Uma família de modelos, três formas de buscar a resposta
Três superfícies do Google respondem à mesma pergunta de três maneiras diferentes. Se você trabalha com busca, a diferença entre ancorado e generativo não é curiosidade. Ela define o que você precisa fazer para ser citado.
As pessoas falam de "ranquear na IA" como se fosse uma coisa só. Não é. O Google usa uma mesma família de modelos em três superfícies, e cada uma decide de um jeito de onde vem a resposta.
Essa é a parte útil. Você não está construindo um segundo site para robôs. Você está garantindo que um único site seja recuperável, classificável e citável em todos os caminhos que uma resposta pode tomar, e não só na consulta principal que por acaso você monitora.
Gemini (o app): generativo primeiro
Como a resposta é criada. As respostas são geradas a partir dos dados de treino do modelo por padrão. O grounding na Busca do Google entra de forma seletiva, quando o modelo decide que a consulta exige informação recente ou verificável.
De onde vêm as respostas. Principalmente dos pesos do modelo, ou seja, da memória paramétrica: o que o modelo já aprendeu. Quando faz grounding, ele puxa resultados ao vivo da Busca e mostra os links de apoio. Mas aqui o grounding é opcional, não o padrão.
Por que isso importa. As menções de marca no app Gemini dependem muito da presença nos dados de treino, não das posições desta semana.
- Sua marca está bem representada no corpus de treino: cobertura de fontes de autoridade, presença na Wikipedia, uma entidade consolidada.
- Ou o grounding foi acionado para aquela consulta e você tem boa posição na Busca ao vivo.
- A maior parte das respostas vem da memória do modelo. Se sua marca é nova, de nicho ou pouco coberta antes do corte de treino, você não existe para o modelo.
- Ótimas posições não salvam você em consultas que o modelo responde sem grounding.
O que fazer: construir presença duradoura de entidade. Cobertura de terceiros, dados de entidade consistentes e conteúdo com o qual o modelo tenha tido a chance de aprender.
AI Overviews: ancorado primeiro
Como a resposta é criada. A recuperação vem primeiro. Um modelo Gemini customizado sintetiza um resumo a partir de documentos que os sistemas de classificação do Google já recuperaram, e ele só aparece quando a confiança é alta.
De onde vêm as respostas. Do índice ao vivo da Busca, do Knowledge Graph e do Shopping Graph. Os links citados apontam para as páginas que deram origem ao resumo.
Por que isso importa. A recuperabilidade clássica ainda manda. Se você não pode ser recuperado e classificado, não pode ser citado.
- Você está no conjunto recuperado e classificável para a consulta.
- Um trecho da sua página sustenta diretamente uma afirmação da resposta sintetizada.
- Texto limpo e extraível e frescor ajudam. A Ahrefs constatou que URLs citadas pela IA são cerca de 26% mais recentes que os resultados orgânicos.
- Nenhum schema especial é exigido para elegibilidade, segundo o Google.
- Você não é recuperável:
noindex,nosnippet, bloqueio ou simplesmente recuperação fraca. - Ou nenhum trecho da sua página sustenta a afirmação que está sendo feita.
- A citação é em nível de trecho. Uma boa posição já não garante citação, embora ainda aumente muito suas chances: a sobreposição com o top 10 vai de cerca de 17% a 76% conforme o estudo.
- Não conte com supressão em YMYL. Cerca de 88% das consultas de saúde já acionam um AI Overview.
O que fazer: escrever trechos citáveis. Afirmações claras e autossuficientes que respondem sozinhas a uma subintenção, em vez de páginas que apenas ranqueiam.
AI Mode: ancorado mais fan-out
Como a resposta é criada. O query fan-out divide sua pergunta em várias subconsultas, buscadas em paralelo. O Gemini então raciocina sobre tudo isso para compor uma única resposta conversacional.
De onde vêm as respostas. Do índice da web, do Knowledge Graph e de dados em tempo real como compras, resultados locais e finanças, sintetizados com links de saída. Toda resposta é ancorada em recuperação.
Por que isso importa. Você não está mais otimizando para uma consulta. Está otimizando para as dezenas de subconsultas em que ela se abre.
- Você ranqueia em alguma das subconsultas paralelas geradas pelo fan-out, não só no termo principal.
- Páginas que ranqueiam nas consultas de fan-out têm cerca de 161% mais chance de serem citadas, segundo a Ahrefs e a Surfer.
- Cobertura temática profunda e dados de entidade sólidos ampliam sua área de superfície.
- Você otimizou para uma palavra-chave enquanto a resposta era montada a partir de uma dúzia de subconsultas que você nunca mirou.
- Apenas cerca de 20% das citações do AI Mode vêm dos 20 primeiros resultados orgânicos, segundo a seoClarity.
- A relevância do trecho é o ingresso de entrada, mas a autoridade ainda funciona como filtro, especialmente em YMYL.
O que fazer: mapear o fan-out. Cobrir o cluster de intenções relacionadas em torno de cada consulta comercialmente relevante, não apenas a consulta em si.
O que mudar na prática
Três superfícies, três modos de falhar. O trabalho se divide de forma limpa na linha entre ancorado e generativo.
Para a superfície generativa, construa a entidade. Você não consegue otimizar seu caminho até a memória de um modelo neste trimestre. O que move o ponteiro é cobertura duradoura de terceiros, dados de entidade consistentes nos lugares onde o Google reconcilia identidade e conteúdo substancial suficiente para que o modelo tenha algo a aprender. É um trabalho lento e que se acumula.
Para as superfícies ancoradas, escreva trechos, não apenas páginas. Uma página que ranqueia é só o preço de entrada. O que é citado é um trecho que enuncia uma afirmação de forma limpa o bastante para ser retirada do contexto e continuar fazendo sentido. Autossuficiente, específica e ligada a uma subintenção que alguém realmente tem.
Pare de medir uma consulta só. Se o AI Mode decompõe uma pergunta em uma dúzia de subconsultas, acompanhar o termo principal quase não diz nada sobre você estar ou não presente na resposta. Mapeie as subintenções ao redor das consultas que importam comercialmente e cubra todas elas.
Nada disso exige uma estratégia de IA separada, aparafusada ao seu site. Exige que o mesmo site seja legível para sistemas que agora montam respostas em vez de listar links. E exige medição capaz de enxergar o que esses sistemas de fato fizeram, o que é um problema diferente, sobre o qual escrevemos em os três sinais que vale monitorar.
Veja quais superfícies de IA estão realmente citando você.
A WISLR mede o canal de IA com seus próprios dados first-party: quais crawlers leem suas páginas, quais respostas as citam e o que esse tráfego faz depois que chega. Verdade no nível do servidor, em vez de uma estimativa de share of voice.