O que sabemos e o que não sabemos
Uma página de franqueza: o que está documentado, o que é hipótese, por que este site não publica casos de clientes e como corrigir um erro.
Por que não há casos de clientes aqui?
Porque um caso só vale se puder ser conferido. Para publicar um resultado de cliente seriam necessários a autorização escrita da empresa, a fonte dos dados com período único, a natureza exata da métrica e o método de medição. Sem isso, o número é uma afirmação que o leitor não consegue verificar, e uma afirmação assim não tem lugar em um site cujo princípio é a prova. Quando houver caso com todos esses elementos, ele será publicado com a documentação à mostra. Até lá, os exemplos do site são rotulados como "exemplo", "simulação" ou "ilustrativo".
O que está documentado
| Afirmação | Fonte |
|---|---|
| Sistemas de resposta com IA recuperam páginas e geram respostas a partir delas (RAG), e o Google descreve esse desenho nos recursos de IA da Busca | artigo de 2020 sobre RAG; documentação do Google |
| O Google usa uma técnica chamada query fan-out, que divide uma pergunta em subconsultas | publicação do Google, maio de 2025; documentação de 2026 |
| Não há requisitos adicionais nem otimizações especiais para aparecer nos recursos de IA do Google, e os fundamentos de SEO se aplicam | documentação do Google, dezembro de 2025 e julho de 2026 |
| OpenAI, Anthropic, Perplexity, Google e Apple publicam robôs distintos para treino, busca e ações do usuário | documentação de cada empresa |
| Com resumo de IA no Google, os usuários clicaram menos em resultados tradicionais (8% das visitas contra 15%) em uma amostra de adultos americanos | Pew Research Center, 2025 |
| Em um experimento controlado, adicionar citações, trechos de fonte e estatísticas aumentou a visibilidade em respostas generativas, enquanto o acúmulo de palavras-chave não ajudou | Aggarwal et al., KDD 2024 |
| Um número pequeno e fixo de documentos maliciosos pode implantar um comportamento indesejado em modelos de linguagem em experimento específico | Anthropic, UK AI Security Institute e Alan Turing Institute, 2025 |
O que não sabemos
- Se o LLM Seeding, como método completo, aumenta a frequência de citação. Não há estudo controlado publicado que o teste. As etapas se apoiam em documentação de plataformas, em pesquisa sobre conteúdo e em prática editorial.
- Que peso cada assistente dá a fontes externas em comparação com o site da marca. Isso muda entre plataformas e ao longo do tempo, e a maioria não publica seus critérios.
- Se arquivos como o llms.txt são lidos por algum assistente ao responder usuários. O Google diz que a Busca os ignora, e um estudo de fornecedor com cerca de 300 mil domínios não encontrou relação com citações. Veja llms.txt funciona?.
- Se a consistência de fatos entre fontes reduz erros de descrição de forma mensurável para qualquer categoria de negócio. A hipótese é razoável, e a evidência pública é indireta.
- Quanto tempo as correções levam para aparecer nas respostas. Depende de reindexação, de atualização de cada sistema e de variações da própria resposta.
- Como as plataformas tratarão o conteúdo gerado por IA e as práticas de seeding no futuro. Políticas mudam.
Quais conflitos de interesse existem?
O site é publicado por Camillo Dantas, criador do método, que também oferece consultoria e análise estratégica no site pessoal. Isso significa que o conteúdo descreve o método com a perspectiva do autor. Para reduzir o viés, o site separa conceitos de mercado de método próprio, cita documentação de terceiros com data e inclui esta página. As teses do autor são apresentadas como opinião fundamentada em experiência, e não como fato auditado.
Como corrigir um erro aqui?
Se você encontrar uma informação errada, desatualizada ou sem fonte, avise pelo contato do autor. A correção entra com data na página afetada. Não removemos o histórico de uma correção relevante. Fontes que deixarem de existir são substituídas ou a afirmação é retirada.
O que muda quando a evidência mudar?
Esta página é revista. Se uma plataforma publicar documentação nova, se surgir estudo controlado que confirme ou contradiga uma etapa do método, ou se houver caso documentado e autorizado, o texto muda. A regra é a do manifesto: ser citável, verificável e útil, e dizer quando não se sabe. Para entender como medir o seu caso sem depender de promessa, leia ROI sem clique.
Fontes
- Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, Lewis et al., arXiv (NeurIPS 2020) (2020-05-22)
- AI in Search: Going beyond information to intelligence, Google (2025-05-20)
- Optimizing your website for generative AI features on Google Search, Google Search Central (2026-07-10)
- AI features and your website, Google Search Central (2025-12-10)
- Google users are less likely to click on links when an AI summary appears in the results, Pew Research Center (2025-07-22)
- GEO: Generative Engine Optimization, Aggarwal et al., arXiv (KDD 2024) (2023-11-16)
- A small number of samples can poison LLMs of any size, Anthropic (2025-10-09)
- Does LLMs.txt impact your AI visibility and citations? (estudo de fornecedor, SE Ranking), SE Ranking (2025-11-07)
Autoria do método: Camillo Dantas (declarada pelo autor). Última revisão: 14/10/2026.
Comece pelo checklist
Dezoito verificações em seis grupos para saber se o seu conteúdo pode ser compreendido, verificado e citado.