Information Gain: 12 formas de ser original o bastante para a IA citar em 2026

Há algumas semanas fiz um teste cruel com um artigo meu. Comprimi o texto inteiro em 25 palavras e perguntei: o que aqui só existe porque eu escrevi? A resposta foi constrangedora. Quase nada. Tirei um parágrafo de abertura genérico, um daqueles que repete o que todo concorrente já disse, e ninguém sentiu falta. O texto não perdeu informação. Ele só perdeu volume.

Esse é o problema central da redação em 2026. A maior parte do que se publica é paráfrase do consenso. E paráfrase do consenso é exatamente o que a IA generativa já tem de sobra. Para um modelo, ler mais uma versão do mesmo fato não adiciona valor. Ele já leu mil. O que falta a ele, e o que decide quem é citado, é informação que ainda não existe na bolha de respostas dele.

Esse conceito tem nome técnico: Information Gain, ou ganho informacional. É a medida do quanto um documento adiciona de informação nova em relação ao que já foi visto sobre o tema. E ele deixou de ser um detalhe acadêmico para virar critério operacional de visibilidade.

O Google patenteou uma forma de estimar o ganho informacional de uma página em relação às outras que o usuário já viu. A patente US10776471B2, "Contextual estimation of link information gain", descreve um score que premia documentos que trazem informação adicional sobre um conjunto já consumido, e não repetição. Em linguagem simples: se a sua página diz o mesmo que as cinco anteriores, o seu valor marginal tende a zero.

Isso sempre existiu como ideia. O que mudou em 2026 foi a escala de aplicação. O Core Update mais volátil dos últimos anos reorganizou a maioria das posições de topo, e o vetor da virada não foi técnico, foi editorial: originalidade, experiência demonstrada e densidade de fatos verificáveis. Conteúdo genérico perdeu vantagem comparativa porque deixou de ter vantagem alguma.

Importante separar dois planos, porque eu vejo muita gente confundindo. O Google não publica uma métrica pública de Information Gain que você possa abrir num painel. O que é auditável é a evidência: dado próprio, fonte primária, autoria identificável, experiência real. Como escrevi no dossiê sobre a virada Experience-first do Core Update, o sinal que sobreviveu foi a prova, não a promessa.

Para a IA generativa, isso pesa ainda mais. Modelos generativos tendem a preferir entidades, páginas e documentos que resolvem a consulta com clareza factual e baixa ambiguidade. Repetir o consenso é entregar ao modelo algo que ele já gera sozinho. Trazer informação nova é dar a ele uma razão para citar você, com link, como fonte.

Vou às 12 formas. Não são truques de formatação. São maneiras de colocar no texto algo que, por definição, não está em nenhum outro lugar. Começo pelas quatro que têm o maior ganho marginal, porque dependem de algo que o concorrente não tem: acesso.

1. 1. Dado primário próprio. O que é: um número que você coletou, mediu ou apurou, e que não existe publicado em outro lugar. Exemplo: em vez de citar "a maioria das marcas não aparece em IA", eu coletei queries reais em ChatGPT, Gemini e Perplexity e reportei o mention rate medido na minha amostra. Como aplicar: faça uma mini-pesquisa com amostra modesta mas honesta (mesmo N de 100 já produz um dado citável), declare o método e a data, e apresente o número com a margem de incerteza. Um dado próprio com método transparente vale mais que dez estatísticas de terceiros sem fonte.

2. 2. Experiência em primeira mão. O que é: o relato do que aconteceu quando você fez aquilo, com o resultado real, inclusive o que deu errado. Exemplo: descrever o teste de compressão em 25 palavras que abre este artigo, porque eu de fato o rodei. Como aplicar: escreva na primeira pessoa o passo que executou, o número que observou e a decisão que tomou. "Eu testei e o INP caiu de 380ms para 190ms" é experiência. "Otimize o INP" é manual. A primeira é citável; a segunda é commodity. É o componente Experience do E-E-A-T operando na prática.

3. 3. Método nomeado. O que é: dar nome a um processo seu, transformando um procedimento em uma entidade que pode ser referenciada. Exemplo: chamar uma rotina de "teste de compressão em 25 palavras" em vez de "tente resumir". Como aplicar: sempre que você repetir um passo com critério próprio, batize-o e descreva a sequência. Um método nomeado tem duas vantagens. Ele vira um termo de entidade que a IA pode atribuir a você, e ele força clareza, porque você precisa explicar o que o método faz.

4. 4. Números e benchmarks proprietários. O que é: faixas de referência que você construiu a partir do seu histórico de operação. Exemplo: declarar a faixa de mention rate que considero "emergente" versus "forte" com base nas auditorias que conduzi. Como aplicar: agregue o que você já mediu em vários casos e publique a faixa, sempre dizendo de onde ela vem. Um benchmark proprietário é difícil de copiar porque o concorrente não tem o seu histórico. É exatamente esse tipo de informação que o modelo não consegue gerar sozinho.

O segundo bloco é sobre profundidade. Aqui o ganho não vem de acesso exclusivo, mas de ir mais fundo, ou em direção contrária, ao ponto onde a maioria para.

5. 5. Entrevista ou citação direta de especialista nomeado. O que é: trazer a fala de uma pessoa identificável, com nome e função, sobre o tema. Exemplo: incluir a frase exata de um profissional que viveu o problema, atribuída a ele. Como aplicar: pergunte a alguém com autoridade no assunto e reproduza a citação entre aspas, com nome completo e cargo. O estudo de Generative Engine Optimization de Princeton e Georgia Tech, publicado no KDD 2024, mediu lift de visibilidade em respostas de IA por tática, e a adição de citação direta foi uma das que mais elevaram a chance de o conteúdo ser usado. Faz sentido: uma citação atribuída é difícil de inventar e fácil de verificar.

6. 6. Contraevidência e nuance honesta. O que é: apontar onde a tese popular falha, ou onde os dados não confirmam o que todos repetem. Exemplo: dizer que adicionar schema, isoladamente, não amplifica páginas que já são muito citadas, porque os estudos de larga escala não sustentam esse salto. Como aplicar: sempre que você defender algo, declare a condição em que aquilo não vale. Nuance é informação. O consenso é raso por natureza, então o ponto exato onde ele quebra é território original. E é o que separa análise de propaganda.

7. 7. Comparação original e estruturada. O que é: confrontar opções lado a lado segundo critérios que você definiu, não a tabela que todo mundo copiou. Exemplo: comparar duas abordagens por custo, esforço e risco numa tabela explícita. Como aplicar: monte uma comparação real, em <table>, com colunas que respondam à dúvida de decisão de quem lê. A IA extrai bem de tabelas, mas o ganho vem dos critérios serem seus. Veja:

   Abordagem	Information Gain	Esforço	Risco de virar commodity
   Parafrasear o consenso	Quase nulo	Baixo	Altíssimo
   Dado primário próprio	Alto	Médio a alto	Baixo
   Experiência em primeira mão	Alto	Baixo	Baixo
   Contraevidência com fonte	Médio a alto	Médio	Baixo

8. 8. Estudo de caso com números reais. O que é: o relato completo de uma execução, do estado inicial à métrica final. Exemplo: "comecei com mention rate abaixo de 5%, apliquei X durante 60 dias, terminei em 14%". Como aplicar: documente um caso de ponta a ponta, com baseline, intervenção, prazo e resultado, mesmo que o resultado seja modesto. Um caso honesto é mais citável que uma promessa redonda, porque carrega evidência que o leitor consegue checar.

O terceiro bloco é sobre como empacotar a informação para que o ganho não se perca na hora da extração. Conteúdo original mal embalado é ganho desperdiçado.

9. 9. Síntese própria de fontes dispersas. O que é: reunir dados que estão espalhados em vários lugares e produzir uma leitura única que ninguém fez. Exemplo: cruzar três estudos diferentes e mostrar a contradição entre eles. Como aplicar: cite cada fonte com link, e então adicione a sua interpretação do conjunto. A síntese é original mesmo quando os insumos não são, porque a conexão é sua. E citar as fontes primárias, com link de saída, é uma das táticas de maior lift segundo o estudo de Princeton: dá grounding à resposta da IA e reduz o risco de alucinação.

10. 10. Definição canônica e desambiguação. O que é: estabelecer com precisão o que um termo significa, separando-o de termos vizinhos. Exemplo: distinguir Information Gain de "conteúdo extenso", que não é a mesma coisa. Como aplicar: para cada conceito central, escreva uma definição autossuficiente de uma ou duas frases, logo após um heading em forma de pergunta. Clareza factual e baixa ambiguidade são exatamente o que o modelo busca quando decide o que citar.

11. 11. Cápsula de resposta no início. O que é: um parágrafo curto, de cerca de 120 a 150 caracteres, que responde a pergunta logo após o título, antes do contexto. Exemplo: abrir a seção sobre Information Gain já dizendo o que ele é em uma frase. Como aplicar: depois de cada heading interrogativo, entregue a resposta direta primeiro e o desenvolvimento depois. A IA extrai a cápsula com facilidade. Mas atenção: a cápsula só funciona se o que vem dela for original. Cápsula bem-feita sobre conteúdo commodity continua sendo commodity bem embalado.

12. 12. Atualização datada e transparente. O que é: registrar quando o texto foi atualizado e o que mudou de fato, com data confiável. Exemplo: um campo de "modificado em" que reflete uma mudança substantiva, não um carimbo cosmético. Como aplicar: atualize o conteúdo quando houver informação nova de verdade e declare a data com honestidade. Os rastreadores de IA priorizam fontes recentes, e um dateModified confiável é sinal de que ali há informação viva. Reescrever a data sem mudar o conteúdo não produz ganho. Produz ruído.

Aqui está a parte que incomoda. Produzir conteúdo genérico ficou barato e rápido. Qualquer um gera vinte artigos por mês de paráfrase competente. E é justamente por isso que esse conteúdo perdeu valor. A oferta de consenso bem-redigido é infinita. O modelo não precisa de você para isso.

O que continua escasso é informação que custa para produzir: o dado que alguém teve de coletar, a experiência que alguém teve de viver, o método que alguém teve de inventar e testar. O Google diz, no seu guia oficial de conteúdo útil e confiável feito para pessoas, que a pergunta-chave é se o conteúdo oferece valor substancial e original em comparação com outras páginas. Não é "ser IA" ou "ser humano" que decide. É se há ganho informacional.

O que eu faço e o que eu recuso ficaram simples. Eu recuso publicar qualquer peça que não passe no teste de compressão: se ao resumir em 25 palavras não sobra nada que seja meu, a peça não vai ao ar. E eu priorizo, em cada texto, ao menos uma das quatro primeiras dicas, as de acesso exclusivo, porque são as mais difíceis de copiar. Esse é o filtro que separa quem a IA cita de quem ela apenas resume e descarta. Como argumentei no artigo sobre os erros que tornam a marca invisível para a IA, a invisibilidade quase nunca é um problema técnico. É um problema de não ter dito nada que valesse a pena reter.

Não tente aplicar as 12 de uma vez. Comece por uma rotina simples. Pegue os cinco textos que mais importam para o seu negócio e rode o teste de compressão em cada um. Em quantos sobra informação que só você tem? Esse número é o seu diagnóstico honesto de Information Gain.

Depois, para cada texto que falhou, escolha uma única dica das quatro de acesso exclusivo e injete uma peça de informação original: um dado que você medir, um relato em primeira pessoa, um método que você nomear, um benchmark que você agregar. Uma por texto já muda o jogo, porque uma informação original muda a peça de "mais uma versão" para "fonte".

E meça o resultado onde ele aparece. Num mundo em que boa parte das buscas termina sem clique, o sinal não é mais só o tráfego. É a citação. Como detalhei na análise sobre a economia zero-clique e o fim do funil, a moeda nova é ser a fonte que a IA escolhe nomear. Information Gain é como você compra essa moeda. Não com mais palavras. Com mais informação que não está em nenhum outro lugar.