Eu descrevi um auditor de GEO em português e o agente o construiu
Descrevi um auditor de GEO em português dentro do Claude Code, o agente escreveu o código, chamou as ferramentas e devolveu o relatório estruturado. O trabalho que levaria uma semana de analista sênior — rodar dezenas de prompts nos quatro motores, cruzar schema com conteúdo, checar Wikidata — ficou pronto em uma tarde. O ganho real não veio de um modelo grande fazendo tudo, mas de orquestrar modelos diferentes em papéis diferentes: Perplexity pesquisa, GPT redige, Gemini analisa, Groq classifica, Claude decompõe e revisa.
Essa prática tem nome na comunidade: vibecoding. Você programa descrevendo a intenção em linguagem natural, revisa diffs e corrige rumo. Não é mágica e não substitui quem sabe o que está fazendo. É uma mudança de interface: você deixa de digitar cada linha e passa a governar o agente.
Quem confunde vibecoding com terceirizar o julgamento produz lixo automatizado em escala — exatamente o que o Core Update de março de 2026 aprende a filtrar. O diferencial passou a ser o julgamento sobre o que pedir e como validar, não a velocidade de digitação.
Neste tutorial entrego o passo a passo que uso: as ferramentas, a ordem de montagem, o Master Prompt de auditoria como artefato reproduzível e as armadilhas que já me custaram tempo. Os fatos sobre Claude, MCP e as novidades da Anthropic de maio de 2026 vêm de research vivo rodado em 31 de maio, com as fontes linkadas no corpo.
O que é vibecoding e por que ele muda a economia da implementação de GEO
Vibecoding muda a economia da implementação de GEO porque implementar GEO de verdade é trabalho de engenharia de dados disfarçado de marketing. Você precisa rastrear o próprio site, comparar schema com conteúdo visível, monitorar quem a IA cita, normalizar entidades e gerar JSON-LD válido em escala — tudo isso é código. Antes do vibecoding, esse código era a barreira que separava a consultoria que fala de GEO da que executa GEO. Hoje a barreira caiu.
Vibecoding é programar descrevendo o que você quer em linguagem natural e deixando um agente gerar e ajustar o código — a comunidade também chama de natural language programming ou prompt-driven dev. Em vez de escrever do zero um crawler, um extrator de schema ou um integrador com o Search Console, você explica a tarefa para uma IDE com IA profunda (Cursor) ou para um agente de código (Claude Code) e itera por revisão.
O alerta vem junto com a ferramenta. Gerar milhares de páginas e marcações sem uma tese de negócio produz volume sem valor incremental, filtrado conforme E-E-A-T e Information Gain ganham peso. LLMs são ótimos para operacionalizar uma estratégia, não para substituí-la. Eu trato vibecoding como acelerador de execução, com gate humano obrigatório em qualquer página crítica e em qualquer afirmação sensível (YMYL, saúde, finanças).
Para entender o limite entre o que vale automatizar e o que exige plataforma ou pessoa, vale ler o comparativo que escrevi sobre automação versus plataformas de GEO. A regra que sigo: automatize a coleta e a transformação, mantenha o humano na decisão e na publicação.
A orquestração de múltiplos LLMs: cada modelo no papel em que é melhor
Na orquestração de múltiplos LLMs para GEO, cada modelo ocupa o papel em que é mais eficiente: Perplexity pesquisa com citações verificáveis, GPT-4o redige com fluência, Gemini analisa grandes volumes, Groq classifica em velocidade ultrarrápida e Claude decompõe, escreve código e revisa o output dos outros. O orquestrador — uma camada de controle que gerencia fluxo, estado e roteamento — escolhe o modelo certo por custo, latência e necessidade de raciocínio.
O padrão que uso no dia a dia distribui assim, por diversidade condicional:
- Perplexity (sonar-deep-research): pesquisa de base com dezenas de citações verificáveis, antes de escrever qualquer conteúdo de alta responsabilidade. É a camada que ancora afirmações em fonte e reduz alucinação.
- GPT-4o: redação e copy, onde fluência e voz importam mais. Meta descriptions, FAQs, variantes de título.
- Gemini 2.5 Pro/Flash: análise de grandes volumes (logs de rastreio, listas de keywords) e classificação massiva de páginas por intenção.
- Groq com Llama ou GPT OSS: classificação ultrarrápida em hardware LPU. Clusterizar milhões de queries, taggear features de SERP, extrair entidades candidatas em segundos.
- Claude (Opus/Sonnet/Haiku): decomposição de problemas complexos, geração de código para os pipelines e revisão crítica dos outputs dos outros modelos. É o cérebro que monta o plano e audita o resultado.
A motivação é tripla e pragmática: reduzir custo usando modelos menores e OSS nas tarefas simples; aumentar robustez com verificação cruzada entre modelos; e escalar tarefas repetitivas sem perder governança (logs, métricas, gate humano). Frameworks como LangChain, LangGraph, AutoGen e CrewAI dão a estrutura para fluxos multiagente com estado e papéis. Eu detalhei o desenho completo, com os custos por milhão de tokens, no artigo sobre o orquestrador de seis LLMs que está virando o stack padrão de GEO. Aqui o foco é usá-lo para auditar e implementar.
O que a Anthropic anunciou em maio de 2026 (e por que é o blueprint da sua operação)
Em maio de 2026, a Anthropic entregou dois marcos relevantes para quem opera GEO: em 5 de maio lançou dez templates de agentes com arquitetura skills + tools + workflows e integrou onze provedores de dados via MCP — um blueprint direto para montar um MCP server de marketing; em 29 de maio lançou o Claude Opus 4.8, posicionado como mais forte em programação, e anunciou rodada de 65 bilhões de dólares (valuation de 965 bilhões). Quase nada disso trazia a palavra GEO, mas o modelo de produto é exatamente o que você replica para automatizar auditoria.
No evento fechado para serviços financeiros em Nova Iorque (5 de maio), a Anthropic lançou agentes como Earnings Reviewer, Market Researcher e KYC Screener. A anatomia é o que importa: cada agente é composto de skills (Markdown com instruções operacionais), tools (integrações externas) e workflows (orquestração entre ferramentas). Os agentes instalam como plugins no Claude Code e rodam em produção como Managed Agents. A integração com Microsoft 365 (add-ins para Excel, PowerPoint e Word) entrou em disponibilidade geral.
O ponto central para GEO é a arquitetura dos onze providers via MCP. Você replica isso com um MCP server de growth: search_console_provider, analytics_provider, crawler_provider, ads_provider, crm_provider. O agente consulta esses providers quando precisa, em vez de você colar dados manualmente em prompts gigantes. Fonte: Eco/Sapo, 04/05/2026.
Em 29 de maio, o Claude Opus 4.8 foi lançado com foco em coding e trabalhos profissionais, segundo a Euronews. Para quem usa Claude para escrever pipelines de GEO, geração de schema e análise de logs, o 4.8 é o novo alvo. A Anthropic também publicou um 2026 Agentic Coding Trends Report mapeando oito tendências de desenvolvimento com agentes, incluindo coordenação multiagente e colaboração humano-IA. Honestidade intelectual: a Anthropic não publicou números de ganho de SEO com Claude; cases de "reduzi 70% do tempo de brief" vêm de criadores independentes, sem auditoria. São sinais, não prova.
Passo 1 a 3: montar o ambiente de vibecoding para GEO
Antes de rodar qualquer auditoria, três elementos precisam estar no lugar: o ambiente de execução, as ferramentas conectadas via MCP e os playbooks codificados como skills em Markdown. Montar na ordem correta evita retrabalho e mantém a operação auditável desde o início.
Passo 1 — Escolher a superfície de execução. Para um operador de growth técnico, recomendo Claude Code como agente principal (decompõe, escreve código e revisa) e Cursor quando você quer editar e iterar dentro de uma IDE com contexto do repositório. Os dois coexistem: uso o Cursor para construir e versionar os scripts, e o Claude Code para rodar as rotinas de auditoria como agente.
Passo 2 — Conectar dados via MCP, não por copiar e colar. Replicando a arquitetura dos onze providers financeiros da Anthropic, monto um MCP server de growth com providers nomeados: search_console_provider, analytics_provider, crawler_provider, ads_provider, crm_provider. O agente faz queries a esses providers quando precisa do dado — isso elimina o prompt gigante com colagem manual e mantém a operação auditável.
Passo 3 — Codificar os playbooks como skills em Markdown. Coloque em arquivos Markdown as regras de GEO da empresa, os frameworks internos (como avaliar uma página YMYL, como priorizar issues técnicos) e as diretrizes de voz e marca. Esses skills viram o contexto estável dos agentes e reduzem a necessidade de prompts enormes. É o mesmo mecanismo que a Anthropic usa nos agentes financeiros, transposto para GEO.
Princípio de arquitetura: defina agentes por função, não por canal. Crie um SEO Technical Auditor Agent, um Content Gap Agent, um Entity Auditor Agent, um Citation Monitor Agent. Não crie um "agente do Google" e um "agente do Meta". A função é estável; o canal muda.
Passo 4: auditar GEO em quatro frentes com a orquestração
Com o ambiente montado, a auditoria de GEO roda em quatro frentes simultâneas: monitoramento de citações em IA, geração e validação de schema em escala, auditoria de entidade digital e produção de conteúdo citável. Cada frente tem modelo responsável e gate de saída explícito.
- Monitorar citações em IA. Esta virou tão importante quanto monitorar backlinks. O fluxo: agentes consultam ChatGPT com browsing, Perplexity, Gemini AI Mode e Copilot com um conjunto fixo de 30 prompts representativos; um modelo rápido (Llama em Groq) extrai menções, sentimento e tipo (marca, produto, concorrente); um modelo de raciocínio (Claude) mapeia as menções para as entidades canônicas do seu knowledge graph interno. O KPI primário é Mention Rate. Benchmark de mercado: abaixo de 5% você é invisível, 5 a 15% é emergente, 15 a 30% é forte. Eu mostro como codar a parte de monitoramento em Python no artigo sobre automação em Python para monitorar citações em IA.
- Gerar e validar schema em escala. Um agente crawler pega HTML, headings e dados estruturados existentes; um LLM "schema designer" (GPT-4o ou Claude) decide o tipo Schema.org adequado; um LLM "validator/critic" verifica se o JSON-LD é válido, se respeita as políticas do Google e se não há claim sensível sem fonte. A etapa de autocrítica é o que reduz erro e alucinação. Lembre-se da assimetria upstream versus runtime: schema importa na ingestão (desambiguação de entidade), mas o LLM lê só o conteúdo HTML visível em runtime. Schema entra no pool de recuperação, não amplifica página já citada.
- Auditar a entidade digital. O agente verifica se há MID no Google Knowledge Graph e entrada no Wikidata para a marca e os autores; checa Organization schema com sameAs em pelo menos cinco perfis; mede a consistência semântica entre a descrição no site e nos perfis de terceiros (LinkedIn, Crunchbase, listagens). O alvo é manter alta similaridade entre as representações, porque drift de entidade derruba a persistência de citação. Detalhei esse risco no texto sobre auditoria de entidade digital e entity drift.
- Produzir conteúdo citável em escala, com controle. Perplexity faz a pesquisa de base com citações; Gemini ou Groq clusteriza os subtópicos; GPT-4o ou Claude redige sobre um blueprint de estrutura; outro modelo de raciocínio faz a crítica de qualidade e E-E-A-T (consistência com a fonte, ausência de afirmação sem base, tom de marca). O diff de Markdown vira um pull request com log completo, e a publicação de páginas críticas passa por revisão humana.
Passo 5: o Master Prompt de auditoria (artefato reproduzível)
O Master Prompt abaixo é o artefato que torna a auditoria repetível. Colado no Claude Code (com as tools conectadas), ele executa cinco ondas sequenciais — da fundação técnica à prontidão para agentes — com gate de saída explícito em cada onda. Adapte os domínios entre colchetes ao seu cliente e reproduza a estrutura; o valor está nos gates, não na cópia literal.
VOCÊ E: Head de SEO/GEO sênior + auditor C-level, com acesso a
browsing, fetch de HTML, Search Console, GA4 e logs de servidor.
OBJETIVO: auditar e otimizar o portal [DOMÍNIO], integrando SEO
clássico + GEO + AEO + acesso de crawlers de IA + prontidão B2A.
Saída por onda: (1) relatório executivo BLUF, (2) matriz item-a-item
status verde/amarelo/vermelho, (3) JSON de findings, (4) métricas de
sucesso, (5) gate de saída explícito.
PRINCIPIOS (ordem de prioridade):
1. Helpful content first (qualidade percebida, independe da origem).
2. E-E-A-T com Experience primario (pos-Core Update mar/2026).
3. GEO-ready: Cite Sources +115%, Statistics +41%, Quotation +28%.
4. B2A-ready: 90% das compras B2B mediadas por agente ate 2028.
5. Citation-worthy > click-worthy (maioria das buscas e zero-click).
ONDA 1 — FUNDACAO TECNICA E ACESSO
Audite: crawlabilidade, indexabilidade, URLs, Core Web Vitals
(LCP <2,0s; INP <200ms; CLS <=0,1), renderizacao SSR vs CSR,
robots.txt liberando OAI-SearchBot, Claude-SearchBot, PerplexityBot,
Google-Extended (decidir training por politica; bloquear Bytespider),
e WAF não retornando 403/CAPTCHA para bots de retrieval.
GATE: robots.txt 2026-compliant, CWV "Good" em >=75% das URLs,
zero bloqueio involuntario de bot de retrieval nos logs.
ONDA 2 — ARQUITETURA, SEMANTICA E ENTIDADE
Audite: 1 H1 por pagina, hierarquia de headings sem salto, hubs
com 8+ spokes, Organization schema com sameAs >=5, Person schema
nos autores, entrada bidirecional no Wikidata, links internos
contextuais >=5 por artigo.
GATE: entidades-chave verificaveis no Knowledge Graph/Wikidata,
zero pagina orfa em verticais criticos.
ONDA 3 — CONTEUDO, INTENCAO E PROFUNDIDADE
Audite: autor nomeado + bio, answer capsule de 120-150 char apos
heading-pergunta, Information Gain (% de conteudo original >30%),
>=3 fontes primarias e >=5 estatisticas por longform, cobertura
de query fan-out, frescor (dateModified rolling).
GATE: answer capsules nos pillars, mapa de fan-out das top-30
queries com plano de gap-fill.
ONDA 4 — CITABILIDADE, GEO, AEO E SCHEMA STACK
Audite: Article/NewsArticle valido, @graph aninhado conectando
Article -> Person -> Organization -> IDs do Wikidata, paridade
schema vs conteudo visivel, Mention Rate por motor (baseline com
30 prompts em ChatGPT, Perplexity, Gemini, Copilot), persistência
de citação (D+0/D+14/D+30), consenso multi-fonte (>=3 fontes).
GATE: schema stack publicado e validado, baseline de Mention/
Citation Rate documentado, monitoramento de citação em produção.
ONDA 5 — AUTORIDADE, RISCO E PRONTIDÃO B2A
Audite: menções externas (Wikipedia, Reddit, Quora, reviews),
shadow competitivo nas queries prioritarias, exposicao adversarial,
risco zero-clique, prontidão B2A (API publica, OpenAPI, endpoint
MCP/NLWeb), distribuicao em multiplos indices de retrieval.
GATE: plano de autoridade off-site em execucao, piloto B2A definido
com owners e KPIs, politicas de Trust & Safety publicadas.
REGRAS: cite a evidencia observada em cada finding; declare incerteza
onde ela existe (ex.: ROI de llms.txt e marginal hoje); não trate
schema como requisito de IA; não escreva "para IA" diferente de
"para humanos". Para paginas criticas, recomende revisao humana.
Um aviso de honestidade epistemológica que faz parte do próprio prompt: correlação não é causalidade em GEO. Mention Rate pode subir por refresh, por seeding off-site, por mudança no algoritmo do LLM, ou por tudo junto. Faça testes controlados e não venda atalho técnico como bala de prata.
Passo 6: implementar as correções com pull requests e gate humano
Auditar sem implementar é teatro consultivo. O agente de código gera os diffs — schema novo, correção de headings, answer capsules, ajuste de robots.txt — e abre um pull request com log completo. Pipelines de CI/CD (GitHub Actions) validam o JSON-LD e rodam os testes antes do merge. Páginas críticas e qualquer afirmação sensível passam por revisão humana obrigatória.
O loop de melhoria fecha com conectores ao Search Console que exportam rich results, CTR e erros de dados estruturados, alimentando o agente para ajustar templates e propor novos tipos de schema para testar. O resultado é um sistema vivo, não um relatório de PDF que envelhece em uma semana.
A disciplina de governança não é opcional. Para setores regulados, mantenha logs auditáveis das decisões do sistema e revisão humana para conteúdo de alto risco. A Anthropic reforçou em maio de 2026, após o projeto Mythos, que agentes com acesso a produção — CRM, CMS, Ads, dados first-party — dependem de governança bem configurada de tools e MCP para não vazar dado ou executar ação indevida. Eu nunca dou a um agente acesso de escrita a produção sem um gate humano no caminho.
As armadilhas que já me custaram tempo (e como evito)
Cinco erros recorrentes ao implementar GEO com orquestração de LLMs, listados em ordem de quanto já custaram tempo e resultado.
- Garbage in, garbage out. Sem um knowledge graph interno e fontes confiáveis, os LLMs exageram, misturam fatos e inventam entidades. A defesa é RAG bem feito (LlamaIndex, Haystack sobre o seu próprio corpus) e estágios de verificação antes de publicar. Eu vi, neste próprio research, um modelo de classificação rápida alucinar definições técnicas inteiras de protocolos. Por isso o passo de crítica cruzada existe.
- Confiar no modelo rápido para tarefa de raciocínio. Groq e modelos OSS são excelentes para classificar e extrair em massa, péssimos para desambiguar entidade ou julgar nuance. Roteie raciocínio pesado para Claude ou um modelo de reasoning. Diversidade condicional existe para isso.
- Over-automation sem tese. Gerar mil páginas e schema sem estratégia infla o site com valor incremental baixo e atrai filtro de qualidade. Automatize a operação, não a estratégia.
- Dependência de vendor. Preços e modelos mudam rápido. Use uma camada de abstração (LangChain, Semantic Kernel ou orquestrador próprio) para trocar modelo sem reescrever tudo, e faça testes A/B constantes.
- Tratar schema como requisito de IA. Schema é higiene semântica e desambiguação de entidade, não amplificador de citação em página já citada. O LLM lê conteúdo HTML visível em runtime.
Para escolher entre construir essa stack ou comprar uma plataforma pronta, e para saber quais ferramentas brasileiras existem, vale o panorama de ferramentas de GEO que mantenho atualizado. Minha regra: comece pequeno, com um ou dois modelos e poucos agentes, e só cresça a orquestração quando o ROI estiver medido.
O próximo passo: um agente, uma frente, esta semana
Para quem quer começar sem afogar o time: não monte a orquestração de seis modelos de uma vez. Comece pelo monitoramento de citação — 30 prompts fixos, quatro motores, rodando uma vez por semana, com o resultado caindo no Slack. Isso gera o baseline de Mention Rate e prova de conceito em dias, com custo e complexidade mínimos.
Com o baseline na mão, adicione o segundo agente (auditoria de schema ou de entidade), conecte um provider de MCP por vez e codifique um playbook como skill antes de pedir a próxima auditoria. O Claude Opus 4.8, lançado em 29 de maio de 2026 com foco em coding, é o alvo natural para escrever esses pipelines. O resto é disciplina: gate humano, log auditável, teste controlado.
Vibecoding e orquestração não substituem saber o que é GEO. Eles removem a barreira de execução. A estratégia continua sendo sua — e é ela que decide se a automação produz autoridade ou ruído.