Também chamado de: Agent2Agent, Agent-to-Agent Protocol
Agent2Agent: protocolo aberto do Google para agentes de IA de fornecedores diferentes se descobrirem e cooperarem entre si.
A2A (Agent2Agent) é o protocolo aberto lançado pelo Google que padroniza a comunicação direta entre agentes de IA de fabricantes diferentes: cada agente publica um cartão descrevendo suas capacidades, e outros agentes o descobrem, negociam tarefas e trocam resultados sem integração custom. Enquanto o MCP conecta um modelo às suas próprias ferramentas e dados, o A2A conecta agentes entre si — é a camada que viabiliza o cenário B2A em que o agente do comprador conversa com o agente do fornecedor.
Analogia: MCP é o ramal interno que liga o assistente aos arquivos da empresa; A2A é a linha direta entre o seu assistente e o assistente do fornecedor, fechando negócio sem os chefes na sala.
Também chamado de: Agent Communication Protocol
Agent Communication Protocol: camada de comunicação que padroniza a troca de mensagens entre agentes de IA em ambientes corporativos.
ACP (Agent Communication Protocol) é a camada de comunicação que define como agentes de IA corporativos trocam mensagens, estados e artefatos dentro e entre organizações: envelope de mensagem padronizado, descoberta de agentes e suporte a tarefas longas assíncronas. Disputa com o A2A do Google o posto de 'HTTP dos agentes'. Para a marca, o recado é o mesmo do B2A: quem não expõe dados comerciais estruturados e endpoints legíveis por máquina fica de fora dessas conversas — e das transações que elas fecham.
Analogia: Se cada departamento falasse um idioma próprio, nada andaria. ACP é o idioma comum que os agentes da empresa combinam falar entre si.
Também chamado de: Answer Engine Optimization
Answer Engine Optimization: otimização para mecanismos de resposta direta como AI Overviews e Perplexity.
AEO (Answer Engine Optimization) é a disciplina de estruturar conteúdo para virar a resposta extraída por mecanismos de resposta direta — AI Overviews do Google, blocos de Featured Snippet, Perplexity Quick Answer. É um subconjunto técnico do GEO focado em respostas extraíveis: parágrafos curtos de 40-60 palavras, listas e tabelas. Quem domina AEO captura atenção no zero-clique sem precisar do clique.
Analogia: Se SEO era estar no cardápio, AEO é ser o prato que o garçom recomenda quando alguém pergunta 'o que é bom aqui?'.
Também chamado de: agent-friendly, prontidão para agentes, agent-ready
Preparo do site para crawlers e agentes de IA: HTML semântico, estabilidade visual, robots e sitemap com allowlist explícita.
Agent Readiness é o pacote de requisitos técnicos que torna um site legível e operável por agentes autônomos de IA: HTML semântico no SSR (não SPA-only), CLS baixo para estabilidade visual durante leitura de DOM, árvore de acessibilidade clara, robots.txt com allowlist explícita de AI crawlers, sitemap-index granular, llms.txt opcional como insurance e dados comerciais em texto puro estruturado. O web.dev formalizou o conceito em 2026 ao orientar como tornar sites agent-friendly, com foco em DOM, screenshot e accessibility tree.
Analogia: É deixar a loja com placas grandes, corredores largos e etiquetas legíveis para que o robô-comprador entre, encontre e saia sem precisar perguntar ao vendedor humano.
Também chamado de: comércio agêntico, agentic shopping
Comércio em que agentes de IA ajudam na pesquisa ou executam etapas de compra autorizadas pelo cliente.
Agentic Commerce, ou comércio agêntico, envolve agentes de IA em etapas como pesquisa, comparação e preparação de pedidos. Concluir uma compra exige permissões, condições comerciais e integrações próprias. A informação do catálogo precisa estar atualizada, e uma recomendação não equivale a autorização para cobrar ou contratar.
Analogia: É o cliente que manda o assistente pessoal comprar o presente. Se sua loja não tem etiqueta de preço legível, o assistente passa direto.
Também chamado de: agente de IA, agente autônomo, autonomous agent
Sistema de IA capaz de planejar, executar ferramentas externas e iterar até completar uma tarefa, sem supervisão passo a passo.
AI Agent (agente de IA) é um LLM acoplado a ferramentas (busca, código, APIs, navegador, memória) e a um loop de planejamento que decide sozinho quais passos executar para cumprir um objetivo dado. Em vez de responder uma pergunta isolada, o agente faz pesquisas, compara fornecedores, preenche formulários, agenda reuniões. É a base do B2A e do Agentic Commerce.
Analogia: É a diferença entre um consultor que responde dúvidas pontuais e um assistente que recebe a meta e volta com a tarefa concluída.
Também chamado de: AI bot, GPTBot, ClaudeBot, crawler de IA
Robô de coleta de conteúdo cuja finalidade pode ser busca ou treinamento, conforme o agente identificado.
Robôs de IA têm finalidades distintas. OAI-SearchBot atende a busca do ChatGPT; GPTBot coleta conteúdo que pode ser usado em treinamento, com controles independentes. Google-Extended é um token de controle de determinados usos do conteúdo, sem User-Agent próprio, e não controla a Pesquisa Google. Defina regras por finalidade; llms.txt não substitui robots.txt.
Analogia: É identificar a finalidade de cada visitante antes de definir a regra de entrada.
Também chamado de: Google AI Mode, modo IA, AI mode search
Modo conversacional da Pesquisa Google: a busca vira uma resposta gerada por IA, com perguntas de seguimento e links para as fontes.
AI Mode é a evolução do AI Overview no Google em 2026: ao invés de uma caixinha generativa no topo dos resultados orgânicos, a busca inteira vira uma experiência conversacional com follow-ups, comparações e síntese de fontes. No Google I/O 2026 a empresa confirmou que o AI Mode ultrapassou 1 bilhão de usuários ativos mensais globais, que as consultas dobram a cada trimestre e que a query média tem três vezes o tamanho de uma busca tradicional. Foi a primeira mudança na barra de busca em 25 anos.
Analogia: É a diferença entre entrar numa loja e olhar a prateleira (SERP) ou perguntar para o vendedor especialista que já traz o produto certo na mão (AI Mode).
Também chamado de: AI Overviews, SGE
Resumo gerado por IA que a Pesquisa Google mostra acima dos resultados em parte das buscas, com links para as fontes usadas.
AI Overview é o recurso do Google Search que mostra uma resposta gerada por IA antes dos resultados tradicionais. Quando sua resposta aparece ali, você pode perder o clique (o usuário lê e vai embora) — mas ganhar autoridade. É uma das principais causas do fenômeno zero-clique.
Analogia: É como o garçom responder 'tem massa com molho de tomate, quer pedir?' antes de você ler o cardápio todo.
Também chamado de: autoridade algorítmica
Capacidade de uma entidade (pessoa, empresa, produto ou conceito) ser reconhecida, verificada e citada de forma consistente por modelos de linguagem.
Algorithmic Authority descreve o quanto um modelo de linguagem reconhece uma entidade, confere os fatos sobre ela e a cita do mesmo jeito em respostas diferentes. O conceito foi formalizado por Alexandre Caramaschi no paper Algorithmic Authority, publicado na SSRN em 20/04/2026 (DOI 10.2139/ssrn.6460680). GEO é o trabalho; Algorithmic Authority é o estado que esse trabalho tenta construir e que a medição observa.
Analogia: É a reputação de um especialista entre jornalistas: quem é lembrado, conferido e citado sem precisar se apresentar de novo.
Também chamado de: AI hallucination, hallucination
Informação falsa que o modelo de IA apresenta com a mesma segurança de um fato, inclusive sobre marcas e pessoas.
Alucinação é o nome técnico para quando um LLM gera informação falsa com aparência de verdade. Pode citar sua marca em contexto errado, atribuir produtos que você não tem ou confundir sua identidade com a de outra empresa. GEO reduz alucinação sobre sua marca ao fornecer dados canônicos estruturados.
Também chamado de: cápsula de resposta, answer capsules, resposta extraível
Parágrafo que responde diretamente à pergunta da seção e preserva as condições necessárias para entender a resposta.
Cápsula de resposta é uma escolha editorial: abrir a seção com uma resposta compreensível, incluindo sujeito e condições relevantes. Não existe tamanho universal obrigatório ou garantia de preferência por motores de IA. A concisão deve preservar o sentido; detalhes e evidências são desenvolvidos na continuação.
Analogia: É a manchete que já entrega a notícia: quem lê (ou a IA que cita) entende a resposta sem precisar abrir o corpo da matéria.
Também chamado de: Agentic Search Optimization, otimizacao para agentes, otimização para agentes
Agentic Search Optimization: camada acima de GEO que prepara a marca para agentes de IA que executam ações, não só recomendam.
ASO (Agentic Search Optimization) é a disciplina, consolidada em 2026, de preparar marca, site e dados para serem consumidos por agentes autônomos de IA que executam tarefas no lugar do usuário: comparam, decidem, preenchem formulários e compram. Diferente de GEO, em que a unidade é a citação na resposta, em ASO a unidade é o conjunto de consideração do agente e a ação tomada. Exige legibilidade de máquina, consistência cross-source, dados comerciais em texto puro estruturado e endpoints declarativos (schema.org rico, MCP, llms.txt como insurance).
Analogia: Se GEO é estar no cardápio do garçom, ASO é estar no aplicativo que o assistente pessoal usa para fechar o pedido sozinho.
Autoridade tópica generativa
§ linkTambém chamado de: topical authority generativa, generative topical authority
Reputação algorítmica que LLMs atribuem a uma marca como referência confiável sobre um tema específico.
Autoridade tópica generativa é o sinal acumulado que faz com que motores como ChatGPT, Claude e Gemini escolham uma marca como fonte preferencial em respostas sobre determinado assunto. É construída por cobertura editorial profunda do tema, citações cruzadas em mídias confiáveis, consistência de identidade e recência de publicação. Diferente da autoridade SEO (medida por backlinks), aqui o critério é semântico: a IA aprendeu que aquela marca é referência naquele subnicho.
Analogia: É a reputação do especialista do bairro: quando alguém pergunta 'quem entende disso aqui?', todo mundo aponta a mesma pessoa.
Também chamado de: Business-to-Agent
Business-to-Agent: interação de empresas com agentes que ajudam clientes a pesquisar ou executar tarefas autorizadas.
B2A (Business-to-Agent) descreve a interação de empresas com agentes de IA que podem pesquisar, comparar ofertas ou executar ações autorizadas. Consultar um catálogo, recomendar um produto e efetuar um pagamento são etapas distintas. A execução depende das permissões, integrações e confirmações previstas no serviço.
Analogia: É como um assistente que compara propostas para o comprador, respeitando os limites do que recebeu autorização para fazer.
Também chamado de: entidade de marca, brand as entity, marca como entidade
Sua marca representada como entidade canônica e única no grafo de conhecimento usado por buscadores e LLMs.
Brand Entity (entidade de marca) é a representação da sua empresa como nó canônico em grafos de conhecimento como o Google Knowledge Graph e os índices internos de LLMs. Uma entidade bem definida tem identificadores estáveis (sameAs apontando para LinkedIn, Wikidata, Crunchbase), tipo claro (Organization, LocalBusiness) e atributos consistentes. Marcas com entidade fraca viram alvo fácil de alucinação e confusão com concorrentes de nome parecido.
Analogia: É o RG da sua marca no mundo digital: sem ele, a IA pode te confundir com um xará que vende outra coisa.
Também chamado de: brand search, SERP de marca
Página de resultados que aparece quando alguém pesquisa o nome exato da sua marca: o reflexo público da sua identidade.
Brand SERP é o conjunto de resultados que o Google mostra quando o usuário digita o nome da sua marca: site oficial, Knowledge Panel, sitelinks, perfis sociais, notícias, AI Overview sobre a empresa. É o cartão de visitas digital e o sinal mais forte que LLMs consomem na hora de descrever sua empresa. Brand SERP fraca vira descrição genérica e suscetível a alucinação.
Analogia: É o que aparece quando alguém Googla seu nome: a primeira impressão pública, agora também consumida em massa pelas IAs.
Camada generativa da busca
§ linkTambém chamado de: generative layer, camada GEO
A parte da experiência de busca em que a resposta é produzida por IA generativa, acima ou no lugar dos resultados clássicos.
A camada generativa da busca é uma das três camadas que convivem em 2026: SEO clássico (lista de links), AEO (resposta direta extraída) e GEO (síntese gerada por IA). Engloba AI Overviews, AI Mode, respostas de Perplexity e summaries de ChatGPT. Entender que existe uma camada inteira nova ajuda a planejar conteúdo que sirva às três simultaneamente, em vez de apenas otimizar para SERP tradicional.
Analogia: É como uma loja com três entradas: porta da rua (SEO), balcão de atendimento rápido (AEO) e consultor de vendas que monta o pacote pronto para você (camada generativa).
Também chamado de: segmentação, document chunking, text chunking
Quebrar documentos longos em pedaços menores para que caibam em embeddings e em prompts de LLM.
Chunking é a técnica de segmentar textos longos em blocos coerentes (parágrafos, seções, janelas deslizantes) antes de transformá-los em embeddings. O tamanho e a sobreposição dos chunks definem a granularidade do que a IA consegue recuperar. Chunks grandes preservam contexto, chunks pequenos aumentam precisão. Google alerta que chunking artificial só para ranquear não é sustentável: o conteúdo precisa fazer sentido para humanos primeiro.
Analogia: É picar a entrevista de duas horas em clipes de cinco minutos para o documentarista achar a fala certa rapidinho.
O quanto sua marca está 'pronta para ser citada' por uma IA na resposta.
Citabilidade descreve a possibilidade de um conteúdo servir como referência numa resposta de IA. Pode orientar a revisão de clareza, utilidade e evidências, mas não corresponde a uma probabilidade universal calculável por checklist. A citação efetiva precisa ser observada numa amostra documentada de perguntas e respostas.
Também chamado de: algorithmic citability, citabilidade algorítmica, AI citability
Propensão algorítmica de uma página ser citada em respostas geradas por IA, mensurável via Citation Rate.
Citability (algorithmic citability) é a propensão de uma página ser citada nominalmente em respostas geradas por LLMs como ChatGPT, Gemini, Claude e Perplexity. É mensurada via Citation Rate em painéis dedicados (25 a 100 prompts representativos rodados em ciclo). Termo cunhado por Alexandre Caramaschi no paper de SSRN sobre Algorithmic Authority (DOI 10.2139/ssrn.6460680), em que aparece como variável dependente da Authority Algorítmica, construída por consistência de entidade, autoridade tópica e recência editorial.
Analogia: É como medir a probabilidade do seu nome ser lembrado pelo apresentador quando ele lista as referências do segmento, e não só a chance de você estar na lista telefônica.
Também chamado de: AI citation, citação em LLM
Referência a uma fonte numa resposta de IA, registrada separadamente da simples menção à marca.
Na medição de respostas de IA, citação é uma referência a uma fonte, que deve ser registrada com a URL quando disponível. Menção é a presença do nome da marca no texto. Uma resposta pode citar o site sem nomear a marca, ou mencionar a marca sem citar o site. Declare essa distinção no relatório.
Analogia: É a referência usada para sustentar uma afirmação, como a fonte ao final de uma matéria.
Também chamado de: taxa de citação, AI citation rate, LLM citation rate
Taxa de citação: parcela de respostas válidas da amostra que citam a fonte acompanhada.
Citation Rate divide as respostas válidas que citam a fonte acompanhada pelo total de respostas válidas da amostra. Registre perguntas, plataformas, modo de busca, período e tratamento das falhas. Conte a menção ao nome da marca separadamente. Essa taxa descreve a coleta realizada e não estima automaticamente o comportamento de todos os usuários.
Analogia: É contar quantos textos de uma coleção usam determinada fonte como referência, sem confundir isso com citar seu nome na conversa.
Coerência factual cross-source
§ linkTambém chamado de: cross-source consistency, consistência cross-source
Fatos sobre sua marca compatíveis entre si em todas as fontes públicas: o texto pode variar, os dados não podem se contradizer.
Coerência factual cross-source é a compatibilidade dos fatos sobre uma entidade nas fontes que buscadores e LLMs consultam: site oficial, LinkedIn, Google Business, Crunchbase, imprensa e diretórios setoriais. Os textos não precisam ser idênticos; o que importa é que razão social, data de fundação, número de funcionários, especialidade, preços e telefone não se contradigam sem explicação. Contradições entre fontes aumentam o risco de a IA inventar ou escolher o dado errado (hallucination) e rebaixam o Entity Consistency Score.
Analogia: É como garantir que seu endereço no cartão de visita, no Waze e no site são exatamente os mesmos. A IA, como o GPS, fica confusa quando os dados divergem.
Também chamado de: Constituição da IA
Método da Anthropic para treinar IA com princípios éticos explícitos em vez de só feedback humano.
Constitutional AI é a abordagem da Anthropic em que o modelo é treinado com um conjunto de princípios (a 'constituição') que guia seu comportamento. Em vez de depender exclusivamente de avaliadores humanos para cada resposta, o modelo aprende a auto-avaliar se está sendo honesto, seguro e útil. É a base do design do Claude.
Analogia: É como um estagiário que não só aprende fazendo — ele recebe um manual de valores e aprende a checar o próprio trabalho contra esses valores.
Também chamado de: Content Signals, Content Signals Policy
Diretiva no robots.txt que declara, por bot, se o conteúdo pode ser usado para busca, como input de IA e para treinamento de modelos.
Content-Signal é uma extensão do robots.txt (proposta em 2025, adotada pela Cloudflare e por publishers) que permite ao site declarar, de forma granular e por User-Agent, três permissões independentes: search (aparecer em busca), ai-input (ser usado como contexto em respostas de IA) e ai-train (ser usado para treinar modelos). Diferente do bloqueio binário do robots.txt clássico, o Content-Signal expressa intenção de uso — por exemplo, permitir citação em respostas mas negar treinamento. É um sinal de governança de IA, não uma garantia técnica de cumprimento.
Analogia: É a placa na porta que diz não só 'entre' ou 'não entre', mas 'pode olhar, pode citar, mas não pode copiar pro seu caderno'.
Também chamado de: janela de contexto, context length, token window
Quantidade máxima de texto que um LLM consegue ler de uma vez em uma única interação.
Context Window (janela de contexto) é o limite de tokens que um modelo aceita ler em uma chamada: prompt, histórico, documentos anexos e a resposta cabem dentro dessa janela. Em 2026 as janelas variam de 32 mil tokens (modelos enxutos) até 1 milhão ou mais (Claude Opus, Gemini). Janelas grandes mudam o jogo do RAG: dá para passar contratos inteiros, bases de FAQ extensas e relatórios completos sem fragmentar.
Analogia: É o tamanho da mesa de trabalho do modelo. Mesa grande cabem dossiês inteiros abertos; mesa pequena força resumos e idas e vindas.
Também chamado de: orçamento de crawl, crawling budget
Orçamento de páginas que um crawler decide rastrear por visita ao seu site, função de autoridade e saúde técnica.
Crawl budget é o limite implícito de quantas URLs um buscador ou crawler de IA aceita rastrear no seu site numa janela de tempo. Sites grandes com muitas páginas órfãs, lentas ou duplicadas gastam o orçamento em URLs sem valor e deixam o conteúdo importante invisível. Limpeza de sitemap, canonical tags e arquitetura interna definem se o crawler chega ao que importa.
Analogia: É como um inspetor com cinco horas no seu prédio: se metade do tempo sobe e desce em andares vazios, os apartamentos bons ficam sem visita.
Também chamado de: Click-Through Rate
Click-through rate: quantos por cento de quem viu seu link clicou.
CTR (Click-Through Rate) é a porcentagem de pessoas que clicam no seu resultado de busca depois de vê-lo. Na era pré-IA era a principal métrica. Com AI Overviews e zero-clique, o CTR cai sem necessariamente refletir queda de valor — por isso share of voice generativo passa a ser mais relevante.
Também chamado de: E-E-A-T, EAT
Experiência, especialização, autoridade e confiança: aspectos usados na avaliação de qualidade do Google.
E-E-A-T reúne experiência, especialização, autoridade e confiança nas orientações de qualidade do Google. Serve como referência para apresentar autoria, evidências e informações confiáveis. Não é uma nota pública do site nem um fator único de ranking, e não descreve uma fórmula universal de seleção de fontes por IAs.
A forma como a IA transforma palavras em números para encontrar similaridades.
Embedding é a representação numérica (vetor) de uma palavra, frase ou documento usada internamente pelos LLMs. Textos semelhantes têm embeddings próximos. Por isso importa escrever com consistência — a IA agrupa seus conteúdos pelo significado, não pelas palavras exatas.
Também chamado de: entity disambiguation, clareza de entidade, entity definition
Clareza com que sua marca é representada no Knowledge Graph, em Wikidata e em llms.txt para evitar confusão e alucinação.
Entity Clarity é o grau de inequivocidade com que uma entidade (marca, pessoa, produto, serviço) é representada nas fontes que LLMs consultam: Knowledge Graph do Google, Wikidata, Crunchbase, LinkedIn, llms.txt e ai-policy.txt. É componente direto do Entity Consistency Score (ECS): quanto maior a clareza, menor o risco de drift de limite de entidade, menor a chance de alucinação e mais alta a citabilidade. Entity Clarity baixa abre espaço para a IA confundir sua empresa com xarás ou atribuir produtos que você não tem.
Analogia: É como ter uma única foto nítida no crachá em vez de cinco fotos borradas espalhadas por diretórios diferentes.
Entity Consistency Score
§ linkTambém chamado de: ECS, consistência de entidade
Indicador interno de concordância dos fatos da marca nas fontes selecionadas para uma auditoria.
Entity Consistency Score (ECS) é um indicador interno para registrar concordâncias e divergências entre fatos da marca e fontes selecionadas. A auditoria deve declarar amostra, fórmula e tratamento de informações ausentes. ECS não é uma nota utilizada por ChatGPT ou Google, e sua melhora não demonstra aumento de confiança ou citações nesses sistemas.
Analogia: É uma conferência de cadastros: mostra quais campos combinam e quais precisam de correção.
Também chamado de: FAQ schema, schema FAQ, FAQPage markup
Marcação schema.org que sinaliza um bloco de perguntas e respostas pronto para extração por buscadores e LLMs.
FAQPage schema é o tipo de structured data que descreve listas de perguntas frequentes em JSON-LD. Cada pergunta vira um objeto Question com sua acceptedAnswer. Foi o formato preferido para featured snippets de PAA por anos e segue sendo o atalho mais direto para AEO: respostas curtas e bem rotuladas que motores generativos extraem com facilidade.
Analogia: É colar legendas claras embaixo de cada item do cardápio para que o garçom (e a IA) saiba descrever sem hesitar.
A 'resposta destacada' em caixa no topo dos resultados do Google.
Featured snippet é o bloco em destaque que o Google mostra no topo com uma resposta extraída diretamente de uma página. Predecessor do AI Overview. Páginas estruturadas com FAQ schema e definições claras são as que mais aparecem em featured snippets — e agora também alimentam AI Overviews.
Também chamado de: ajuste fino, finetuning, model fine-tuning
Treinar mais um LLM em cima de dados próprios para que ele responda no seu domínio com vocabulário e regras da sua empresa.
Fine-tuning é o processo de pegar um LLM já pronto (GPT-5.6, Claude, Gemini, Llama) e treiná-lo mais um pouco em um conjunto de dados específico, como tickets de suporte, contratos jurídicos ou laudos médicos. O modelo aprende a responder no tom, no vocabulário e nas convenções do seu negócio. É diferente de RAG: ali a IA consulta documentos em tempo real, aqui ela incorpora o conhecimento nos pesos.
Analogia: É como pegar um estagiário recém-formado e dar a ele três meses de imersão na sua empresa, lendo todos os manuais internos até pensar como a casa.
Também chamado de: sinais de frescor, freshness markers, recency signals
Sinais de atualidade que LLMs usam para calibrar confiança em fontes: dateModified, lastReviewed, sitemap lastmod e log de correções.
Freshness signals são o conjunto de marcas técnicas e editoriais que indicam a LLMs e buscadores que uma página está viva e atualizada: dateModified em Schema.org, lastReviewed em Article, sitemap lastmod calibrado, política de correção pública com log de mudanças, IndexNow disparado a cada update relevante. Em 2026 viraram critério explícito de retrievability: motores generativos privilegiam fontes recentes para temas voláteis (legislação, métricas de mercado, tecnologia) e penalizam datas implícitas ou ausentes.
Analogia: É a diferença entre o jornal do dia na bancada e o jornal de dois anos atrás amarelando ao sol. O leitor e a IA pegam o mais recente.
Também chamado de: chamada de função, tool calling, tool use
Mecanismo em que o LLM devolve um JSON estruturado indicando qual função executar — e o sistema executa de verdade.
Function calling é o mecanismo pelo qual um LLM, em vez de responder texto livre, devolve um JSON estruturado dizendo qual função o sistema deve executar e com quais parâmetros — consultar o CRM, calcular frete, agendar reunião. O modelo decide o quê; o software executa o como. É o alicerce técnico dos agentes de IA e do MCP: sem function calling não existe agente que aja no mundo real. Para a marca, cada API bem documentada é uma função que agentes de terceiros podem passar a chamar.
Analogia: O maître não cozinha: anota o pedido numa comanda padronizada e a cozinha executa. O LLM é o maître; o JSON é a comanda.
Também chamado de: AI answer box, generative answer, caixa de resposta IA
Bloco de resposta gerada por IA que aparece no topo da SERP, sintetizando múltiplas fontes em texto único.
Generative Answer Box é o nome genérico para o bloco de resposta sintetizada em buscadores e answer engines: AI Overview no Google, Quick Answer no Perplexity, sumário em Bing Copilot. Concentra a atenção do usuário no topo da página e tipicamente reduz CTR dos links abaixo. Ser citado ali é o prêmio operacional do GEO em 2026.
Analogia: É a manchete da capa do jornal: quem aparece nela ganha leitura, quem ficou na página dezessete fica invisível mesmo tendo conteúdo bom.
Também chamado de: Generative Engine Optimization
Generative Engine Optimization: melhorar e medir a presença de informações em respostas de IA.
GEO (Generative Engine Optimization) reúne práticas de conteúdo, acesso técnico e medição da presença em respostas de IA. Complementa o SEO e acompanha perguntas, menções, citações e a precisão das informações. A seleção de fontes depende de cada plataforma e consulta; a implementação não garante citações.
Analogia: É organizar uma biblioteca e observar quais livros são consultados: melhorar o acervo ajuda o leitor, mas não determina sua escolha.
Também chamado de: knowledge graph
A rede mental que a IA constrói ligando pessoas, empresas, fatos e temas.
Grafo de conhecimento (knowledge graph) é a estrutura em que IAs e buscadores conectam entidades (pessoas, empresas, lugares, eventos, conceitos) através de relações. Ser uma entidade bem definida no grafo de conhecimento garante que a IA te associe corretamente ao seu tema.
Analogia: Imagine um mapa gigante onde cada nome é uma cidade e cada linha é uma estrada. Se sua marca não tem cidade ou tem estradas erradas, a IA se perde.
Também chamado de: aterramento, resposta aterrada, grounded generation
Ancorar a resposta da IA em fontes verificáveis, para que cada afirmação tenha lastro em documento real e citável.
Grounding é a prática de amarrar cada afirmação gerada por um LLM a uma fonte verificável — documento recuperado via RAG, resultado de busca, base de conhecimento interna — em vez de deixar o modelo responder só com o que memorizou no treino. Resposta aterrada vem com citação e reduz drasticamente a alucinação. Para o GEO, grounding é a porta de entrada da citação algorítmica: quando o motor precisa de lastro, ele cita a fonte — e sua marca quer ser essa fonte.
Analogia: É o jornalista que só publica com a fonte checada e nomeada, em vez de escrever de memória.
Também chamado de: alucinação de IA, AI hallucination
Quando a IA gera informação falsa com tom confiante — risco direto para marcas com dados incompletos.
Hallucination (alucinação de IA) ocorre quando um LLM produz informação incorreta apresentada com a mesma fluência e confiança de informação verdadeira. Para marcas, o risco é concreto: a IA pode citar seu produto com especificação errada, atribuir declarações que você nunca fez ou confundir sua empresa com um concorrente. GEO reduz hallucination ao fornecer fontes canônicas inequívocas.
Analogia: É o garçom que anota o pedido errado mas traz o prato com tanta segurança que você só percebe ao morder.
Protocolo que notifica buscadores participantes sobre URLs criadas, alteradas ou removidas.
IndexNow permite notificar buscadores participantes quando uma URL é criada, alterada ou removida. O envio sinaliza a mudança, mas cada buscador decide quando rastrear e se vai indexar a página. Notificação aceita não comprova indexação nem citação em IA.
Também chamado de: ganho de informação
O quanto de informação ORIGINAL uma página adiciona ao que já existe na web — dados próprios, pesquisas, benchmarks, não paráfrase do consenso.
Information Gain (ganho de informação) mede o incremento de informação original que uma página agrega ao corpus já existente: percentual de dados proprietários, mini-pesquisas, benchmarks internos, entrevistas exclusivas e frameworks próprios, em oposição a repetir o que todo mundo já diz. O conceito foi operacionalizado pelo Google a partir da patente US10776471B2 ("Contextual Estimation of Link Information Gain") e ganhou peso nos Core Updates de 2026. Conteúdo com alto information gain é mais difícil de ser substituído e mais provável de ser citado como fonte.
Analogia: Se dez pessoas contam a mesma história, ninguém precisa da décima primeira. Information gain é trazer o detalhe que ninguém mais tem.
Também chamado de: JSON for Linked Data
Formato JSON para representar dados conectados, usado também em marcações Schema.org.
JSON-LD (JSON for Linked Data) é um formato de representação de dados conectados. Em páginas web, pode carregar marcações Schema.org num bloco próprio. A validação verifica a estrutura e as regras aplicáveis; o responsável ainda precisa conferir se os dados correspondem ao conteúdo público.
Também chamado de: data de corte, training cutoff, corte de conhecimento
Data-limite do treinamento de um LLM: nada publicado depois dela existe para o modelo, a menos que ele busque em tempo real.
Knowledge cutoff é a data-limite dos dados usados no treinamento de um modelo: tudo que foi publicado depois simplesmente não existe para o LLM, a menos que ele consulte a web via RAG ou browsing. Por isso a estratégia GEO tem duas pernas: entrar no corpus do próximo ciclo de treino (presença consolidada e consistente nas fontes que os modelos consomem) e permanecer recuperável em tempo real (retrievability) para os motores que buscam além do cutoff.
Analogia: É o profissional que voltou de um ano sabático sem internet: tudo que aconteceu depois da viagem, ele só descobre se alguém contar — ou se ele pesquisar agora.
Também chamado de: grafo de conhecimento, knowledge panel
Base de dados estruturada que buscadores e LLMs usam para mapear relações entre entidades do mundo real.
Knowledge Graph (grafo de conhecimento) é a estrutura de dados que conecta entidades — pessoas, empresas, lugares, conceitos — por meio de relações semânticas. O Knowledge Graph do Google alimenta o painel lateral de busca e influencia diretamente o que LLMs sabem sobre sua marca. Estar bem representado nele reduz alucinações e aumenta citabilidade.
Analogia: É o mapa rodoviário que a IA usa para navegar: se sua empresa não tem 'estrada' ligada ao seu setor no mapa, a IA não chega até você.
Também chamado de: Large Language Model, Modelo de Linguagem
Large Language Model: a 'máquina' por trás do ChatGPT, Gemini e Claude.
LLM (Large Language Model) é um tipo de inteligência artificial treinado em bilhões de textos que consegue responder perguntas, escrever, resumir e conversar. ChatGPT, Claude, Gemini, Copilot e Perplexity são todos produtos construídos sobre LLMs. Entender LLM é entender o motor que move a IA conversacional.
Analogia: Pense num LLM como um aluno que leu toda a biblioteca do mundo. Ele aprendeu padrões, não fatos — por isso ele às vezes 'inventa' (o que chamam de alucinação).
Índice opcional em Markdown com contexto e links para agentes que o utilizam.
llms.txt é uma proposta de índice em Markdown com contexto e links úteis para agentes. Pode ser publicado na raiz ou num subdiretório conforme a proposta v2. Não substitui robots.txt nem controla permissões de acesso. O Google informa que não o usa para visibilidade ou ranking; publicar o arquivo não garante uso ou citação.
Analogia: É um índice de biblioteca disponível para quem escolher consultá-lo, sem obrigar sua leitura.
Também chamado de: Prompt-Mestre 2026, GEO Master Prompt, Brasil GEO Master Prompt
Framework executável que consolida SEO + GEO + AEO + B2A + LLM Crawler Access em 5 ondas sobre 38+ camadas e 570+ itens.
Master Prompt 2026 é o framework executável usado pela Brasil GEO para auditoria e otimização de portais editoriais e mídia especializada. Coloca a IA agente na persona de Head de SEO/GEO sênior somada a auditor C-level e roda 5 ondas sequenciais (Fundação Técnica, Disambiguação de Entidade, Arquitetura Semântica, Conteúdo Citável, Consenso Multicanal) sobre um stack proprietário de 38+ camadas e 570+ critérios verificáveis. Cada onda entrega diagnóstico, auditoria, otimização, outputs estruturados, métricas e gate de saída. Tempo de execução estimado de 6 a 12 horas-IA.
Analogia: É o checklist de comissário de bordo, só que para o portal inteiro: a IA não decola para a próxima onda sem todos os itens verdes da anterior.
Também chamado de: Model Context Protocol
Model Context Protocol: padrão aberto da Anthropic para conectar IA a sistemas externos de dados e ferramentas.
MCP (Model Context Protocol) é o protocolo criado pela Anthropic que padroniza como modelos de linguagem se conectam a fontes externas — bancos de dados, APIs, arquivos, buscadores. Com MCP, um agente de IA pode consultar o CRM da empresa, acessar documentos do Drive ou disparar ações em sistemas legados sem código custom para cada integração.
Analogia: É como um conector USB universal para IA: em vez de um cabo diferente para cada dispositivo, um único padrão conecta tudo.
Motor generativo de busca
§ linkTambém chamado de: generative search engine, buscador generativo
Sistema que sintetiza uma resposta em linguagem natural a partir de várias fontes, em vez de apenas listar links.
Motor generativo de busca é o sistema que combina recuperação de documentos (busca) com geração de texto via LLM para entregar uma resposta sintetizada, com citações, sugestões de follow-up e às vezes elementos multimodais. Google AI Mode, Perplexity, You.com e ChatGPT com browsing operam nesse modo. Para a marca, deixa de ser uma corrida por posição e vira uma disputa por ser fonte selecionada na síntese.
Analogia: Em vez de te entregar a estante inteira de livros sobre o assunto, o motor generativo lê os livros, junta tudo e te conta a história pronta.
Também chamado de: multimodalidade, multimodal AI, modelo multimodal
Modelo de IA que processa texto, imagem, áudio e vídeo no mesmo fluxo, sem precisar de tradução intermediária.
Multimodal descreve LLMs que aceitam e produzem mais de um tipo de entrada: texto, imagem, áudio, vídeo, código. GPT-5.6, Gemini, Claude e Llama virais já são multimodais nativos em 2026. Para a marca, isso significa que a IA pode ler o screenshot do seu produto, ouvir o jingle do anúncio e ver o vídeo do depoimento como contexto para responder. Estrategia GEO precisa cobrir todos os formatos, não só texto.
Analogia: É um colaborador que lê, escuta e olha ao mesmo tempo, em vez de um que só processa texto puro.
A pergunta ou comando que você digita numa IA.
Prompt é a instrução em linguagem natural que você fornece a um LLM (ChatGPT, Claude, Gemini) para receber uma resposta. Prompts bem escritos rendem respostas melhores — e sua marca quer estar estruturada para ser a resposta certa aos prompts dos seus clientes.
Também chamado de: engenharia de prompt, prompt design
Disciplina de escrever instruções para LLMs de forma que a resposta seja confiável, no formato e no tom certos.
Prompt Engineering é o conjunto de técnicas para extrair o melhor de um LLM via instrução textual: papel do sistema, exemplos few-shot, cadeia de raciocínio, separação clara entre instrução e dado, restrições de formato, critérios de validação. Em 2026 virou competência básica de produto e marketing, não só de engenharia. Prompts ruins geram respostas vagas e caras; prompts bem desenhados encurtam ciclos e melhoram qualidade.
Analogia: É a diferença entre pedir para o estagiário 'faz um relatório' e dar um briefing com objetivo, público, formato e exemplo de saída esperada.
Também chamado de: injeção de prompt, injeção de instruções
Ataque em que instruções maliciosas escondidas em conteúdo externo sequestram o comportamento do sistema de IA.
Prompt injection é o ataque em que um texto malicioso — escondido numa página web, num e-mail, num documento anexado — contém instruções que o LLM lê e obedece como se viessem do operador legítimo, sobrescrevendo as regras do sistema. É o risco número um da era dos agentes que navegam e leem conteúdo de terceiros: um site hostil pode tentar instruir o agente a vazar dados ou recomendar o concorrente. As defesas passam por separação estrita entre instrução e dado, sanitização de conteúdo externo e permissão mínima por ferramenta.
Analogia: É o bilhete falso no meio da papelada: o estagiário obediente lê 'transfira o pagamento para esta conta', acha que a ordem veio do chefe e cumpre.
Também chamado de: query fanout, fan-out de consulta, query expansion
Técnica em que o motor generativo gera várias subperguntas a partir da pergunta original e busca cada uma separadamente.
Query fan-out é o mecanismo pelo qual o Google AI Mode e outros motores generativos quebram uma pergunta complexa em múltiplas subqueries, fazem buscas paralelas e depois sintetizam a resposta combinada. Estudos longitudinais (ALM Corp, 173 mil URLs) mostram que o overlap entre top-10 orgânico clássico e fontes citadas em respostas generativas caiu de 76% em meados de 2025 para faixas de 17% a 38% em janeiro de 2026, justamente por causa do fan-out. Para a marca, cobrir bem cauda longa e subtemas relacionados passou a render mais aparições do que só ranquear a query principal.
Analogia: É o garçom que ouve 'quero um almoço leve' e separa internamente em 'qual prato leve, qual bebida leve, qual sobremesa leve' antes de montar a recomendação.
Também chamado de: Retrieval-Augmented Generation
Retrieval-Augmented Generation: a IA busca fontes antes de responder.
RAG (Retrieval-Augmented Generation) é o mecanismo pelo qual a IA consulta fontes externas em tempo real antes de gerar a resposta. Perplexity e ChatGPT com browsing usam RAG. Isso significa: se seu site tem conteúdo atualizado, estruturado e acessível, você pode aparecer como fonte citada.
Também chamado de: synthetic RAG, retrieval-based synthesis, RAG generativo
Síntese baseada em recuperação que combina ranking core do Google com índice de busca via query fan-out.
RAG sintético é o nome operacional do mecanismo que sustenta as superfícies generativas do Google (AI Overviews e AI Mode): em vez de simplesmente listar links, o sistema recupera múltiplos documentos do índice de busca via query fan-out e os entrega a um LLM que sintetiza uma resposta única com citações. O ranking core do Google continua decidindo quais documentos entram no contexto, ou seja, a base SEO segue valendo, mas o ponto de chegada deixou de ser o clique e passou a ser ser fonte selecionada na síntese.
Analogia: É o editor que pede para o pesquisador trazer dez recortes de jornal sobre o assunto e depois escreve a matéria final juntando as melhores partes de cada um.
Também chamado de: freshness editorial, frescor de conteúdo
Frescor do conteúdo publicado — LLMs privilegiam marcas que demonstram atualização contínua.
Recência editorial é o sinal de que uma marca publica, atualiza e expande conteúdo de forma contínua. LLMs com janelas de treino recentes e sistemas RAG em tempo real (Perplexity, ChatGPT com browsing) favorecem fontes ativas. Publicar artigos, cases e dados com data explícita e atualizar pages antigas são ações de recência que aumentam citabilidade.
Analogia: É a diferença entre um jornal do dia e um jornal de dois anos atrás na bancada. O leitor — e a IA — pega o mais recente.
Também chamado de: reordenador, cross-encoder reranker
Camada que reordena os documentos recuperados, priorizando os mais relevantes antes de passar ao LLM.
Reranker é um modelo intermediário entre o retrieval e o LLM final que pega os trinta ou cinquenta documentos brutos da busca vetorial e os reordena por relevância usando um critério mais sofisticado, normalmente um cross-encoder. Reduz alucinação porque garante que o modelo veja primeiro o que de fato responde a pergunta, e não só o que tem embedding parecido.
Analogia: É o editor que recebe os cinco livros do estagiário e ordena por utilidade real antes de entregar ao especialista que vai escrever a resposta.
Também chamado de: sem busca, memória do modelo, modo sem busca
Resposta que o modelo de IA dá só com o que aprendeu no treinamento, sem consultar a web na hora da pergunta.
Na resposta sem busca, o modelo responde com a memória do treinamento, que para na data de corte (knowledge cutoff). Por isso uma página nova não muda essa resposta até o próximo treinamento do modelo. Na resposta com busca, o assistente consulta páginas na hora e pode citá-las. Medir os dois modos em separado mostra se a marca está na memória do modelo ou só nas fontes que ele encontra quando pesquisa.
Analogia: É a diferença entre responder de cabeça numa prova e responder com o livro aberto.
Também chamado de: recuperabilidade, retrieval fitness, RAG eligibility
Elegibilidade de uma página para ser recuperada por sistemas RAG de LLMs, além do índice clássico do Google.
Retrievability é a métrica que avalia se uma página é elegível para entrar no contexto recuperado por motores generativos. Não se confunde com Indexability (estar no índice do Google): inclui também a presença em índices proprietários de Bing, OpenAI, Anthropic e Perplexity, em embeddings públicos e em bases consumidas por sistemas RAG. Páginas com retrievability alta têm HTML semântico, datas explícitas, parágrafos auto-contidos, ausência de conteúdo crítico só em JavaScript e permissões claras para AI crawlers.
Analogia: É a diferença entre o livro estar catalogado no acervo (indexable) e o bibliotecário conseguir achar o trecho certo quando o leitor pergunta (retrievable).
Também chamado de: recuperação semântica, semantic retrieval, document retrieval
Etapa de recuperação semântica em que o sistema busca os trechos mais relevantes para alimentar a resposta da IA.
Retrieval (recuperação) é a fase do pipeline RAG em que o sistema consulta o banco vetorial ou o índice de busca e seleciona os documentos mais próximos da pergunta para entregar ao LLM. A qualidade do retrieval define o teto da resposta: se o que chega ao modelo é ruim, a geração também será. Boas práticas incluem busca híbrida (vetorial + palavra-chave), filtros por metadados e rerankers.
Analogia: É o estagiário que vai até a estante e separa os cinco livros mais relevantes antes do consultor sentar para ler e responder.
Também chamado de: Schema.org, schema
Vocabulário padrão que marca o que é o quê no seu site para máquinas entenderem.
Schema.org é um vocabulário para descrever entidades e informações, como pessoa, empresa, produto e preço. Pode ser implementado em JSON-LD e deve corresponder ao conteúdo visível. Marcação válida ajuda a organizar os dados; não garante interpretação, resultado enriquecido ou citação por um assistente.
Analogia: É como etiquetar caixas: o rótulo precisa descrever o que realmente está dentro.
Também chamado de: 6D Score, auditoria 6 dimensões
Diagnóstico interno em seis dimensões para organizar evidências e prioridades de correção.
Score 6D organiza uma auditoria em identidade, conteúdo, acesso técnico, referências externas, consistência e presença observada. Cada avaliação precisa ter critério e evidência registrados. A nota ajuda a priorizar trabalho; não é um indicador fornecido pelos modelos nem uma previsão de citação. Arquivos opcionais, como llms.txt, não são requisitos universais.
Analogia: É um quadro de inspeção por área, que mostra o que foi observado e qual correção tem responsável.
Também chamado de: Search Engine Optimization
Search Engine Optimization: práticas para facilitar descoberta e compreensão de páginas em buscadores.
SEO (Search Engine Optimization) reúne práticas para facilitar rastreamento, indexação e compreensão das páginas pelos buscadores. Inclui conteúdo útil, links e funcionamento técnico. Esses fundamentos continuam relevantes para os recursos de IA da Pesquisa Google, sem garantia de posição ou exibição.
Analogia: É manter a vitrine identificada e a entrada acessível, para que quem procura encontre e compreenda a oferta.
Sua fatia da conversa: em quantas respostas da IA sua marca aparece.
Share of voice em IA compara a presença da marca com concorrentes numa amostra definida. Declare se conta respostas, menções ou citações e mantenha o mesmo denominador nas comparações. Num exemplo hipotético, quatro respostas com a marca entre dez respostas válidas representam presença de 40%; isso não mede participação no mercado nem vendas.
Share of Voice algorítmico
§ linkTambém chamado de: SOV algorítmico, generative SOV, LLM share of voice
Participação da marca nas menções ou citações contadas numa amostra declarada de respostas.
Share of Voice algorítmico compara a presença da marca e de concorrentes em perguntas, plataformas e períodos definidos. Declare se a unidade é menção ou citação, como conta repetições e quais marcas entram no denominador. O indicador descreve essa amostra, sem representar todo o mercado nem provar efeito sobre vendas.
Analogia: Num exemplo hipotético, seis menções da marca em vinte menções das marcas acompanhadas representam participação de 30% nessa amostra.
Também chamado de: sitemap index, índice de sitemap, sitemap mestre
Arquivo XML que aponta para múltiplos sitemaps menores, organizando sites grandes em buckets temáticos.
Sitemap-index é o XML mestre que lista vários sitemaps filhos (por tema, por idioma, por tipo de conteúdo). Permite que sites com dezenas ou centenas de milhares de URLs evitem o limite de 50 mil URLs ou 50 MB por arquivo e ajuda buscadores e crawlers de IA a priorizar áreas. Pratica canônica em portais GEO da Brasil GEO: dividir em buckets temáticos com prioridade calibrada.
Analogia: É o índice geral de uma enciclopédia, que aponta para cada volume temático em vez de listar tudo numa página só.
Também chamado de: SpeakableSpecification, speakable markup
Marcação schema.org que indica quais trechos do seu conteúdo devem ser lidos em voz alta por assistentes de IA.
Speakable Schema (SpeakableSpecification) é um tipo de marcação schema.org que sinaliza para o Google Assistant e outros assistentes de voz quais seções de uma página são mais adequadas para leitura em áudio. Implementar Speakable aumenta a chance de sua marca ser mencionada em respostas faladas — o canal de zero-clique mais invisível ao analytics tradicional.
Analogia: É como sublinhar em amarelo as frases do seu artigo que você quer que o assistente de voz leia pro cliente enquanto ele dirige.
O serviço de 20 horas em 10 dias úteis que estrutura sua marca para IA.
Sprint GEO é a consultoria intensiva de Alexandre Caramaschi (CEO Brasil GEO). Em 20 horas de trabalho concentradas em 10 dias úteis, entrega: diagnóstico GEO completo, arquitetura de presença algorítmica, implementação técnica (schema, llms.txt, IndexNow), landing page piloto, kit editorial e roadmap de 90 dias.
Também chamado de: dados estruturados, rich data, marcação semântica
Dados marcados em formato padronizado (schema.org via JSON-LD) que dizem à máquina o significado de cada bloco da página.
Structured data (dados estruturados) é o conjunto de marcações em JSON-LD, Microdata ou RDFa que descreve para buscadores e LLMs o tipo de informação em cada parte da página: produto, pessoa, evento, FAQ, artigo, organização. Implementar dados estruturados é pré-requisito de GEO técnico: sem isso, sua marca aparece como texto solto e a IA precisa adivinhar tudo, com risco alto de erro.
Analogia: É a diferença entre entregar uma caixa cheia de coisas misturadas e entregar a mesma caixa com etiquetas dizendo o que é cada item.
Também chamado de: autoridade tópica, topic authority, topical depth
Reputação de cobertura completa sobre um tema, medida por amplitude e profundidade de conteúdo publicado.
Topical authority (autoridade tópica) é o conceito de que um site cobre um tema de ponta a ponta, com hub principal, artigos satélites, glossário, FAQ e cases. Buscadores e LLMs preferem citar fontes que demonstram cobertura completa, em vez de uma única página solta. Mapas de conteúdo, clusters temáticos e crosslinks internos são a maneira prática de construir autoridade tópica em 2026.
Analogia: É a diferença entre ter um livro sobre o assunto e ter a estante inteira: quem decide a citação prefere a estante.
Visitas vindas de resultados não pagos dos buscadores.
Tráfego de busca orgânica reúne visitas originadas em resultados não pagos de buscadores. Acesso direto, referências de outros sites e sessões de assistentes podem ter classificações diferentes na ferramenta de análise. Uma queda exige investigar demanda, indexação, concorrência e mudanças na busca antes de atribuí-la à IA.
Analogia: É a visita de quem encontrou a loja numa lista de opções sem clicar em anúncio.
Também chamado de: Vector DB, banco vetorial, base vetorial
Banco de dados que guarda embeddings e responde por similaridade semântica, não por consulta exata.
Vector Database (banco de dados vetorial) é a infraestrutura que armazena embeddings de textos, imagens e áudios e permite encontrar itens semelhantes em milissegundos. É a peça central de qualquer sistema RAG: quando uma IA precisa responder sobre seu setor, ela busca primeiro no banco vetorial os trechos mais próximos da pergunta. Pinecone, Weaviate, Qdrant, pgvector e Chroma são os principais nomes em 2026.
Analogia: Se um banco tradicional é a estante alfabética da biblioteca, o vetorial é o bibliotecário que entende o assunto e traz tudo que se parece com a sua pergunta.
Também chamado de: zero-click, busca zero-clique
Quando o usuário obtém a resposta sem precisar clicar em nenhum site.
Busca zero-clique é quando o usuário faz uma pergunta no Google ou numa IA, recebe a resposta na mesma tela e NÃO clica em nenhum link. Em 2026, 68% das buscas no Google terminam assim (SparkToro, jun/2026). Seu tráfego cai, mas a menção da marca continua valiosa — desde que você apareça na resposta.
Analogia: É a pessoa perguntar 'que horas são?' pro porteiro, receber a resposta e ir embora sem entrar no prédio.