Como as IAs decidem quais marcas citar quando alguém pergunta 'qual a melhor empresa de X'

Uma IA generativa não consulta uma tabela de posições e escolhe as três primeiras marcas. Ela gera, token por token, a continuação mais plausível para aquela pergunta — e essa plausibilidade é maior para marcas que aparecem de forma clara e repetida nas fontes que o modelo conhece ou consulta. Esse mecanismo, que vamos chamar aqui de consenso aparente, funciona de um jeito estruturalmente diferente do PageRank que moldou duas décadas de SEO.

Da lógica de votos para a lógica de consenso aparente

O PageRank, base do algoritmo original do Google, tratava cada link como um voto: quanto mais (e melhores) sites apontavam para o seu, mais autoridade você acumulava. Era uma lógica de grafo, contável, relativamente transparente.

O mecanismo por trás de uma resposta gerada por IA é outro. Não há votos sendo contados — há um cálculo de probabilidade sobre qual é a palavra mais provável de vir a seguir, dado tudo que veio antes na resposta e dado o material que o modelo tem disponível. Quando esse material menciona sua marca de forma consistente, em múltiplos lugares, associada com clareza ao problema da pergunta, a probabilidade de ela aparecer na resposta sobe. Não porque "ganhou uma votação", mas porque ela é, estatisticamente, a continuação mais coerente com o que existe.

É por isso que preferimos o termo consenso aparente: o modelo não verifica a verdade de uma afirmação como um fact-checker faria. Ele detecta o que parece ser amplamente corroborado dentro do material disponível — e trata isso como mais seguro de afirmar. Uma marca mencionada de forma consistente, por fontes diferentes, em contextos diferentes, parece mais "estabelecida" para esse cálculo do que uma marca mencionada uma única vez, mesmo que essa única menção seja tecnicamente mais detalhada.

Duas camadas de evidência, com pesos diferentes

Existem duas fontes de informação disponíveis para a IA responder, e elas não pesam igual em todo tipo de pergunta:

• Conhecimento treinado — o que o modelo aprendeu durante o treinamento, até uma data de corte. É estático: não se atualiza entre uma versão e outra do modelo.
• Corroboração em tempo real — quando a IA tem acesso à busca na web (ChatGPT, Gemini e Perplexity operam assim por padrão hoje), ela consulta páginas atuais antes de responder, e usa esse resultado para confirmar, atualizar ou complementar o que já "sabia".

Para perguntas sensíveis ao tempo — "essa empresa ainda existe", "qual o preço atual", "ela ainda atende esse bairro" — o modelo tende a se apoiar mais na camada de corroboração em tempo real. Essa é, na prática, a melhor notícia: significa que conteúdo publicado agora pode mudar uma resposta hoje, sem esperar um novo ciclo de treinamento do modelo.

Um exemplo de texto que confirma e um que não confirma nada (exemplo ilustrativo)

Pegue duas frases que poderiam estar na página "Sobre" de empresas concorrentes do mesmo setor:

Empresa X: "Somos uma referência em soluções de gestão, com um time dedicado a entregar excelência e inovação para nossos clientes."

Empresa Y: "Atendemos clínicas odontológicas de até 15 cadeiras, com mensalidade entre R$ 290 e R$ 690 dependendo do módulo, suporte por WhatsApp em horário comercial, e integração com os sistemas de convênio mais usados no Brasil."

A frase da Empresa X não permite a um modelo confirmar nada específico. A frase da Empresa Y responde a praticamente todos os elementos de uma pergunta concreta como "qual sistema de gestão pra clínica odontológica pequena custa menos de R$ 500 por mês". Entre as duas, ao gerar uma resposta, o modelo tem efetivamente mais matéria útil vinda da Empresa Y — não por preferência editorial, mas porque só ela ofereceu algo concreto para usar.

Por que categorias diferentes têm dinâmicas diferentes

Esse mecanismo não funciona igual em todo mercado. Em categorias muito disputadas e genéricas — "qual o melhor banco do Brasil" — o conjunto de marcas já amplamente corroboradas por anos de imprensa é tão grande que a barreira de entrada para uma marca nova é alta, quase independente do esforço de conteúdo.

Em categorias mais estreitas e específicas — "qual sistema de gestão pra clínica odontológica pequena no interior de Minas" — o volume de corroboração disponível sobre qualquer concorrente é muito menor. Isso significa duas coisas ao mesmo tempo: é mais fácil se tornar a opção mais corroborada nessas categorias, porque a barra de comparação é mais baixa; e é mais arriscado ficar de fora, porque há poucas vagas na resposta e cada concorrente que ocupa uma faz diferença proporcionalmente maior.

Os limites desse modelo mental

Vale uma ressalva de honestidade: o "consenso aparente" é um modelo mental construído a partir de como esses sistemas se comportam de forma observável — não uma descrição literal dos pesos internos de nenhum modelo específico, que são, em grande parte, proprietários e não públicos. Ele serve para orientar decisões práticas, não para prever com precisão técnica o comportamento exato de uma versão específica do ChatGPT ou do Gemini em um caso isolado.