A era em que o clique não conta mais

Uma marca pode ser reconhecida em 99,4% das interações com o ChatGPT e, ainda assim, aparecer em apenas 3,32% das consultas de descoberta orgânica — proporção de 30 para 1. O número vem de um estudo empírico de Sharma (2026) que mediu a distância entre o que os modelos de linguagem sabem sobre uma marca e o que eles recomendam quando o usuário descreve um problema sem citar nomes. Sharma chamou esse fenômeno de Discovery Gap, hoje a métrica mais incômoda para qualquer CMO que aprovou orçamento de GEO.

Em fevereiro de 2026, rodando o prompt bank semanal da Brasil GEO contra cinco engines, encontrei o mesmo padrão em mais de cem marcas brasileiras: presença esmagadora quando o nome é citado diretamente, ausência quase completa quando o usuário descreve o problema sem nomear ninguém. A primeira reação foi de incredulidade. A segunda, de revisão profunda do que estávamos vendendo como serviço. Este ensaio é o registro dessa revisão.

A primeira implicação do Discovery Gap é estatística: o GEO score — a métrica que a indústria adotou como termômetro de "otimização para IA generativa" — apresenta correlação praticamente nula (r ≈ 0) com a descoberta efetiva nos dados de Sharma (arXiv:2601.00912). Ranquear bem nos benchmarks de GEO não significa ser descoberto.

A segunda implicação é estrutural: o que prediz descoberta são variáveis fora do controle imediato dos times de SEO técnico. Referring domains explicam parte da variância (r = +0,319); presença em Reddit explica mais ainda (r = +0,395, p = 0,002).

A terceira implicação é estratégica, e é o argumento central deste texto: a maioria dos times de marketing no Brasil ainda está otimizando uma camada que não decide o jogo.

Entre meados de 2025 e o primeiro trimestre de 2026, quatro corpos de pesquisa — GEO-16, Volpini/LLM4Schema, Linux Foundation Agentic AI e C-SEO Bench — redefiniram qual camada decide a visibilidade. O resultado não é uma evolução incremental do SEO: é uma reconfiguração de arquitetura em que o modelo de linguagem recupera, sintetiza e responde sem que o usuário clique em nada. O que conta como "vencer" mudou de lugar.

Tratar GEO como "SEO com chatbot" é compreensível e errado. A interface — caixa de busca, resposta — preserva a aparência do paradigma anterior. Mas a camada de decisão mudou: no SEO clássico, o algoritmo recuperava documentos e o usuário escolhia; no GEO/AEO, o modelo recupera, sintetiza, hierarquiza e responde. Essa diferença de arquitetura altera o que conta como resultado.

GEO-16 (arXiv:2509.08919) propõe dezesseis pilares estruturais para páginas voltadas a recuperação por LLMs. O achado quantitativo central: páginas com G ≥ 0,70 e ao menos doze pilares preenchidos atingem 78% de taxa de citação cruzada entre engines. O trabalho também expõe uma assimetria reveladora — Brave Summary opera em G = 0,727, enquanto Perplexity fica em G = 0,300. A heterogeneidade entre engines é a regra, não a exceção.

Volpini e colegas demonstram um ganho de +29,6% de acurácia em pipelines RAG quando páginas de entidade são enriquecidas com Schema.org granular e ligações semânticas explícitas. O estudo de Dang e colegas em LLM4Schema.org (Sage, 2025) complementa: aproximadamente 75% das páginas web no corpus analisado não possuem qualquer marcação Schema.org. Para um modelo que depende de pistas explícitas para resolver entidades, ausência é invisibilidade.

Linux Foundation Agentic AI Foundation (2025) assumiu a governança dos protocolos MCP (Model Context Protocol), A2A (Agent-to-Agent) e AP2 (Agent Payments Protocol). Quando um stack recebe governança de fundação, ele deixa de ser tendência e passa a ser infraestrutura.

C-SEO Bench (arXiv:2506.11097, NeurIPS 2025) testou a maioria das técnicas de "SEO conversacional" hoje vendidas como diferenciais e mostrou que, isoladas, a maioria não produz ganho consistente de citação. O que funciona é a combinação de SEO sólido com sinais nativos de GEO. O benchmark também documenta efeito de soma zero quando muitos atores adotam as mesmas táticas: o ganho marginal colapsa.

Tomados em conjunto, esses quatro corpos de evidência descrevem uma reconfiguração de qual camada importa, quem controla cada uma e como as três interagem. É a partir daqui que o Discovery Gap deixa de ser curiosidade estatística e passa a ser o sintoma central do problema.

O Discovery Gap (Sharma, arXiv:2601.00912, 2026) separa o que os modelos de linguagem sabem sobre uma marca do que eles recomendam quando o usuário descreve um problema sem citar nomes. O resultado empírico: 99,4% de reconhecimento contra 3,32% de descoberta orgânica — proporção de 30 para 1. A distância entre saber e recomendar é onde se localiza hoje a maior parte do desperdício de orçamento de marketing direcionado a IA generativa.

A explicação exige abandonar uma premissa confortável: a de que otimizar a página — meta tags, headings, Schema, llms.txt — é suficiente para mover o ponteiro da descoberta. O GEO score, construído para medir o quão bem otimizada está uma página para LLMs, não correlaciona com descoberta (r ≈ 0). É uma métrica de higiene técnica, não de demanda capturada.

As variáveis que correlacionam com descoberta não vivem dentro do site da marca: referring domains externos (r = +0,319) e presença em Reddit (r = +0,395, p = 0,002) são os preditores reais.

O peso do Reddit não é coincidência. Bases de treinamento e pipelines de RAG de várias engines atribuem a fóruns de discussão peso desproporcional, porque essas plataformas oferecem o que sites institucionais raramente oferecem: linguagem natural de usuários reais resolvendo problemas reais, com sinais sociais de validação (votos, respostas, threads longas). Para um modelo que decide o que é "bom" sem clicar em nada, o Reddit é um proxy de relevância vivida. Presença em comunidades deixou de ser tática de brand love; é infraestrutura de descoberta.

O C-SEO Bench reforça o ponto pelo lado oposto: técnicas isoladas de otimização conversacional — reformulação de respostas, injeção de palavras-chave em formato de pergunta, padrões de citação favoráveis — produziram resultados predominantemente nulos ou marginais. O que produziu ganho foi a combinação de SEO clássico bem executado com sinais de GEO. Em equilíbrio competitivo, o GEO técnico é condição de paridade, não de vantagem.

Operacionalmente, isso significa que a camada técnica precisa estar resolvida — Schema.org granular, llms.txt, JSON-LD, GEO-16 — porque sua ausência é penalizadora. Mas resolver a camada técnica não move o ponteiro da descoberta. No GEO, a página é o reforço; o ativo é a presença distribuída em fontes que o modelo trata como confiáveis.

Otimização técnica sem mídia ganhada é ornamental. Essa frase explica por que tantos projetos de GEO no Brasil entregam relatórios bonitos e nenhum movimento real em descoberta — e prepara a pergunta seguinte: quais fontes o modelo trata como confiáveis?

A autoridade que decide descoberta em LLMs está concentrada em poucas fontes e parcialmente invisível para auditorias de SEO tradicional. News Source Citing Patterns (arXiv:2507.05301, 2025) mostra que, nos modelos da OpenAI, vinte fontes respondem por 67,3% das citações. Source Coverage and Citation Bias (arXiv:2512.09483, 2025) acrescenta que 37% dos domínios citados por LLMs nunca aparecem em resultados orgânicos relevantes do Google. Qualquer estratégia baseada apenas em rankings de busca está cega para mais de um terço do território que importa.

A concentração das citações tem estrutura interna. O estudo de News Source Citing Patterns documenta clusters intra-família de modelos com cosseno de similaridade superior a 0,67, enquanto a similaridade cruzada entre famílias (OpenAI, Anthropic, Google, Perplexity) cai para menos de 0,33. Modelos da mesma família citam fontes muito parecidas entre si, mas famílias diferentes citam universos parcialmente disjuntos. Otimizar "para a IA" no singular é uma falácia de design: não existe uma IA; existem ecossistemas de citação concorrentes.

Juntos, os dois achados redefinem o que é construir autoridade. Não basta gerar backlinks: é preciso construir presença nos clusters específicos que cada família de modelo trata como autoritativa. Não basta aparecer no Google: é preciso aparecer no subconjunto de fontes que os pipelines de recuperação dos LLMs consultam de fato. Qualquer estratégia séria precisa ponderar múltiplas engines, não otimizar para uma só.

A consequência é direta. Quando vinte fontes concentram dois terços das citações de uma família de modelos, uma marca ausente dessas fontes opera em desvantagem estrutural. Isso não se resolve com content marketing de blog próprio; resolve-se com presença em veículos do cluster dominante, participação em comunidades que esses veículos referenciam e produção de pesquisa primária que esses veículos citam. É o retorno, em chave nova, da velha lógica das relações públicas — mas agora a audiência primária não é o jornalista, e sim o crawler que abastece o modelo.

A pergunta que executivos brasileiros precisam fazer aos seus times é simples e dura: das vinte fontes mais citadas pelas engines em que nosso público pesquisa, em quantas estamos presentes? Se a resposta for "não sabemos" ou "menos de cinco", o problema de descoberta não está na página. Está na ausência de presença distribuída — e nenhuma reescrita de meta description vai resolvê-lo.

No comércio agêntico, a unidade de competição deixa de ser o clique do usuário e passa a ser o lugar da marca no plano contínuo do agente. A McKinsey (Automation Curve in Agentic Commerce, jan. 2026) identifica o nível 4 como ponto de inflexão: a partir dele, o agente executa partes substanciais da decisão de compra com autonomia. Marcas que não forem legíveis para agentes simplesmente desaparecem do plano — não por perderem ranking, mas por serem ilegíveis.

A diferença de paradigma é estrutural. No paradigma do clique, a marca competia por atenção em um momento singular — o usuário viu, considerou, escolheu. No paradigma agêntico, o agente mantém um plano persistente: orçamentos, restrições, preferências, histórico. A marca não é considerada uma vez; é considerada continuamente, ou é excluída do conjunto considerado. Ganhar uma vez não significa nada; o que importa é não ser eliminada do plano.

O caso do Pinterest (Zhang et al., arXiv:2602.02961, 2026) é o melhor estudo empírico disponível sobre o que acontece quando uma plataforma otimiza para legibilidade agêntica. Combinando Visual-Language Models com agentes de otimização de catálogo, o Pinterest reportou +20% de tráfego orgânico e +19% de alinhamento entre tópicos e queries. Os ganhos vieram de tornar o catálogo interpretável para sistemas que leem produtos como entidades estruturadas, não como páginas HTML.

Pesquisadores da Columbia em parceria com a Microsoft (arXiv:2508.02630, 2025) documentaram três efeitos sistemáticos de viés de agentes em compras:

• Penalização de itens marcados como "sponsored" — rótulos de patrocínio explícito reduzem seleção pelos agentes.
• Recompensa a endossos da própria plataforma — selos, badges e "escolha do editor" aumentam probabilidade de seleção.
• Concentração em produtos modais — agentes favorecem o que aparece como padrão estatístico no catálogo; marcas em nichos longos sofrem desvantagem agravada sem sinais explícitos de diferenciação.

A camada de protocolo amarra tudo isso. MCP (Model Context Protocol), A2A (Agent-to-Agent) e AP2 (Agent Payments Protocol) estão emergindo como o equivalente, no comércio agêntico, do que HTTP, HTML e SSL foram no comércio web. A Linux Foundation Agentic AI Foundation assumiu a governança desses protocolos — sinal de que a transição é de doze a vinte e quatro meses, não cinco anos.

O exercício mental útil para o CMO brasileiro: imagine que metade das compras da sua categoria, em três anos, será iniciada por um agente com plano persistente. Em quantos desses planos sua marca está hoje? Que dado estruturado o seu sistema oferece para informar essa decisão? Se as respostas dependem do site institucional e de campanhas de mídia, o problema não é de orçamento. É de arquitetura.

A visibilidade sustentável em IA generativa exige três camadas operando simultaneamente: estrutura técnica, autoridade ganha e legibilidade agêntica. Nenhuma das três, isolada, produz resultado consistente. Tratá-las como alternativas ou como sequência é o erro recorrente — e é o que explica por que tantos projetos de GEO entregam relatórios bonitos sem mover o ponteiro da descoberta.

A camada estrutural e técnica compreende Schema.org granular, JSON-LD bem formado, llms.txt implementado e os dezesseis pilares do framework GEO-16 executados acima do limiar G ≥ 0,70. Volpini e colegas demonstram que a granularidade de dados ligados produz +29,6% de acurácia em RAG; Dang e colegas mostram que três quartos das páginas estão omissas dessa camada. A camada técnica é o piso — não o teto. Ela impede que a marca seja descartada por ilegibilidade, mas não a faz ser escolhida.

A camada de autoridade ganha engloba referring domains qualificados, presença ativa em Reddit e fóruns de comunidade, e menção nos clusters que dominam cada família de modelos — os vinte que respondem por 67,3% das citações em modelos da OpenAI, e os equivalentes em Anthropic, Google e Perplexity (similaridade cruzada entre famílias inferior a 0,33). Esta é a camada onde mora o Discovery Gap. Não é uma campanha; é uma infraestrutura. Um trimestre não move o ponteiro. Quatro a oito trimestres movem.

A camada de legibilidade agêntica inclui catálogo de produto exposto via APIs e MCP, dados estruturados de preço, estoque e atributos atualizados em tempo real, integração com os protocolos A2A e AP2, e remoção sistemática de anti-sinais: tags "sponsored" mal posicionadas, badges genéricos, descrições que confundem o agente em vez de informá-lo. O caso Pinterest documenta o lado positivo (+20% de tráfego orgânico, +19% de alinhamento); o estudo Columbia/Microsoft documenta o lado punitivo. Esta camada é responsabilidade compartilhada entre marketing e produto/engenharia — e essa interface organizacional é frequentemente onde os projetos travam.

A imagem útil é a de um tripé. Sem a camada técnica, as outras duas não são lidas. Sem a autoridade ganha, a camada técnica é higiene sem demanda. Sem a legibilidade agêntica, as duas primeiras geram descoberta mas perdem na conversão. Os times que vencerão os próximos vinte e quatro meses serão os que tratarem as três como um único projeto, com governança única, e não como três iniciativas paralelas em três áreas que não se conversam. O playbook operacional dessa governança — com limiares quantitativos, checklists e tabela de campos JSON-LD por camada — está consolidado em As três camadas da visibilidade agêntica. Aqui, o foco é o porquê. Lá, é o como.

Adaptar o framework das três camadas ao contexto brasileiro exige três deslocamentos concretos — mental, orçamentário e organizacional — nenhum deles trivial em estruturas de marketing montadas sob a lógica de mídia paga e SEO clássico.

O primeiro deslocamento é mental: abandonar o modelo "SEO + camada de IA" como metáfora operacional. As variáveis que predizem descoberta em LLMs não são extensão das variáveis de SEO — são um sistema parcialmente disjunto. Continuar gerindo GEO como subdiretório do SEO é um erro de classificação que produz, sistematicamente, alocação errada de orçamento. A primeira pergunta de qualquer reunião de planejamento deve ser: estamos medindo descoberta em LLMs com indicadores próprios, ou extrapolando indicadores do Google?

O segundo deslocamento é orçamentário e temporal: tratar mídia ganhada e presença em comunidade como infraestrutura, não como campanha. Reddit, fóruns de nicho e presença consistente nos clusters dominantes de cada família de modelos não rendem em três meses; rendem em ciclos longos. No mercado brasileiro, onde a pressão por quick wins é alta, esta é a parte mais difícil. É também a única que efetivamente fecha os 30:1 de Sharma — não com otimização de página, mas com presença distribuída sustentada.

O terceiro deslocamento é organizacional: construir legibilidade agêntica como capacidade de produto, não como add-on de marketing. O catálogo, a API, o servidor MCP da marca e a integração com agentes terceiros precisam de dono claro — e raramente esse dono está dentro do marketing tradicional. Marcas que esperarem o marketing resolver sozinho a legibilidade agêntica chegarão tarde. Marcas que tratarem isso como projeto cross-funcional, com patrocínio executivo direto, chegarão na janela.

Há um quarto componente, menos óbvio: curadoria contínua da literatura. A pesquisa em GEO, AEO e comércio agêntico avança em ritmo de duas a três contribuições relevantes por mês — entre arXiv, NeurIPS, relatórios de fundação e estudos de caso de produção. Times que tentam acompanhar de forma reativa ficam permanentemente atrás. Na Brasil GEO, mantemos uma base de conhecimento que sintetiza 25+ papers em 30 instruções operacionais, 7 princípios mestres e tabelas de limiares quantitativos, atualizada trimestralmente. Sintetizar essa fronteira em um modelo operacional acionável para o contexto brasileiro é, hoje, uma das poucas atividades de staff estratégico cujo retorno marginal supera o de quase qualquer ferramenta nova adquirida.

Na era agêntica, marketing é o ofício de construir legibilidade duradoura para sistemas que decidem em nome de humanos. As habilidades necessárias não são as mesmas do marketing de clique. As métricas não são as mesmas. E os ativos que se acumulam — autoridade nos clusters certos, dados estruturados confiáveis, presença distribuída em comunidades — não se compram em leilão de mídia.

A síntese do argumento, que mereceria estar no topo do deck de qualquer conselho que discuta orçamento de marketing em 2026: o GEO técnico é a condição de existência; a autoridade ganha é a condição de descoberta; a legibilidade agêntica é a condição de conversão. Quem otimiza apenas a primeira é invisível. Quem otimiza as três é encontrado, escolhido e mantido no plano. Os números — Sharma, C-SEO Bench, News Source Citing Patterns, Pinterest, Columbia/Microsoft — contam, em conjunto, essa única história.

A provocação final é estratégica. As marcas brasileiras que perceberem essa ruptura nos próximos doze meses construirão vantagem composta — porque autoridade ganha não é replicável em ciclo curto, e porque a janela competitiva está aberta antes que o equilíbrio se forme e o efeito de soma zero do C-SEO Bench se generalize. As que não perceberem continuarão otimizando meta tags enquanto o agente, silenciosamente, exclui sua marca do plano — em um ciclo que não aparece no dashboard porque o clique nunca aconteceu para ser medido.

Você está medindo a camada certa? Sua organização é capaz de operar nas três simultaneamente?