Da busca por informação às ações executadas por agentes.
GEO (Generative Engine Optimization) reúne as práticas que fazem uma organização ser citada com precisão nas respostas de ChatGPT, Gemini, Claude e Perplexity; estes 20 conceitos, escritos pela Brasil GEO e revisados em 2026, vão da recuperação de informação (RAG) aos protocolos de agentes (MCP e A2A). A sigla GEO (Generative Engine Optimization) designa a otimização para motores de resposta generativa e não tem relação com geografia, geoprocessamento ou dados geoespaciais. Seu estudo passa pela qualidade da informação publicada, pelos mecanismos de recuperação e pela forma de medir os resultados.
Este guia conecta esses temas com exemplos: como um documento chega a uma resposta, o que dados estruturados descrevem e quais limites permanecem quando um sistema usa fontes externas. A introdução está em Entenda GEO; as definições rápidas estão no glossário.
CONCEITO 01
O que muda quando a busca responde com IA?
AI Overviews e a escolha de fontes.
AI Overviews são resumos gerados por IA que podem aparecer na Busca do Google, acompanhados de links para páginas de apoio. A experiência reúne uma resposta e caminhos para aprofundar o assunto; sua exibição varia conforme a consulta.
O Google mantém os fundamentos de SEO para esses recursos. Não exige um arquivo especial para IA nem uma marcação Schema.org específica. Uma página precisa estar indexada e apta a aparecer com um trecho na busca para ser elegível como apoio.
A presença entre as fontes é uma observação a ser medida, não um resultado que o proprietário do site controla. Convém registrar a pergunta, a data e o link exibido para distinguir citação, menção à marca e visita ao site.
O que é RAG e por que o modelo recupera informação antes de responder?
Retrieval-Augmented Generation.
RAG combina recuperação de documentos com geração de texto. O sistema procura trechos relacionados à pergunta e os inclui no contexto usado para produzir uma resposta. A base pode ser um acervo interno ou conteúdo da web; RAG não implica, por si só, uma busca em tempo real.
Em um atendimento, uma pergunta sobre devolução pode recuperar a política vigente e o procedimento aplicável ao pedido. A qualidade depende tanto do documento encontrado quanto da capacidade do modelo de utilizá-lo.
01 · Pergunta
O usuário descreve sua dúvida e o contexto necessário.
02 · Recuperação
A aplicação seleciona trechos relevantes de fontes permitidas.
03 · Resposta
O modelo recebe os trechos e produz uma resposta com referências.
Fluxo simplificado de RAG. Recuperar uma fonte não garante que a resposta a interprete corretamente.
Embeddings representam conteúdo como vetores numéricos. Um sistema pode comparar esses vetores para localizar documentos próximos de uma pergunta, mesmo quando os textos usam palavras diferentes.
Uma consulta como “o pedido não chegou” pode recuperar uma página sobre atraso na entrega. Já um código de produto ou número de erro pode exigir correspondência literal. A combinação de estratégias aparece na busca híbrida, tratada adiante.
A proximidade entre vetores depende do modelo, do conteúdo e da medida de similaridade. Ela não funciona como um cadastro universal de marcas nem demonstra, sozinha, que uma resposta está correta.
CONCEITO 04
O que Schema.org e JSON-LD descrevem para a IA?
Entidades e propriedades descritas em dados estruturados.
Schema.org é um vocabulário para descrever pessoas, organizações, produtos e outros tipos de conteúdo. JSON-LD é um formato que permite publicar essas descrições em uma página web.
Os dados devem corresponder ao conteúdo visível. Nome, URL e autoria precisam identificar o recurso descrito; um tipo de marcação não deve ser usado apenas para acrescentar palavras-chave.
Exemplo de recurso educacional
Este exemplo descreve o assunto do guia. O uso da marcação não assegura inclusão em uma resposta de IA.
{
"@context": "https://schema.org",
"@type": "LearningResource",
"name": "20 conceitos de GEO e inteligência artificial",
"url": "https://brasilgeo.ai/conceitos/",
"inLanguage": "pt-BR",
"teaches": [
"RAG",
"Dados estruturados",
"Agentes de IA"
]
}
Uma proposta para organizar referências de um site.
llms.txt é uma proposta de arquivo em Markdown com uma apresentação do site e links selecionados. Pode facilitar o fornecimento de contexto a ferramentas que decidam utilizá-lo.
O arquivo não substitui robots.txt, sitemap ou os controles de acesso do servidor. Também não representa uma exigência do Google para aparecer em seus recursos de IA. Sua utilidade deve ser avaliada nos sistemas que efetivamente o consomem.
Uma descrição breve e links para documentação atual são mais úteis do que repetir todas as páginas. Estes são os recursos publicados pela Brasil GEO:
O que é E-E-A-T: experiência, conhecimento, autoridade e confiança?
Critérios de avaliação de qualidade.
E-E-A-T reúne experiência, conhecimento especializado, autoridade e confiabilidade nas orientações de qualidade do Google. O próprio Google esclarece que a sigla não é um fator de classificação isolado.
Autoria identificada, explicação do método e fontes adequadas ajudam o leitor a avaliar um conteúdo. A experiência relatada precisa estar relacionada ao assunto: um currículo extenso não substitui evidência sobre uma afirmação específica.
ORCID identifica um pesquisador; DOI identifica um objeto publicado. Nenhum desses identificadores, sozinho, significa revisão por pares ou validação dos resultados. Essa distinção vale ao apresentar a pesquisa da própria empresa.
Como medir presença de marca e Share of Voice em respostas de IA?
A definição da métrica vem antes do percentual.
A taxa de presença registra a proporção de respostas de uma amostra que mencionam uma marca. A taxa de citação pode exigir, adicionalmente, um link para uma fonte da marca. Share of Voice costuma comparar a participação de uma marca com a dos concorrentes; o denominador precisa ser declarado.
Em um exemplo hipotético, a marca aparece em 12 de 40 respostas: sua taxa de presença nessa amostra é 30%. Esse valor descreve o conjunto observado, não todas as respostas produzidas por uma plataforma.
12 ÷ 40 = 30%Respostas com a marca ÷ respostas observadas, neste exemplo.
Uma comparação ao longo do tempo requer perguntas, plataformas e condições de coleta documentadas. Mudanças na amostra podem alterar o resultado mesmo sem uma mudança na presença da marca.
Clareza e condições para reutilizar uma informação.
Citabilidade é uma expressão usada neste guia para a facilidade de identificar, entender e atribuir uma informação à sua fonte. Uma definição direta, acompanhada de contexto e evidência, é mais fácil de avaliar do que uma afirmação vaga.
Uma página de serviço, por exemplo, pode explicar o que é entregue, em que situações se aplica e quais são os limites do trabalho. A autoria e os links para documentos de apoio permitem acompanhar a origem das afirmações.
Não existe uma nota universal de citabilidade nem uma combinação de arquivos que assegure seleção por todos os modelos. O resultado deve ser observado nas respostas e fontes exibidas.
Uma resposta plausível pode conter informação falsa.
Modelos de linguagem podem produzir afirmações incorretas, inventar referências ou misturar informações de pessoas e empresas. Uma resposta pode parecer precisa e ainda assim errar o preço, o endereço ou a autoria.
Documentação clara e recuperação de fontes ajudam a disponibilizar a informação correta, mas não eliminam esses erros. Uma referência real também pode ser citada em apoio a uma conclusão que ela não contém.
O registro de um erro deve incluir a pergunta, a resposta e a fonte indicada. Isso permite distinguir um problema no conteúdo publicado de uma falha de recuperação ou interpretação do sistema.
B2A descreve interações nas quais um agente de software pesquisa ou executa tarefas em nome de uma pessoa ou organização. Pode participar de uma cotação, comparar condições de compra ou consultar o andamento de um pedido.
A expressão ajuda a discutir interfaces comerciais para agentes. O comprador continua tendo objetivos, restrições e responsabilidade pela decisão; o grau de autonomia depende das permissões concedidas ao sistema.
Informações comerciais consistentes e interfaces documentadas ajudam nessa integração. A existência de uma API não torna uma oferta automaticamente preferida nem autoriza qualquer agente a realizar transações.
Pesquisa, comparação e compra com limites explícitos.
Comércio com agentes envolve delegar etapas de uma jornada de compra a sistemas de IA. Um agente pode localizar ofertas e preparar uma seleção; concluir uma compra exige acesso ao sistema comercial e autorização compatível com a ação.
O catálogo precisa distinguir produto, variante, preço, moeda, estoque e condições da oferta. A informação mostrada ao usuário e a informação acessada pela integração devem estar de acordo.
No exemplo fictício abaixo, o preço pertence a uma oferta específica. Ele ilustra dados de catálogo, não uma oferta comercial da Brasil GEO.
Limites de valor, revisão do pedido e confirmação antes do pagamento precisam fazer parte do fluxo. Catálogo estruturado e autorização da transação resolvem problemas diferentes.
CONCEITO 12
O que é o MCP (Model Context Protocol)?
Uma interface entre aplicações de IA e ferramentas.
MCP padroniza a comunicação entre uma aplicação de IA e servidores que oferecem recursos, ferramentas e modelos de instrução. A aplicação cliente decide quais capacidades disponibilizar ao modelo e como tratar seu uso.
Uma ferramenta de consulta de pedidos, por exemplo, pode receber um identificador e devolver o status. A descrição e o esquema de entrada ajudam a aplicação a interpretar essa capacidade.
Este fragmento ilustra uma definição de ferramenta; ele não representa um servidor MCP completo.
{
"name": "getOrderStatus",
"description": "Consulta o status de um pedido autorizado para o usuário atual.",
"inputSchema": {
"type": "object",
"properties": {
"orderId": {
"type": "string"
}
},
"required": [
"orderId"
],
"additionalProperties": false
}
}
O servidor deve verificar acesso e validar os argumentos em cada chamada. Conectar uma ferramenta não concede permissão irrestrita aos dados.
CONCEITO 13
O que é o A2A (Agent-to-Agent)?
Comunicação e acompanhamento de tarefas entre agentes.
A2A é um protocolo para colaboração entre agentes. Define formas de apresentar capacidades e trocar mensagens, acompanhar tarefas e devolver resultados entre sistemas que podem ter implementações distintas.
Um agente responsável por compras pode solicitar uma cotação a outro sistema e acompanhar a resposta. A integração precisa informar quais tarefas aceita, como autenticar a solicitação e como comunicar estados e resultados.
Solicitação
O agente cliente apresenta a tarefa e seus requisitos.
Execução
O agente remoto aceita a tarefa e informa seu andamento.
Resultado
O cliente recebe o artefato ou a conclusão para continuar o trabalho.
Interação ilustrativa. MCP conecta ferramentas e recursos; A2A trata da colaboração entre agentes.CONCEITO 14
O que é RLHF, o aprendizado com feedback humano?
Preferências usadas para ajustar o comportamento do modelo.
RLHF significa aprendizado por reforço com feedback humano. Em uma abordagem comum, pessoas comparam respostas; essas preferências ajudam a construir um sinal de recompensa usado para ajustar o modelo.
O processo procura aproximar as respostas do comportamento desejado no treinamento. Os critérios escolhidos, os exemplos e a qualidade das avaliações influenciam o resultado.
Ser avaliada como uma boa resposta não equivale a ter todos os fatos corretos. Uma resposta convincente pode estar errada. RLHF também não é um canal pelo qual uma empresa cadastra informações para garantir menções à sua marca.
CONCEITO 15
Quando usar ajuste fino e quando usar RAG?
Comportamento do modelo e acesso à informação.
Ajuste fino modifica parâmetros de um modelo por meio de treinamento adicional. Pode ser usado para adaptar padrões de resposta ou desempenho em uma tarefa. RAG fornece documentos como contexto no momento da consulta.
Uma base de políticas que muda frequentemente tende a exigir um processo de atualização e recuperação dos documentos. Um formato de resposta recorrente pode ser tratado com instruções, exemplos ou treinamento, conforme a necessidade.
Ajuste fino
Trabalha o comportamento aprendido. Exige dados de treinamento e avaliação do modelo resultante.
RAG
Trabalha o acesso ao contexto. Exige documentos atualizados e avaliação da recuperação e da resposta.
As técnicas podem ser combinadas. A decisão deve partir de uma tarefa definida e de exemplos de falhas observadas, considerando manutenção, custo e qualidade.
CONCEITO 16
O que são bancos vetoriais?
Armazenamento, índices e filtros para busca por similaridade.
Bancos e extensões vetoriais armazenam embeddings e permitem encontrar itens próximos de um vetor de consulta. Também podem associar metadados para filtrar resultados por coleção, data ou permissões.
A escolha envolve a base já existente, volume, latência, frequência de atualização, operações e orçamento. Um produto gerenciado e uma instalação própria distribuem essas responsabilidades de formas diferentes.
Critérios para comparar implementações
Recuperação: qualidade dos resultados no conjunto de perguntas da aplicação.
Filtros: suporte às restrições de acesso e às propriedades dos documentos.
Operação: atualização de índices, cópias de segurança e recuperação de falhas.
Custo total: armazenamento, consultas, transferência e trabalho de manutenção.
Pinecone, Weaviate, Qdrant e pgvector são exemplos de opções com modelos operacionais distintos. Preços e limites devem ser consultados na documentação de cada fornecedor no momento da avaliação.
CONCEITO 17
O que é busca híbrida?
Correspondência por termos e por significado.
Busca híbrida combina recuperação lexical, que considera os termos da consulta, com busca vetorial, que compara representações numéricas. As duas estratégias podem encontrar conjuntos complementares de documentos.
Um identificador como “pedido AB-104” pede correspondência exata. Uma descrição como “como cancelar antes da entrega” pode se beneficiar de similaridade semântica. A composição dos resultados deve ser avaliada com exemplos da própria aplicação.
Combinação de posições com RRF
Reciprocal Rank Fusion soma contribuições das posições dos itens em diferentes listas. O exemplo em Python recebe listas de identificadores já ordenadas; o parâmetro k controla o peso relativo das posições.
def rrf(rankings, k=60):
scores = {}
for ranking in rankings:
for position, doc_id in enumerate(dict.fromkeys(ranking), start=1):
scores[doc_id] = scores.get(doc_id, 0) + 1 / (k + position)
return sorted(scores, key=scores.get, reverse=True)
results = rrf([["doc-a", "doc-b"], ["doc-b", "doc-c"]])
# ["doc-b", "doc-a", "doc-c"]
Uma etapa posterior pode reordenar os documentos por relevância. A melhora precisa ser medida; não há um ganho percentual que se aplique a todas as bases.
CONCEITO 18
Uso de ferramentas e chamadas de função
O modelo propõe; a aplicação valida e executa.
O uso de ferramentas permite que um modelo solicite uma operação por meio de uma mensagem estruturada. A aplicação interpreta a solicitação, verifica os argumentos e as permissões, executa a função e devolve o resultado.
Uma consulta de clima é um exemplo simples. A definição deve informar o que a ferramenta retorna e quais dados recebe. A estrutura exata depende da API utilizada.
{
"name": "getWeather",
"description": "Consulta a previsão do tempo para a cidade informada.",
"parameters": {
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "Nome da cidade, por exemplo: Goiânia."
}
},
"required": [
"city"
],
"additionalProperties": false
}
}
Uma descrição clara ajuda a selecionar a ferramenta adequada. A validação da aplicação continua necessária, sobretudo quando a operação altera dados, envia mensagens ou envolve pagamentos.
CONCEITO 19
O que são modelos multimodais?
Texto, imagem, áudio e vídeo no mesmo fluxo.
Modelos multimodais processam ou produzem mais de um tipo de informação. As modalidades disponíveis variam entre os modelos e podem incluir texto, imagem, áudio e vídeo.
Uma aplicação pode receber a foto de um produto, ler uma tabela em um documento ou trabalhar com a transcrição de uma entrevista. Pequenos detalhes visuais, ruído no áudio e a organização do material podem influenciar a interpretação.
Texto alternativo, legendas, transcrições e tabelas em HTML mantêm a informação acessível e reutilizável. Esses recursos complementam a mídia e permitem consultar seu conteúdo quando a imagem ou o áudio não pode ser processado.
CONCEITO 20
O que é janela de contexto?
Capacidade disponível, seleção de conteúdo e custo.
A janela de contexto limita a quantidade de conteúdo que um modelo pode processar em uma interação. O limite costuma ser expresso em tokens; a distribuição entre entrada e saída depende do modelo e da API.
Uma janela maior permite incluir mais documentos, mas não assegura que toda informação seja usada corretamente. Conteúdo irrelevante, repetido ou contraditório pode dificultar a resposta.
Enviar o material completo pode ser útil para uma análise delimitada. Recuperar trechos com RAG pode ser adequado para consultas recorrentes a um acervo amplo. A comparação deve considerar qualidade, latência, atualização e custo total da aplicação.
Limites, preços e regras de cache mudam entre produtos. Uma estimativa precisa usar a documentação vigente e o volume real de uso, sem transformar valores de um fornecedor em regra geral.
GEO aplicado à sua marca
A Brasil GEO analisa como sua empresa aparece nas respostas de IA e quais informações precisam ser corrigidas ou aprofundadas.