O que o seu conteúdo tem que ninguém tem

Ao final você será capaz de

• Distinguir informação nova de reformulação do consenso.
• Construir uma cadeia entre afirmação, prova, método, limite e ação.
• Tratar dados proprietários e casos com rigor editorial e jurídico.

Conteúdo genérico repete recomendações que qualquer fonte poderia publicar. Conteúdo com evidência revela como a organização sabe: apresenta dado, experiência, método, fonte, exemplo, limite ou resultado verificável.

Toda afirmação possui um alcance. Um teste com dez clientes pode descrever o que aconteceu naquele grupo, mas não permite prometer o mesmo resultado para todo mercado. Profundidade também significa explicar amostra, período, contexto e limitações.

Ganho informacional aparece quando a resposta reduz uma incerteza que as demais deixam aberta. Pode vir de dados próprios, comparação transparente, instrução detalhada, ponto de vista especializado, síntese de fontes ou documentação de uma aplicação real.

Exemplo resolvido, SaaS de automação financeira

A promessa parecia forte, mas compradores e jurídico não conseguiam verificar amostra, ponto de partida ou condição da redução.

Como ler o resultado. A linguagem ficou menos espetacular e mais útil. Confiança aumenta quando o leitor entende o resultado, a origem e os limites, mesmo que o número final pareça mais modesto.

Ao final deste capítulo você será capaz de três coisas: separar reformulação de consenso de contribuição marginal antes de escrever a primeira linha, rodar um teste de ganho com três modelos sem gastar nada, e escolher qual das cinco fontes de ganho cabe no seu orçamento de produção desta semana.

A dor que traz a maioria das pessoas até aqui é sempre a mesma. Você publicou um artigo bem escrito sobre um tema que dez concorrentes já cobriram. Revisou a estrutura, ajustou os intertítulos, cortou a gordura. E ele não ranqueou nem apareceu citado em nenhuma resposta generativa. A reação natural é suspeitar da redação e contratar um revisor melhor. O revisor melhor vai deixar o texto mais agradável e o resultado igual, porque o problema está em outro lugar: o documento não contém nada que já não exista em outro lugar.

Imagine a cena, hipotética mas familiar. Diego, head de conteúdo, leva ao board um artigo impecável sobre um tema que dez concorrentes já cobriram do mesmo jeito. Estrutura limpa, redação elogiável, tudo no lugar. O CFO ouve, folheia e faz uma pergunta só: o que esse texto diz que os outros dez não diziam? Diego não tem resposta. O silêncio na sala tem uma causa única: falta um fato que só entra no mundo por meio daquele texto. É exatamente essa pergunta que o resto do capítulo aprende a responder antes de aprovar qualquer pauta.

Repare no que essa definição faz com o argumento de qualidade de redação. Um texto que reafirma o consenso tem ganho próximo de zero por construção matemática: se ele repete o que já está em dez documentos recuperáveis, a distribuição da resposta do modelo praticamente não se move quando ele entra. Do outro lado, um parágrafo tosco contendo um número que ninguém mediu antes muda a resposta. A figura a seguir coloca lado a lado os dois modos de produzir sobre um tema já coberto, com o resultado esperado de cada um no rodapé.

Vale entender por que a novidade virou critério agora, porque isso protege você de duas narrativas ruins. A tese defensável não depende de afirmar que o Google implantou uma patente. Ela depende de uma mudança econômica simples: o custo de produzir texto competente sobre um tema conhecido caiu para perto de zero. Quando produzir mil artigos corretos e bem escritos custa quase nada, corretude e boa escrita deixam de discriminar qualquer coisa. Todo sistema de recuperação que precisa escolher o que mostrar passa a precisar de um critério que ainda seja caro de satisfazer, e novidade verificável é o candidato óbvio.

Existe evidência pública sobre a composição desse cenário. A Graphite analisou artigos em inglês do CommonCrawl e reportou que a quantidade de artigos gerados por IA ultrapassou a de humanos por volta de novembro de 2024 e estabilizou perto de metade da produção. Ao mesmo tempo, com dados até o primeiro trimestre de 2026 e média de três detectores, a divisão entre os artigos que ranqueiam e entre os que são citados por assistentes ficou assim. A ressalva do próprio estudo aparece na figura porque ela integra o dado e muda a forma como você tem o direito de citá-lo.

• Ler o 14% como prova de que o Google penaliza IA. Detector de IA não é oráculo, e o próprio estudo declara falso positivo. O número descreve a composição do corpus classificado, e nenhuma política.
• Concluir que texto humano ranqueia por ser humano. A explicação mais simples é que texto com dado, apuração e experiência costuma ser produzido por gente, e o que está sendo premiado é o dado.
• Usar o dado como argumento de venda contra IA. A política oficial mira escala sem valor, e este capítulo trata disso mais adiante.

Agora a patente, que é onde quase todo curso do mercado começa a inventar. Existe uma família real de documentos, e ela tem datas verificáveis. Antes de qualquer interpretação, veja a cronologia: depósito e prioridade, publicação pré-concessão, concessão, depósito da continuação e concessão da continuação.

A patente US11354342B2, "Contextual estimation of link information gain", tem como cessionária a Google LLC e como inventores Victor Carbune e Pedro Gonnet Anders, com status Active. A continuação US12013887B2 mantém a prioridade idêntica de 18/10/2018. Ter uma continuação concedida seis anos depois do depósito original mostra que o Google seguiu custeando a manutenção da família. Interesse continuado é tudo o que essa linha do tempo prova, e a distância entre interesse continuado e implantação em ranking permanece inteira.

O conteúdo da reivindicação 1 de ambas descreve um assistente automatizado que identifica documentos já apresentados ao usuário e calcula o ganho de documentos ainda não apresentados. Roger Montti contabilizou 69 menções a "automated assistants" contra 25 a "search engine" e escreveu que a patente não é sobre ranquear páginas web abrangentes sobre um tópico (Search Engine Journal, https://www.searchenginejournal.com/googles-information-gain-patent-for-ranking-web-pages/524464/).

Se a patente não entrega uma métrica utilizável, o que entrega? A pesquisa aplicada em recuperação aumentada, que é onde o conceito virou algo que você mede em casa. O paper InfoGain-RAG (arXiv:2509.12765, submetido em 16/09/2025, apresentação oral no EMNLP 2025) propõe o Document Information Gain, que mede a contribuição de um documento pela diferença de confiança de geração do modelo com e sem aquele documento no contexto. No NaturalQA, em Exact Match, os autores reportam mais 17,9% sobre RAG ingênuo e mais 12,5% sobre RAG baseado em ranking. O que você leva daqui é o método: a contribuição de um documento se estima comparando duas respostas, uma com ele no contexto e outra sem ele. Os percentuais pertencem ao dataset e ao pipeline dos autores, então cite-os como resultado deles e nunca como promessa do seu caso.

O veredito da última linha é o que transforma o teste em trabalho. Se nada mudou em nenhum dos três modelos, o problema mora no conteúdo antes de morar na distribuição, e a saída é acrescentar ganho. São cinco fontes operáveis, todas ao alcance de quem não tem verba de pesquisa: dado primário que você mediu, teste que você executou, caso real com número, ativo próprio e síntese que ninguém fez.

• Dado primário: conte alguma coisa que ninguém contou. Quantos dos 50 concorrentes do seu setor têm markup de Organization válido? Você mede em uma tarde e o número passa a existir.
• Teste executado: rode o mesmo prompt em três modelos por quatro semanas e publique a variação observada, com datas.
• Caso real com número: o seu próprio projeto serve, desde que você publique o método e o intervalo junto com o resultado bonito.
• Ativo próprio: calculadora, planilha, base consultável, checklist versionado. Ativo é citável porque é endereçável.
• Síntese inédita: juntar duas literaturas que ninguém juntou continua sendo contribuição, desde que você mostre o mapa e as fontes.

Guarde essa saída em arquivo antes de continuar, porque ela é o seu grupo de controle. Depois abra uma sessão nova, cole o seu texto integral e repita a consulta exatamente igual, sem pedir ao modelo que avalie o texto. Você quer saber o que ele responde com o seu documento disponível; a opinião dele sobre o seu texto não mede coisa alguma.

Um teste isolado é um diagnóstico. O que produz autoridade temática é a repetição disso por subconsulta, e aqui o capítulo se conecta com o fan-out tratado no capítulo "O que publicar, o que ignorar e quando parar": cada subconsulta é uma pergunta onde você pode ser a única fonte com dado próprio. O ciclo abaixo tem quatro tempos e o quarto realimenta o primeiro.

• Adicionar ganho: o tema importa para o negócio e você consegue medir algo. Escolha uma das cinco fontes e agende a medição.
• Consolidar: existe outra página sua sobre o mesmo eixo. Funda as duas e concentre o ganho em uma URL.
• Não publicar: o tema é relevante, mas você não tem nada a acrescentar e não vai ter nos próximos 90 dias. Publicar mesmo assim aumenta o custo de manutenção e não move nada.

Falta desarmar a confusão que faz gente boa produzir menos do que poderia. A política oficial de spam do Google define: "Scaled content abuse is when many pages are generated for the primary purpose of manipulating search rankings and not helping users", listando explicitamente o uso de ferramentas generativas para gerar muitas páginas sem adicionar valor (página atualizada em 15/05/2026, https://developers.google.com/search/docs/essentials/spam-policies). E desde fevereiro de 2023 a posição pública é: "However it is produced, content primarily created to manipulate rankings is spam." O gatilho, portanto, é escala somada a ausência de valor. Ferramenta generativa usada para medir, tabular, revisar e acelerar produção com ganho real não está descrita em lugar nenhum dessa política.

O guia oficial de otimização para busca generativa fechou uma porta específica sobre esse ponto, e ela interessa diretamente a quem trabalha com mapeamento temático. Publicado em 15/05/2026, assinado por John Mueller e atualizado em 10/07/2026, o documento declara que criar páginas por variação de consulta, inclusive uma página para cada ramificação de query fan-out, cai na política de scaled content abuse quando o propósito é manipular ranking ou respostas generativas (Google Search Central, "Optimizing for generative AI", https://developers.google.com/search/docs/fundamentals/ai-optimization-guide, consultado em 24/07/2026).

Isso reforça a tese deste capítulo pelo lado da política, e não apenas pelo lado da economia. Multiplicar URLs por subconsulta reproduz exatamente o comportamento que o documento descreve. Uma página por subconsulta só se sustenta quando carrega um fato que ainda não existe em nenhuma outra, o que devolve a decisão ao teste de ganho: se a resposta do modelo seria a mesma sem aquela página, ela é volume, e volume sem ganho é o gatilho da política.

Exercício prático

Execute o teste de ganho em uma página sua que já esteja publicada há pelo menos 60 dias e que não ranqueia.

1. 01Escolha a consulta alvo real, escrita como um humano digitaria, e registre-a antes de começar.
2. 02Rode o Prompt 1 em três modelos diferentes, cada um em sessão limpa, e salve as três respostas de baseline em arquivo.
3. 03Abra três sessões novas, cole o texto integral da sua página e repita a mesma consulta, sem pedir avaliação do texto.
4. 04Rode o Prompt 2 sobre cada par e preencha a planilha de registro com o veredito de cada modelo.
5. 05Se o veredito majoritário for ZERO ou FORMA, escolha uma das cinco fontes de ganho, escreva em uma frase o que você vai medir, e agende a data do reteste.

Critérios de sucesso: a planilha tem três linhas preenchidas com veredito de uma palavra; cada FATO NOVO declarado está ancorado em um trecho literal da sua página; a decisão final nomeia uma das cinco fontes e traz duas datas, a da medição e a do reteste; e nenhum número que você acrescentar ao texto entra sem fonte nomeada e data.

Profundidade se mede em incerteza resolvida

Um texto longo pode continuar superficial se repete definições e exemplos conhecidos. Profundidade aparece quando o conteúdo responde às perguntas difíceis: qual mecanismo explica o efeito, em quais condições funciona, que evidência sustenta a afirmação, quais alternativas foram consideradas e onde estão os limites.

A empresa possui fontes de informação que um redator externo raramente vê: padrões de implantação, dúvidas de procurement, séries operacionais, incidentes, critérios de especialistas, decisões que deram errado e adaptações por segmento. O trabalho editorial é converter essa experiência em conhecimento publicável sem expor dados sensíveis nem transformar correlação em promessa.

Use uma cadeia simples em cada afirmação material: Afirmação → Evidência → Método → Limite → Implicação. Se um elo estiver ausente, a frase precisa ser reduzida, rotulada como hipótese ou retirada.

Informação gerada por IA não ganha autoridade por ser fluente. Ela precisa ser rastreada até fontes e revisada no contexto.

• Registre população, período, critérios de inclusão, tratamento e data de corte.
• Anonimize e agregue quando necessário; aprovação comercial não substitui análise de privacidade.
• Separe correlação, contribuição observada e causalidade demonstrada.
• Mantenha cálculo, fonte e responsável para que a afirmação possa ser auditada.
• Publique limitações relevantes no mesmo campo de visão da conclusão.

Aprofundamento

A partir daqui o capítulo sai do "como fazer" e entra no "por que funciona". Se você só precisa executar, o material acima já basta.

Caso longitudinal, Episódio 8 · transformar promessa comercial em cartão de evidência auditável

Quem está na sala: Diretora de operações com CFO, jurídico, dados, marketing e vendas

A reunião: Revisão de uma página que afirmava reduzir o tempo de implantação em quarenta por cento sem explicar amostra ou comparação.