Recentemente, conversei com Jesse Dwyer da Perplexity sobre SEO e busca por IA, focando no que os profissionais de SEO devem priorizar ao otimizar para busca por IA. Seus insights forneceram orientações valiosas para editores e especialistas em SEO atualmente. ### Busca por IA Hoje Jesse destacou que a personalização está transformando fundamentalmente a busca por IA. Ele comentou: “O maior e mais simples ponto sobre AEO (Otimização de Motores de Resposta) versus SEO é que não é mais um jogo de soma zero. Dois usuários com a mesma consulta podem receber respostas diferentes se a ferramenta de IA incorporar memória pessoal no seu espaço de contexto (como no Perplexity, ChatGPT). ” Essa mudança decorre das diferenças na tecnologia de indexação, explicando a divergência entre a Otimização de Motores Geográficos tradicionais (GEO) e AEO. Ainda assim, a maioria das melhores práticas tradicionais de SEO permanece válida. A mensagem central de Dwyer é que visibilidade na busca não é mais sobre resultados consistentes para todos os usuários. As respostas da IA são moldadas pelo contexto pessoal, o que significa que dois usuários podem ver respostas distintas e fontes de conteúdo diferentes para a mesma consulta. Apesar de a infraestrutura continuar sendo um índice de busca clássico — o Perplexity AI emprega um sistema semelhante ao PageRank, avaliando popularidade e relevância do site — o conteúdo recuperado difere bastante da busca tradicional. Quando perguntei se a busca clássica costuma exibir os mesmos principais sites por consulta, enquanto a busca por IA gera respostas variadas devido ao contexto conversacional, Jesse confirmou essa distinção. ### Processamento de Subdocumentos: A Diferença Chave na Busca por IA Jesse explicou ainda a tecnologia crucial por trás da busca por IA: o contraste entre processamento de documentos inteiros e de subdocumentos. Buscadores tradicionais indexam páginas completas, avaliando e ranqueando-as como unidades únicas.

Ferramentas de IA usando esse modelo — como a busca na web do ChatGPT — selecionam os 10 a 50 documentos mais relevantes e usam um grande modelo de linguagem (LLM) para resumir os resultados. Essa abordagem, às vezes referida como “4 buscas no Bing de um trench coat”, ainda depende de busca algorítmica, não de uma recuperação de IA verdadeira. Esse método corresponde à GEO ou Otimização de Motores Generativos, ainda baseada na avaliação de páginas inteiras. A abordagem emergente centrada em IA — chamada de “processamento de subdocumentos” — indexa e recupera trechos altamente específicos e detalhados, ao invés de documentos completos. Em termos de IA, um trecho (snippet) consiste em cerca de 5 a 7 tokens (2 a 4 palavras) convertidos em representações numéricas pelo transformer que sustenta modelos como o GPT. Ao receber uma consulta, o sistema seleciona aproximadamente 130. 000 tokens de trechos mais relevantes (cerca de 26. 000 snippets) para o espaço de contexto do modelo — a capacidade total da maioria dos LLMs atuais — com o objetivo de saturar esse espaço com informações pertinentes. Saturar o espaço de contexto reduz a tendência do modelo de “alucinar” ou inventar informações, possibilitando respostas mais precisas. Esse índice de subdocumentos é o caminho que a indústria está trilhando, justificando o termo AEO. Além disso, a personalização surge porque o LLM pode incorporar uma vasta quantidade de dados do usuário no espaço de contexto completo — muito além do perfil tradicional do Google — produzindo resultados únicos e sob medida. Uma empresa como a Perplexity se diferencia ao otimizar o fluxo entre o índice e a recuperação de snippets usando métodos como modulação de cálculo, reformulação de consultas e modelos proprietários, que aumentam a relevância dos snippets e a qualidade das respostas. Apesar de ser menos relevante para os profissionais de SEO, esses avanços explicam por que a API de busca do Perplexity é especialmente avançada para desenvolvedores que integram busca em outros produtos. ### Resumo das Abordagens de Indexação Dwyer destacou o contraste entre: - **Indexação de documento completo:** Rankeamento e recuperação de páginas inteiras, com IA resumindo o conjunto final. - **Indexação de subdocumentos:** Armazenar e recuperar significados como fragmentos precisos, com IA raciocinando diretamente sobre esses trechos. Essa segunda abordagem melhora a precisão das respostas ao saturar completamente o espaço de contexto do modelo com dados relevantes, limitando a fabricação e produzindo respostas mais ricas. Por fim, Jesse enfatizou que “modulação de cálculo”, reformulação de consultas e modelos proprietários de indexação formam seu “molho secreto” para uma recuperação superior de snippets e qualidade na busca por IA. **Imagem em destaque** por Shutterstock/Summit Art Creations