O trecho que a IA consegue usar sozinho

Por que isso decide dinheiro

• Decisão de negócio afetada. Quanto do orçamento editorial vai para produzir páginas novas e quanto vai para reescrever o acervo que já existe em formato que sobrevive ao recorte. As duas rubricas competem pelo mesmo dinheiro e têm retornos diferentes.

• Custo de errar. Páginas caras que ranqueiam bem no orgânico e nunca aparecem em resposta gerada. O time gasta trimestres reescrevendo texto quando a causa é uma diretiva de uma linha no código, que bloqueia a exibição de trecho sem derrubar a posição e sem gerar alerta nenhum.

• Quem é o dono da decisão. O diretor de marketing ou de conteúdo aprova o padrão de escrita e o critério de tamanho de bloco. O time de tecnologia responde pelas diretivas de indexação da página. As duas assinaturas são necessárias, e a segunda costuma ser esquecida.

O que este capítulo pressupõe, e que quase nunca é dito em voz alta

Quatro noções sustentam tudo o que vem a seguir, e nenhuma delas exige formação técnica. A primeira é a existência de um índice, um acervo já processado sobre o qual a busca roda, porque sem ele as cinco etapas do pipeline não fazem sentido. A segunda é o token, a unidade de medida em que o tamanho de um trecho é contado. A terceira é o recall, a métrica que diz quantos documentos relevantes um método conseguiu trazer. A quarta é a noção de vetor e de dimensão, que sustenta a demonstração central do estudo citado mais adiante. O glossário abaixo define as quatro em linguagem de negócio, junto com os termos próprios deste capítulo.

Ao final deste capítulo você será capaz de descrever o pipeline de recuperação em cinco etapas, diagnosticar em qual delas a sua página está sendo eliminada, e reescrever uma seção de forma que ela sobreviva a um corte que você não controla.

A dor que traz o aluno até aqui é sempre a mesma, e a cena a seguir é hipotética. Convenceram Marina Alencar, diretora de marketing da fintech de crédito Correnteza, de que busca semântica entende sinônimos, então ela mandou trocar os termos que o cliente digita por variações mais elegantes, e a página sumiu das respostas geradas por inteligência artificial. Como não existe modelo mental do que acontece entre a consulta e a resposta, o diagnóstico vira palpite: mexe no título, aumenta o texto, adiciona dados estruturados, e nada muda. Sem saber em que etapa a perda acontece, qualquer correção é sorteio.

E esse corpus recuperável não é neutro nem só técnico: em parte, ele é comprado por contrato. Em fevereiro de 2024 o Reddit fechou licenciamento de dados com o Google, estimado em torno de US$ 60 milhões por ano, e meses depois um acordo semelhante com a OpenAI; o próprio S-1 do IPO declarou US$ 203 milhões em contratos de licenciamento de dados, com prazos de dois a três anos (Reuters, 21/02/2024, e Reddit Inc., formulário S-1 na SEC, 2024, verificado em 19/07/2026). Note a data: esses contratos, de dois a três anos, estão vencendo e em renegociação em 2026, com projeções de mercado de valores várias vezes maiores que o run rate atual (Wells Fargo, 05/06/2026). Isso reforça o argumento deste capítulo em vez de enfraquecê-lo, porque mostra o corpus recuperável virando um ativo cada vez mais precificado. A consequência para a sua escrita é sóbria: o campo semântico que o modelo recupera privilegia fontes que ele foi treinado ou licenciado para ler. Competir por passagem exige, portanto, duas frentes simultâneas: caprichar no bloco e marcar presença onde o corpus é formado, assunto que o curso Reddit para GEO trata como programa próprio.

O caminho entre a pergunta digitada e o parágrafo citado tem cinco estágios, e cada um descarta candidatos com um critério próprio: parsing e chunking, indexação híbrida com uma perna densa e uma perna léxica, recuperação rasa, reranking por cross-encoder e montagem do contexto final. O que muda tudo é a economia disso: os primeiros estágios são baratos e rodam sobre o índice inteiro, os últimos são caros e só olham quem sobreviveu.

Estágio 1, parsing e chunking. O sistema quebra o documento em blocos antes de indexar qualquer coisa, e essa política de corte pertence a quem indexa. O padrão de file search da OpenAI, por exemplo, divide arquivos em blocos de 800 tokens com 400 de sobreposição, aceita valores entre 100 e 4096 em max_chunk_size_tokens e retorna 10 resultados por padrão (fonte: developers.openai.com, guia de retrieval, verificado em 19/07/2026). Você não escolhe onde cortam o seu texto. Você escolhe se o corte machuca.

Estágio 2, indexação híbrida. Cada bloco vira duas representações: um vetor denso, que captura proximidade de significado, e uma entrada léxica invertida, que captura ocorrência de termo. As duas pernas existem porque erram de formas diferentes.

Estágio 3, recuperação rasa. Uma busca larga e barata devolve centenas de candidatos combinando as duas pernas. Estágio 4, reranking. Um cross-encoder lê a consulta e a passagem juntas, no mesmo passe, e reordena as dezenas que restaram. Estágio 5, montagem de contexto. O modelo recebe poucos trechos e escreve a resposta a partir deles.

A consequência prática é que existem cinco maneiras distintas de perder, e elas se parecem umas com as outras quando vistas de fora. Um diagnóstico honesto percorre as etapas em ordem.

Os estágios 3 e 4 merecem atenção separada, porque julgam com critérios incompatíveis entre si. O filtro barato pergunta se o bloco parece ser do assunto. O filtro caro pergunta se aquele bloco responde àquela consulta específica. Otimizar com afinco para um deles costuma ser a maneira mais eficiente de reprovar no outro.

Falta explicar por que o casamento léxico voltou a importar bem no momento em que o mercado o declarou obsoleto. Antes do trecho técnico, a ideia em linguagem de negócio: quando você resume cada trecho do acervo numa única ficha com um número fixo de campos, existe um limite de quantas combinações diferentes de critérios aquela ficha consegue distinguir. Passado esse limite, dois trechos que atendem a critérios distintos ficam com fichas praticamente iguais, e o sistema deixa de conseguir separá-los. É um teto de projeto, do mesmo tipo que um formulário de cadastro com poucos campos impõe a qualquer relatório feito a partir dele.

Quatro palavras aparecem no parágrafo seguinte e merecem definição na primeira ocorrência. Paper é um artigo científico, aqui um preprint público com autores e data identificáveis. Embedding de vetor único é a ficha descrita acima: uma só coordenada numérica por trecho, no mapa de assuntos definido no glossário. Dimensão do vetor é quantos números essa coordenada tem, e funciona como o número de campos da ficha. Consulta combinatória é a pergunta que pede a intersecção de várias condições ao mesmo tempo, do tipo "fornecedor que atende ao setor A, tem certificação B e opera na região C", e intersecção é justamente a exigência de que todas as condições valham juntas. Subconjunto top-k é cada combinação possível de k trechos que o sistema poderia devolver como resposta.

Com o vocabulário no lugar, a explicação tem nome, autoria e fonte: o paper On the Theoretical Limitations of Embedding-Based Retrieval (Weller (Johns Hopkins), Boratko, Naim e Lee (Google DeepMind), arXiv:2508.21038, submetido em 28/08/2025) demonstra que o número de subconjuntos top-k que um embedding de vetor único consegue retornar é limitado pela dimensão do vetor. Existe um teto matemático, e ele aparece em consultas combinatórias, aquelas que pedem a intersecção de várias condições ao mesmo tempo. No LIMIT, um conjunto de teste público (dataset, na literatura) construído justamente para expor esse teto, na configuração completa de 50 mil documentos, o BM25, que é o método clássico de casamento de termo, alcança Recall@100 de 93,6% enquanto modelos densos de vetor único ficam entre 3,3% e 18,9%, e a abordagem multi-vetor do GTE-ModernColBERT chega a 54,8%. Confira a métrica antes de repetir o número: a tabela do paper traz Recall@2, @10 e @100 lado a lado, e comparar o Recall@2 de um método com o Recall@100 de outro é o erro de leitura mais comum desse benchmark. Os três números acima são todos Recall@100.

Leia esse gráfico com a ressalva que os próprios autores registram. O LIMIT foi construído de forma adversarial para expor o limite de dimensão, então esses números descrevem uma condição de estresse, e não o desempenho médio dos modelos densos no dia a dia. A conclusão transferível é mais modesta e mais útil que a manchete: existe uma classe de consultas em que o vetor único falha por construção, e nessa classe quem salva a recuperação é a correspondência de termo. Como você não sabe de antemão em qual classe cai a pergunta do seu público, abandonar o termo exato é apostar contra a única perna que funciona no pior caso.

Se o corte é sempre alheio, a pergunta prática vira outra: em que faixa de tamanho os sistemas costumam operar, e o que isso exige da sua escrita. O estudo Rethinking Chunk Size For Long-Document Retrieval (arXiv:2505.21700, 27/05/2025) mostra que blocos de 64 a 128 tokens foram melhores em datasets com respostas concisas e factuais, enquanto 512 a 1024 melhoraram a recuperação em datasets que exigem compreensão contextual ampla, com sensibilidade variando conforme o modelo de embedding.

Esse é o formato de configuração do file search da OpenAI, e vale menos como receita do que como retrato: quando alguém indexa o seu conteúdo, o corte e o peso relativo entre vetor e texto são parâmetros que essa pessoa escolhe, não você. Repare que os dois pesos existem lado a lado, o que é a confissão arquitetural de que nenhuma das duas pernas basta sozinha.

Duas outras conclusões da literatura recente ajudam a calibrar expectativa. A análise sistemática de estratégias de chunking publicada em arXiv:2601.14123 (20/01/2026) encontrou que blocos sobrepostos não produziram melhoria mensurável de qualidade, apenas aumento de custo de indexação, e registrou degradação de desempenho quando o contexto passou de aproximadamente 2.500 tokens. Empilhar contexto tem retorno decrescente e depois negativo. Pese esse item pelo que ele é: o próprio campo de comentários do arXiv o descreve como preprint de três páginas, sem revisão por pares, ao contrário dos trabalhos de EMNLP e COLING citados no mesmo parágrafo. A direção do achado é coerente com o resto da literatura, mas o número de 2.500 tokens merece a etiqueta de indício, não de constante.

Agora o ponto que muda a escrita para sempre. O chunker corta por tamanho, não por sentido, e por isso ele corta antes do antecedente com frequência. Todo pronome que aponta para um sujeito mencionado dois parágrafos acima é uma bomba-relógio: no momento do corte, aquele bloco passa a falar de algo que sumiu. As quatro versões abaixo mostram a mesma seção evoluindo da órfã até a autocontida, passando pelo sujeito nomeado e pelo termo exato preservado.

Um detalhe técnico evita um erro caro em auditorias. Similaridade de cosseno entre embeddings parece um número universal e não é. O paper Is Cosine-Similarity of Embeddings Really About Similarity? (Steck, Ekanadham e Kallus, Netflix, arXiv:2403.05440) mostra que embeddings aprendidos possuem grau de liberdade capaz de produzir similaridades de cosseno arbitrárias, o que torna o valor não transferível entre modelos. Um limiar de 0,82 calibrado com um modelo não significa nada com outro.

Antes de qualquer refinamento editorial, existe um item de higiene que sozinho invalida todo o resto. A elegibilidade em recursos de IA do Google exige que a página esteja indexada e possa ser exibida com snippet (fonte: developers.google.com, AI features and your website). Diretivas de snippet estrangulam essa elegibilidade em silêncio, sem gerar erro, sem alerta e sem queda visível de posição orgânica.

Fecha o capítulo o conceito que dá nome a ele. Campo semântico, do lado da produção, é o conjunto de termos que precisam coexistir dentro de um documento para que o tema seja reconhecido como coberto, e não apenas mencionado. Se você escreve sobre migração de plataforma e não aparecem redirecionamento, mapeamento de URL, perda de sinal e janela de recuperação, o documento fala do assunto sem demonstrar domínio dele.

O risco é conhecido e vale nomear: campo semântico degenera facilmente em otimização por lista de termos, que produz o conteúdo commodity que o próprio Google desaconselha na documentação de julho de 2026. A diferença entre as duas práticas está em qual pergunta você faz. Perguntar quais termos faltam para bater uma meta gera preenchimento. Perguntar quais aspectos do tema um especialista abordaria e ainda não estão abordados gera cobertura, e os termos aparecem sozinhos como efeito colateral.

Exercício prático

• Escolha a seção do seu site que mais deveria ser citada e rode o fluxo de diagnóstico deste capítulo de cima para baixo, anotando em qual etapa ela falha primeiro.
• Verifique as diretivas de exibição de trecho daquela URL: meta robots, max-snippet e qualquer data-nosnippet envolvendo o corpo da resposta.
• Reescreva a seção com um bloco de resposta direta no topo, na faixa de 64 a 128 tokens, respondendo a pergunta central por inteiro.
• Nomeie o sujeito na primeira frase de cada parágrafo e reponha o termo exato que o público digita, mantendo as variações no restante.
• Registre, ao lado de cada afirmação com número, a fonte e a data que a sustentam.

Critérios de sucesso

• Qualquer parágrafo da seção, lido isoladamente e fora de ordem, informa de qual entidade está falando.
• O bloco de resposta direta responde a pergunta sem depender de nenhuma frase acima ou abaixo dele.
• Nenhuma diretiva de exibição de trecho restringe a página, e isso foi verificado no HTML servido, e não no gerenciador de conteúdo.
• Todo número presente na seção tem fonte nomeada com data, ou foi reescrito como conceito sem número.