ChatGPT Search e Google AI Overviews estão mudando o SEO: Habr AI lançou um guia sobre GEO

Um guia detalhado sobre GEO—otimização de conteúdo para busca em LLM—foi publicado no Habr AI. A ideia principal é simples: ChatGPT Search, Perplexity e Google AI Overviews cada vez mais respondem os usuários diretamente, então a batalha não é mais apenas por um clique nos resultados de busca, mas por inclusão na resposta do modelo.

Por que GEO surgiu

O autor cita estes marcadores de reestruturação da busca em 2024–2026:

• Blocos de IA do Google tomaram o topo da tela
• ChatGPT Search atingiu mais de 100 milhões de usuários ativos em modo busca até abril de 2026
• Perplexity atingiu 15+ milhões de consultas por dia
• Buscas zero-click atingiram 65%
• Alguns sites já estão perdendo 20–40% do tráfego orgânico

Ao mesmo tempo, um novo canal emerge—AI-referral, quando um usuário chega via um link da resposta de um modelo de IA.

GEO, AIO, AEO e LLMO são termos relacionados, mas significam a mesma coisa: conteúdo deve ser conveniente não apenas para o leitor e robô de busca, mas também para o modelo de linguagem que monta uma resposta a partir de fragmentos de diferentes páginas. Diferentemente do SEO antigo, onde você poderia vencer através de palavras-chave, meta tags e link building, a clareza de significado, expertise e extratibilidade de fatos agora são mais importantes.

Como os modelos escolhem

O artigo decompõe um esquema RAG típico: o sistema recebe uma consulta, procura por páginas relevantes, as classifica, corta o texto em blocos de 200–500 tokens, insere os melhores pedaços em um prompt e só então gera uma resposta com citações.

A consequência principal: não é o artigo inteiro que compete, mas cada parágrafo individual. Se um fato necessário está escondido profundamente, diluído com enchimento ou não separado estruturalmente, pode simplesmente não chegar ao contexto do modelo, mesmo se a página em si for forte.

O artigo mostra que padrões antigos de SEO como densidade de palavras-chave, páginas finas direcionadas a uma única consulta e esquemas de links funcionam mal em busca LLM. O foco se desloca para sinais que ajudam o modelo a entender rapidamente o significado do texto e confiar nele. Em outras palavras, o material vencedor não é onde uma frase-chave é repetida mais vezes, mas onde a tese é colocada diretamente, apoiada por números e facilmente traduzível para uma resposta de IA sem perda de contexto.

"Otimização para algoritmo cede lugar a otimização para compreensão".

• Autoridade de domínio e autor: E-E-A-T e histórico acumulado de citações aumentam confiança.
• Extratibilidade estrutural: títulos claros, definições, FAQ e schema markup ajudam a extrair fatos mecanicamente.
• Densidade semântica: menos enchimento, mais unidades semânticas independentes em cada parágrafo.
• Verificabilidade: datas, números, estudos e links específicos aumentam a chance de citação.
• Atualidade: dados atuais recebem prioridade em sistemas trabalhando com indexação web em tempo real.

O que os editores devem fazer

Recomendações práticas soam bastante diretas. O artigo aconselha dar uma resposta direta nas primeiras 200–300 palavras, mover definições para o início das seções, adicionar schema FAQPage, HowTo, Article e Person, e montar materiais em topic clusters em vez de páginas espalhadas direcionadas a uma única consulta. Ênfase especial vai para a página do autor: byline, data de atualização, perfis e publicações são necessários não por estética, mas como sinais de confiança legíveis por máquina.

O primeiro passo para uma equipe editorial é verificar 10–15 consultas principais em ChatGPT Search e Perplexity e ver quem estes serviços já estão citando agora. A seguir, faz sentido configurar um segmento separado de tráfego de IA no GA4, percorrer materiais principais e adicionar respostas diretas, fatos com datas e confirmações claras a eles.

A seguir, reestruture o núcleo de conteúdo em pillar pages, cluster pages e links internos explícitos para que o tópico seja lido como um corpo especialista unificado em vez de uma coleção aleatória de publicações.

O autor sugere medir o progresso com novas métricas: presença em AI Overviews, volume de tráfego AI-referral, frequência de citações de domínio e proporção de respostas onde a marca aparece. Esta é uma mudança importante para equipes editoriais e equipes de conteúdo: KPIs não podem mais ser reduzidos apenas a posição em SERP e tráfego orgânico geral. Você precisa entender com que frequência modelos de linguagem escolhem seu material como fonte de base para uma resposta.

O que isto significa

GEO não cancela SEO técnico, mas desloca o objetivo da otimização. Vencedores não serão aqueles que inseriram palavras-chave mais precisamente, mas aqueles que publicam conteúdo especialista denso, verificável e bem estruturado. Para mídia, blogs e sites B2B, este é um sinal direto: se o material não é adequado para citação parágrafo a parágrafo, cada vez mais não será visível aos usuários.