As pontuações GEO não são a solução para melhorar a visibilidade das marcas na IA

A visibilidade das marcas nos motores de IA tornou-se uma nova prioridade para as equipas de marketing. Com o crescimento do GEO, as empresas começaram a procurar novas formas de medir e melhorar a sua presença nas respostas geradas pelos sistemas de IA. Mas, segundo Andrew Bolton, Chief Customer Officer da Knotch, transportar para o universo da IA a lógica do SEO pode levar os anunciantes a concentrarem-se em métricas que ainda não oferecem uma visão suficientemente fiável. Num artigo publicado na Adweek, Bolton questiona tanto a forma como atualmente se mede a visibilidade nos grandes LLMs como as consequências de otimizar conteúdos exclusivamente para melhorar esses resultados.

O problema dos dados

Para Bolton, um dos principais problemas das plataformas de medição de visibilidade em LLM é que não trabalham com pesquisas reais dos utilizadores. Estas ferramentas realizam pesquisas sintéticas em grande escala e organizam as respostas em dashboards de marketing. Estas consultas representam uma amostra muito menor do que as interações de utilizadores reais. A partir delas, as plataformas geram pontuações de visibilidade que, segundo Bolton, podem criar uma sensação de precisão que os dados não justificam.

Bolton apoia-se também no modelo de medição publicado pela IAB. Segundo explica, os programas que realizam menos de 50 consultas não são considerados suficientes nem sequer como referência indicativa. Muitos dos atuais fornecedores, afirma, trabalham abaixo desse volume, o que dificulta a utilização dos seus dados para caracterizar uma categoria e tomar decisões sobre a estratégia de conteúdos.

O problema também se reflete nos resultados apresentados pelas diferentes ferramentas. Bolton conta o caso de um cliente que utiliza quatro plataformas de medição de visibilidade em LLM e recebe de cada uma uma avaliação diferente sobre a posição da sua marca. Relata também como duas agências apresentaram a um grande banco estratégias de GEO completamente opostas, ambas sustentadas por dados que se contradiziam. Para Bolton, quando a medição de partida não é suficientemente fiável, construir uma estratégia de conteúdos com base nesses dados aproxima-se mais de fazer suposições do que de otimizar.

O risco de otimizar apenas para a IA

Bolton levanta ainda outra questão: o que acontece quando as marcas conseguem melhorar a sua visibilidade nos sistemas de IA. Um utilizador que chega a um website através de uma plataforma de IA não parte do zero. Antes de fazer click, já teve uma conversa, pode ter colocado perguntas adicionais e formado uma determinada opinião.

Por isso, chega ao site com um contexto e uma intenção diferentes dos de um utilizador proveniente de uma pesquisa tradicional. O problema é que a maioria dos websites não está preparada para este tipo de visitante.

Ao mesmo tempo, as marcas estão a tentar adaptar os seus conteúdos para que sejam mais fáceis de interpretar pelos LLMs e melhorar as suas pontuações GEO. Segundo Bolton, esta procura por maior visibilidade pode ter um efeito contraproducente. Algumas das alterações realizadas para criar conteúdos mais “LLM-friendly” podem prejudicar a experiência dos utilizadores, reduzindo o engagement e as conversões.

Uma infraestrutura para duas audiências

Perante esta situação, Bolton não propõe simplesmente uma nova estratégia de conteúdos, de GEO ou de website. A sua proposta passa pelo desenvolvimento de uma infraestrutura preparada simultaneamente para duas audiências: os utilizadores e os sistemas de IA.

Na prática, isto significaria que um website poderia adaptar-se ao que cada visitante procura, em vez de direcionar todos os utilizadores para uma mesma homepage genérica. Ao mesmo tempo, existiria uma camada específica, concebida para que os sistemas de IA possam ler e compreender a informação.

A conclusão de Bolton é que, num mercado em rápida evolução, as marcas correm o risco de se deixar levar pela proliferação de novas ferramentas e métricas de GEO. O alerta é claro: as marcas podem estar a dedicar recursos à otimização de uma métrica relativamente à qual os diferentes fornecedores nem sequer apresentam resultados consistentes.