade" em português corporativo é qualquer sinal de que a marca "está aparecendo por aí". A segunda definição engole a primeira e ninguém percebe a perda.

O mecanismo se repete em três frentes, e cada verbete abaixo pertence a uma delas. Primeiro, verbos técnicos de processo (crawl, fetch, index, retrieve) que o senso comum funde num só verbo genérico, "acessar" ou "buscar". Segundo, substantivos de medição (mention, citation, visibility, share of voice) que a analogia com métricas de mídia tradicional (alcance, menção espontânea) empresta significado errado. Terceiro, termos de autoridade e confiança (authority, trust, credibility, expertise) que o português usa como sinônimos elogiosos e a literatura de E-E-A-T do Google trata como construtos distintos, cada um com sinal próprio.

Uma consequência atravessa as três frentes: quando o briefing usa a palavra genérica, a agência ou o time interno otimiza para a palavra genérica, não para a métrica que o contrato ou o relatório da ferramenta está de fato medindo. É o tipo de erro que não aparece em nenhum teste técnico e aparece direto no board, como no caso condutor.

Estes seis termos descrevem o mecanismo interno pelo qual um assistente de IA busca informação e produz uma resposta; confundi-los troca uma decisão de conteúdo por uma decisão de infraestrutura, ou o contrário.

Grounding. Tradução errada: "embasamento" ou "fundamentação" genérica, como se fosse sinônimo de ter fonte. O que significa de fato: o processo técnico pelo qual um modelo ancora sua resposta em dados recuperados de uma fonte externa (busca na web, base própria) em vez de responder só com o que aprendeu no treinamento. Consequência prática: pedir "mais embasamento" ao time de conteúdo não muda o grounding, que é decisão de arquitetura do assistente, não de redação; o que o conteúdo pode fazer é ser a fonte que o mecanismo de grounding recupera, o que é outro problema, tratado no verbete retrieval.

Retrieval. Tradução errada: "recuperação de dados" tratada como sinônimo genérico de busca. O que significa de fato: a etapa específica, dentro de um pipeline RAG (Retrieval-Augmented Generation), em que o sistema busca e seleciona os trechos de texto (chunks) que serão inseridos no contexto do modelo antes da geração da resposta. Consequência prática: o texto que "aparece bem no Google" e o texto que "é bem recuperado por um retriever" seguem critérios parcialmente distintos; o mecanismo de query fan-out mostra como uma pergunta única vira várias buscas internas antes da etapa de retrieval.

Chunk. Tradução errada: "trecho" ou "parágrafo", como se qualquer divisão de texto servisse. O que significa de fato: a unidade de texto, com tamanho definido por regra técnica (número de tokens ou caracteres), em que um documento é fatiado antes de entrar num índice de retrieval; um chunk mal cortado separa uma afirmação do seu dado de sustentação. Consequência prática: escrever um parágrafo com a tese numa frase e o número de sustentação três frases depois arrisca os dois caírem em chunks diferentes e nunca se encontrarem na resposta do assistente.

Prompt. Tradução errada: "pergunta" no sentido de pergunta de usuário comum, ou "palavra-chave" por analogia com SEO. O que significa de fato: a instrução completa enviada ao modelo, que pode incluir a pergunta do usuário mais instruções de sistema, histórico de conversa e contexto recuperado; o mesmo prompt de usuário gera prompts finais diferentes conforme o produto. Consequência prática: otimizar para "a pergunta que a pessoa digita" ignora que o assistente reformula essa pergunta internamente antes de buscar, o que é o próprio fan-out.

Answer engine. Tradução errada: "motor de busca" tratado como sinônimo direto de search engine. O que significa de fato: um sistema que entrega uma resposta sintetizada como produto final, não uma lista de links para o usuário escolher; a distinção é a base do termo AEO (Answer Engine Optimization), que o texto sobre reconhecimento e recomendação no ChatGPT detalha. Consequência prática: medir um answer engine com as métricas de SEO clássico (posição, cliques por posição) mede a ferramenta errada para o produto errado.

Hallucination. Tradução errada: "erro" ou "mentira" no sentido comum, como se fosse falha isolada de digitação. O que significa de fato: a geração, pelo modelo, de uma afirmação com aparência factual sem lastro nos dados recuperados nem no treinamento verificável; o termo técnico não implica intenção. Consequência prática: tratar alucinação como "bug a corrigir depois" em vez de risco estrutural atrasa o protocolo de mitigação; o protocolo de redução de alucinações sobre a marca trata disso como processo contínuo, não correção pontual.

Estes cinco termos aparecem no relatório em inglês de qualquer ferramenta de visibilidade em IA que uma agência brasileira compre hoje, e são os que mais geram slide errado em conselho, exatamente como no caso condutor.

Mention. Tradução errada: "citação", usada como sinônimo geral de aparecer no texto. O que significa de fato: a marca aparece nomeada dentro do corpo da resposta do assistente, com ou sem link. Consequência prática: um crescimento de mentions sem crescimento de citations, como no caso condutor, pode significar que a marca está sendo citada de memória (sem grounding em fonte atual), o que é presença mais frágil, não mais forte.

Citation. Tradução errada: também "citação", tratada como idêntica a mention. O que significa de fact: a marca aparece como fonte referenciada, tipicamente com link clicável ou nota de rodapé, dentro de uma resposta com grounding. Consequência prática: contrato que paga por "aumento de citação" precisa especificar citation, não mention, porque as duas métricas podem se mover em direções opostas no mesmo período, como aconteceu no caso condutor.

Visibility. Tradução errada: "visibilidade" no sentido difuso de "estar por aí", herdado do vocabulário de branding. O que significa de fato: métrica calculada por uma ferramenta específica, geralmente a proporção de um conjunto fixo de prompts em que a marca aparece nas respostas testadas; a Profound, por exemplo, limita o plano de entrada a 50 prompts rastreados só no ChatGPT, segundo tabela de preços publicada em agosto de 2026.[1] Consequência prática: "visibilidade" de duas ferramentas diferentes não é comparável se os prompts testados, o número de prompts e os motores cobertos forem diferentes; comparar os dois números lado a lado no mesmo relatório sem essa ressalva engana quem lê.

Share of voice. Tradução errada: usado como sinônimo de visibility, "quanto a marca aparece". O que significa de fato: a proporção da presença da marca em relação à presença de concorrentes nomeados, dentro do mesmo conjunto de prompts; é uma métrica comparativa, não absoluta. Consequência prática: uma marca pode ter visibility em queda e share of voice em alta, se os concorrentes caíram mais rápido; apresentar só um dos dois números esconde qual das duas histórias é a real.

Sentiment. Tradução errada: "sentimento" no sentido de opinião geral positiva ou negativa sobre a marca, herdado de social listening. O que significa de fato, no contexto de resposta de assistente: a valência (positiva, neutra, negativa) com que o modelo descreve a marca dentro daquela resposta específica, calculada por classificação automática sobre o texto gerado, e sujeita ao mesmo tipo de erro de classificação que qualquer análise de sentimento automatizada carrega. Consequência prática: tratar um "sentiment score" de ferramenta de IA com o mesmo rigor de uma pesquisa de marca survey-based superestima a confiabilidade do número.

Estes quatro termos são verbos técnicos de infraestrutura; a distinção entre eles decide qual arquivo de configuração resolve qual problema, e confundi-los faz o time editar o arquivo errado.

Crawl. Tradução errada: "rastrear" usado como sinônimo geral de "o robô visitar o site", sem distinção de finalidade. O que significa de fato: a varredura sistemática e contínua de páginas por um robô com um propósito declarado, que pode ser indexação para busca, treino de modelo, ou outro; a referência de bots da Cloudflare, atualizada em 23 de abril de 2026, separa cada bot por essa finalidade declarada (Search, Agent, Training).[2] Consequência prática: bloquear "o crawler de IA" sem saber qual finalidade se está bloqueando pode cortar o bot que cita a marca com link junto com o bot que só treina modelo.

Fetch. Tradução errada: tratado como sinônimo de crawl. O que significa de fato: a busca pontual de uma página específica, feita em tempo real, geralmente em nome de um usuário que acabou de fazer uma pergunta a um assistente; é o comportamento de bots como ChatGPT-User e Perplexity-User, que a mesma referência da Cloudflare classifica na categoria Agent, distinta de crawl de indexação.[2] Consequência prática: um fetch é, em geral, um clique humano disfarçado de robô; bloquear fetch pela mesma regra que bloqueia crawl de treino corta a visita que o usuário de fato faria.

Index. Tradução errada: "indexar" tratado como sinônimo de "a IA ter lido a página uma vez". O que significa de fato: a inclusão estruturada e persistente de uma página num banco de dados de busca, disponível para recuperação repetida; é diferente de grounding, que é a etapa de uso de dados recuperados numa resposta específica. Consequência prática: uma página pode estar indexada e nunca ser usada para grounding numa resposta, e o contrário também ocorre em sistemas que buscam a web em tempo real sem manter índice próprio.

Freshness. Tradução errada: "atualização" no sentido vago de "o conteúdo é recente". O que significa de fato: um sinal técnico específico, calculado por data de publicação, data de modificação e, em alguns sistemas, frequência de reforço editorial, usado por buscadores e assistentes para decidir se uma página ainda é confiável como fonte corrente. Consequência prática: mudar a data visível de um artigo sem mudar o conteúdo tenta simular freshness sem produzir o sinal real, prática que tende a ser detectada e penalizada, não recompensada.

Estes quatro termos vêm do vocabulário de E-E-A-T do Google e da literatura de GEO sobre autoridade algorítmica; em português corporativo, os quatro colapsam na mesma frase de elogio ("a marca é autoridade, confiável, com credibilidade e expertise"), e a doutrina técnica os trata como sinais distintos, cada um com fonte de evidência própria.

Authority. Tradução errada: "autoridade" como qualidade subjetiva de prestígio. O que significa de fato: o reconhecimento, por terceiros independentes e nomeáveis, de que uma fonte é referência no seu tema, evidenciado por menção de outros, não por autodeclaração; o conceito de autoridade algorítmica descreve como esse reconhecimento se traduz em sinal computável. Consequência prática: escrever "somos autoridade em X" no próprio site não produz o sinal de authority, porque o sinal exige a voz de terceiros, não a voz própria.

Trust. Tradução errada: "confiança" como sentimento genérico do cliente. O que significa de fato: sinais verificáveis de que a informação publicada é precisa e a fonte é identificável e responsável por ela, como autoria nomeada, política de correção pública e consistência entre o que a marca diz em canais diferentes. Consequência prática: uma marca pode ter alta satisfação de cliente (confiança no sentido comercial) e baixo trust técnico, se não publica autoria nem corrige erros publicamente, o que é o caso de muitos sites institucionais.

Credibility. Tradução errada: usado como sinônimo de trust. O que significa de fato: a credibilidade específica de uma afirmação, sustentada por evidência rastreável (dado com fonte, data e método) naquele conteúdo específico, distinta da reputação geral da marca. Consequência prática: uma marca com alto trust institucional ainda perde credibility num artigo específico se esse artigo publica número sem fonte, e a IA generativa avalia o conteúdo, não só a marca por trás dele.

Expertise. Tradução errada: "experiência" ou "expertise" tratados como currículo do autor. O que significa de fato, na formulação de E-E-A-T, o conhecimento técnico demonstrado no próprio texto, distinto de "experience" (a vivência de primeira mão do autor com o assunto), que é outro dos quatro "E" e frequentemente confundido com este. Consequência prática: um autor com currículo extenso mas texto genérico demonstra pouco expertise no artigo específico; o sinal é textual, não biográfico.

Estes três termos organizam a camada mais nova da bibliografia de GEO, a que trata o site como algo que agentes de IA acessam de forma autônoma, não só como algo que humanos leem.

Agent. Tradução errada: "agente" traduzido como "assistente" genérico, ou pior, confundido com "agente de vendas" humano. O que significa de fato: um sistema de IA que age de forma autônoma, executando uma sequência de passos (buscar, decidir, comprar, preencher formulário) para cumprir um objetivo, sem intervenção humana em cada etapa. Consequência prática: preparar o site "para agentes de IA" pedindo apenas texto bem escrito ignora que um agente também precisa de estrutura de dados que outro sistema, sem visão humana, consiga interpretar e agir sobre ela.

Protocol (no sentido de MCP, A2A). Tradução errada: "protocolo" tratado como sinônimo de "processo interno" ou "boas práticas". O que significa de fato: uma especificação técnica formal e aberta que define como sistemas diferentes trocam informação de forma padronizada; o MCP (Model Context Protocol), lançado por Anthropic em novembro de 2024 e doado à Agentic AI Foundation em 9 de dezembro de 2025, e o A2A (Agent2Agent), lançado pelo Google em abril de 2025 e doado à Linux Foundation em junho de 2025, são exemplos com governança pública e documentação versionada.[3] Consequência prática: "implementar um protocolo de IA" sem seguir a especificação publicada produz uma integração proprietária que não interopera com o ecossistema, o oposto do que um protocolo aberto promete.

Grounding (agentic). Tradução errada: aqui vale repetir o aviso do primeiro verbete, porque o termo ganha uma segunda camada de sentido em contexto de agente: não é só ancorar uma resposta em dado externo, é o agente confirmar, antes de agir (comprar, preencher, confirmar), que a informação que vai usar bate com a fonte real, não com uma alucinação da etapa anterior do próprio agente. Consequência prática: um pipeline de agente sem essa segunda checagem de grounding pode agir sobre dado alucinado na etapa anterior, erro mais caro do que uma resposta de chat errada, porque o agente executa, não só informa.

Estes três termos aparecem em proposta comercial e contrato de ferramenta, e a tradução errada aqui custa dinheiro direto, não só entendimento.

Engine (como em answer engine ou "engine coverage"). Tradução errada: "motor" tratado como sinônimo vago de "plataforma de IA em geral". O que significa de fact: cada assistente específico (ChatGPT, Perplexity, Google AI Overviews, Claude, Gemini) contado individualmente numa métrica de cobertura; o plano de entrada de uma ferramenta como a Profound cobre um único engine (ChatGPT), e o plano intermediário cobre três, segundo tabela de preços de agosto de 2026.[1][4] Consequência prática: contratar "monitoramento de visibilidade em IA" sem perguntar quantos e quais engines o plano cobre pode significar pagar por cobertura de um assistente só, enquanto a marca é discutida em outros quatro que ninguém está medindo.

Coverage. Tradução errada: "cobertura" usada de forma solta, sem separar o que está sendo coberto. O que significa de fato: o escopo declarado de um relatório ou serviço, que precisa ser lido em três eixos ao mesmo tempo, o número de engines, o número de prompts rastreados e a frequência de coleta; os três variam de plano para plano na mesma ferramenta. Consequência prática: comparar "cobertura" de dois fornecedores sem abrir os três eixos é comparar números que não medem a mesma coisa.

Benchmark. Tradução errada: "benchmark" tratado como "meta" ou "objetivo a bater". O que significa de fato: uma medição de referência, feita com metodologia fixa e documentada, contra a qual comparações futuras (do mesmo site ao longo do tempo, ou contra concorrentes) fazem sentido; sem a metodologia documentada junto, o número perde a função de referência e vira apenas um número solto. Consequência prática: pedir "um benchmark" à agência sem exigir a documentação da metodologia (quais prompts, quantos, em qual data, com qual ferramenta) impede qualquer comparação honesta na próxima medição.

A tabela reúne os quatro pares mais confundidos em briefing e relatório, com a pergunta que cada termo responde de fato. Ela não substitui os verbetes acima, resume a diferença para consulta rápida.

Fonte, data e método da tabela: síntese própria a partir das definições publicadas na referência de bots de IA da Cloudflare, atualizada em 23 de abril de 2026, e nas metodologias declaradas de ferramentas de visibilidade de marca em IA (Profound, Ahrefs Brand Radar) em análises de preço e produto publicadas entre julho e agosto de 2026.[1][2][4] Consulta em 7 de setembro de 2026.

Não existe, na pesquisa de 2025 e 2026 que consultei, um número único e confiável dizendo "modelos de IA têm X% pior desempenho em português do que em inglês". O que existe é um conjunto de estudos, cada um com tarefa, idioma e metodologia próprios, e os resultados não apontam sempre na mesma direção; tratar "viés de idioma" como se fosse sempre a favor do inglês é, ironicamente, o mesmo tipo de erro de tradução deste glossário: pegar um achado estreito e generalizar como se fosse regra ampla.

O estudo "Do LLMs exhibit the same commonsense capabilities across languages?", publicado em 10 de setembro de 2025, testou geração de respostas em inglês, espanhol, holandês e valenciano, com avaliação por juízes humanos e por modelos avaliadores (Prometheus-2, JudgeLM); a conclusão foi desempenho superior em inglês para tarefas de raciocínio de senso comum, sem publicar o percentual exato no resumo consultado.[5] Na direção oposta, o estudo publicado na revista PLOS ONE em 11 de março de 2026, testando tarefas cognitivas em inglês, espanhol, catalão e grego com os modelos ChatGPT-4, DeepSeek, Grok 3 e Mistral, encontrou o Mistral com 100% de acerto em espanhol e também 100% em inglês, mas com humanos tirando 95,6% em espanhol contra 84,8% em inglês; a comunidade de falantes e a disponibilidade de dados, não o inglês em si, foi o fator que o estudo apontou como preditor de desempenho.[6]

Um terceiro estudo, publicado na Frontiers in Artificial Intelligence em 24 de julho de 2026, testou análise de sentimento em GPT-4o e encontrou 70,1% de F1 em inglês contra 73,7% em espanhol no modo zero-shot, com o espanhol superando inclusive o estado da arte da tarefa (68,5%).[7] Já o estudo sobre saúde mental publicado no arXiv em 16 de setembro de 2025 encontrou degradação de desempenho em espanhol via pipelines de tradução (back-translation), com GPT-4 pontuando 0,77 e Claude 3.5 pontuando 0,73 em tarefas de raciocínio encadeado em espanhol, atribuindo o problema à cadeia de tradução, não ao modelo isoladamente.[8] E uma reportagem da revista The Economist, publicada em 18 de março de 2026, sintetiza vários benchmarks não nomeados dizendo que "modelos de topo têm desempenho inferior em idiomas fora do inglês", mas sem publicar número nem protocolo verificável, e deve ser lida como contexto, não como evidência primária.[9]

[FALTA EVIDÊNCIA: não localizei, nas fontes consultadas, nenhum estudo com metodologia controlada comparando especificamente inglês e português brasileiro na tarefa de geração de resposta citável em GEO; os achados acima usam espanhol, catalão, holandês e outras línguas como proxy, não português.] O que dá para afirmar com essas fontes: existe viés de idioma, ele muda de direção conforme a tarefa e o modelo, e a causa mais robusta identificada não é o prestígio do inglês, é o tamanho da comunidade de falantes e o volume de dados de treinamento disponíveis naquele idioma, achado do estudo da PLOS ONE.[6] Para uma marca brasileira, a implicação prática não é "escrever em inglês para ser mais bem compreendido", é garantir volume e qualidade de conteúdo em português suficiente para que o idioma deixe de ser o gargalo de recurso que os estudos identificam.

Um briefing bilíngue de GEO precisa nomear a métrica pelo termo técnico em inglês entre parênteses na primeira ocorrência, mesmo quando o texto principal está em português; a prática mais eficaz que uso é escrever "citação com link (citation, não mention)" na primeira vez que o termo aparece em qualquer documento compartilhado entre um time que lê em inglês e um que executa em português.

Três exigências concretas para o contrato ou o briefing evitarem o erro deste glossário:

• Exija a definição operacional, não o nome da métrica. "Aumentar visibilidade" não é cláusula contratual executável; "aumentar a proporção de respostas, dentro do conjunto de N prompts monitorados pela ferramenta X, em que a marca aparece nomeada (mention) e/ou referenciada com link (citation), medido mensalmente" é.
• Exija a lista de engines e a frequência de coleta antes de assinar. Um relatório de "visibilidade em IA" que não declara quantos e quais assistentes cobre, e com que frequência coleta, não é comparável de um mês para o outro nem de um fornecedor para o outro.
• Traduza o glossário da ferramenta antes de traduzir o relatório. Toda ferramenta estrangeira publica, geralmente numa página de documentação ou FAQ, a definição operacional de cada métrica que reporta. Traduzir essa página uma vez, com o time técnico revisando, evita que cada analista traduza o relatório mensal à sua maneira.

Para quem já usa uma ferramenta estrangeira e recebe relatório em inglês, a pergunta a fazer ao fornecedor, por escrito, antes de aceitar o próximo relatório: "quando o relatório diz mention, ele inclui ou exclui citation com link; e quando diz visibility, é proporção absoluta ou comparação com concorrentes". Se o fornecedor não responder com clareza, o número do relatório não deveria entrar num slide de conselho sem essa ressalva anexada.

Este texto resolve ambiguidade de tradução entre inglês técnico e português corporativo; ele não valida se a metodologia de nenhuma ferramenta específica citada aqui é rigorosa, e não substitui a leitura da documentação de metodologia de cada fornecedor antes de comprar. Os números de preço e de cobertura de engines citados vêm de análises de terceiros publicadas em 2026, não das páginas oficiais das ferramentas consultadas diretamente por mim nesta peça; quem for decidir contrato deve confirmar os valores atuais na fonte primária. E, como registrado na seção sobre viés de idioma, a literatura consultada não tem estudo controlado específico para português brasileiro na tarefa de GEO, então qualquer afirmação sobre desempenho de modelo em português nessa tarefa específica seria estimativa, não dado, e por isso não a fiz.

Mention e citation são a mesma coisa em português? Não. Mention é a marca aparecer no texto da resposta; citation é a marca aparecer como fonte referenciada, geralmente com link. Um relatório pode mostrar as duas métricas em direções opostas no mesmo período, como no caso condutor deste texto.

Visibility e share of voice significam o mesmo? Não. Visibility é a proporção de respostas em que a marca aparece, isolada; share of voice compara essa proporção com a dos concorrentes nomeados. Uma marca pode ter visibility em queda e share of voice em alta, se os concorrentes caíram mais.

Grounding é o mesmo que ter uma fonte citada no texto? Não exatamente. Grounding é o processo técnico de o modelo ancorar a resposta em dado recuperado de uma fonte externa, no momento da geração; ter uma fonte citada no texto publicado é uma condição que ajuda o conteúdo a ser recuperado, mas o grounding em si acontece do lado do modelo, resposta a resposta.

Crawl e fetch são sinônimos de "o robô acessou o site"? Não. Crawl é varredura sistemática, geralmente para indexação ou treino; fetch é a busca pontual de uma página específica, em tempo real, em nome de um usuário com uma pergunta feita naquele instante. Bloquear os dois pela mesma regra corta o clique humano do fetch junto com o rastreamento de treino.

Authority, trust, credibility e expertise podem ser tratados como sinônimos de "a marca é confiável"? Não segundo a formulação de E-E-A-T. Authority é reconhecimento por terceiros independentes; trust é sinal de precisão e responsabilidade rastreável; credibility é a sustentação por evidência de uma afirmação específica; expertise é o conhecimento técnico demonstrado no próprio texto. Uma marca pode ter alto trust institucional e baixa credibility num artigo específico que publica número sem fonte.

Os modelos de IA têm desempenho pior em português do que em inglês? A pesquisa consultada não responde a essa pergunta com dado direto para português; os estudos disponíveis usam espanhol, catalão, holandês e outras línguas como proxy, com resultados que variam por tarefa e não apontam sempre a favor do inglês. O fator mais robusto identificado é o tamanho da comunidade de falantes e o volume de dados de treinamento, não o prestígio do idioma.

Qual a diferença entre este glossário e os outros glossários de GEO do site? Os outros definem o que cada termo significa (SEO, AEO, GEO, ASO, medição, e assim por diante). Este define onde a tradução do inglês para o português distorce o sentido técnico de um termo já definido em outro lugar; o eixo é a ambiguidade entre idiomas, não a definição isolada do termo.