O Google acabou de revelar acidentalmente como seus sistemas de busca por IA realmente funcionam

Agora que nada disso é mais segredo, vamos falar sobre isso.

2026 será um ano decisivo para muitas empresas quando o assunto é busca tradicional (Google) e busca por IA (ChatGPT, Gemini, Perplexity, etc.).

Vamos começar do início.

Metehan Yesilyurt — que já havia viralizado anteriormente ao analisar com precisão os fatores de ranqueamento do Perplexity — recentemente detalhou os fatores de ranqueamento da IA do Google em um post de blog.

O conteúdo é fascinante.

E muitos dos fatores “vazados” validam exatamente o que a SEO Stuff vem fazendo ao longo do último ano para gerar mais tráfego e vendas para seus clientes.

seo-stuff.com

Basicamente, como apontado por Yesilyurt, ao comercializar sua infraestrutura interna por meio de um produto chamado Google Cloud Discovery Engine (Vertex AI Search), o Google acabou revelando muito sobre como seus sistemas de IA funcionam.

Se você entende o que o Discovery Engine expõe, você entende como o Google AI Mode, AI Overviews e os futuros recursos de busca por IA provavelmente estão ranqueando e recuperando conteúdo.

Vou falar sobre os 7 sinais de ranqueamento abaixo, mas recomendo fortemente a leitura do post completo linkado, pois ele entra em um nível técnico muito mais profundo.

Os 7 sinais de ranqueamento da IA do Google

1. Base Ranking

A pontuação inicial de relevância do algoritmo central.

2. Gecko Score (similaridade por embeddings)

Similaridade vetorial entre o conteúdo e a consulta.

Correspondência semântica.

3. Jetstream (relevância por cross-attention)

Modelo mais avançado que entende negação, contraste, contexto e nuance melhor do que embeddings tradicionais.

4. BM25 (correspondência por palavras-chave)

Autoexplicativo.

Sim, palavras-chave ainda importam.

5. PCTR (taxa de clique prevista)

Modelo de previsão em três níveis:

• Nível 1: Popularidade

• Nível 2: PCTR

• Nível 3: PCTR personalizado (ativado apenas após 100.000+ consultas)

6. Freshness (atualidade)

Pontuação baseada em recência temporal.

7. Boost / Bury Rules

Ajustes manuais de ranqueamento baseados em regras de negócio.

Este é o olhar mais transparente que já tivemos sobre o pipeline de ranqueamento da IA do Google.

Como funciona o pipeline de recuperação (retrieval)

O Discovery Engine também expõe como o Google recupera conteúdo:

• Tamanho máximo de chunk: 500 tokens (aprox. 375 palavras)

• Opcional: headings ancestrais acompanham cada chunk

• Tabelas e imagens são analisadas

• Parser de layout + entendimento aprimorado pelo Gemini (indexação com LLM)

Isso significa que todo ponto importante precisa caber em blocos de até 500 tokens, com headings claros e estrutura limpa.

Se o seu conteúdo é um grande bloco de texto sem organização, acabou.

Sim, schema importa (e agora está confirmado)

Pode até ser controverso dizer isso nas redes sociais, mas sempre foi óbvio — e agora está confirmado.

O Discovery Engine mostra que o Google processa dados estruturados com três flags independentes:

• Searchable (impacta recuperação)

• Indexable (impacta filtragem e ordenação)

• Retrievable (impacta o que a IA pode responder)

Esses sinais são independentes.

Ou seja:

• Um campo pode influenciar o ranqueamento sem aparecer na resposta

• Ou aparecer na resposta sem influenciar o ranking

Isso é uma pista enorme de como o Google usa schema no AI Mode.

O pipeline de busca por IA em 4 etapas

1. Prepare

   Entendimento da consulta, sinônimos (sensíveis ao tempo), autocomplete, NLU.

2. Retrieve

   Chunking, parsing de layout, extração de schema, embeddings.

3. Signal

   Aplicação dos 7 sinais de ranqueamento.

4. Serve

   O Gemini 2.5 Flash gera a resposta final, aplica instruções, filtros de segurança, perguntas relacionadas e regras de grounding.

Busca tradicional, AI Overviews e AI Mode são apenas configurações diferentes do mesmo pipeline.

O que tudo isso significa na prática

Você precisa otimizar três camadas ao mesmo tempo:

Camada 1: Similaridade semântica (Gecko)

Seu conteúdo precisa corresponder claramente à intenção dos prompts que você deseja capturar.

Camada 2: Relevância por cross-attention (Jetstream)

O Jetstream recompensa:

• Definições claras

• Respostas diretas

• Comparações

• “X vs Y”

• “Melhor para ___”

• “Sem ___”

Camada 3: Clareza em nível de chunk

Seu conteúdo precisa ser extraível em blocos de até 500 tokens com:

• Headings baseados em perguntas

• Respostas de 2–3 frases

• Resumos TL;DR

• HTML limpo

• Afirmações factuais

• Listas e comparações

É exatamente isso que os sistemas de IA citam.

Por que isso funciona tão bem para IA Search

É exatamente por isso que a abordagem da SEO Stuff (seo-stuff.com) funciona tão bem em buscas por IA.

As descobertas do Discovery Engine validam completamente a estratégia adotada pela SEO Stuff antes mesmo dessa documentação se tornar pública.

Conclusão

O Google não está escondendo sua arquitetura de busca por IA.

Ele literalmente expôs:

• Os sinais

• As camadas de ranqueamento

• O tamanho dos chunks

• A lógica de parsing

• Os modelos semânticos

• As camadas de engajamento

• O fluxo de geração de respostas

As marcas que entendem isso e estruturam seu conteúdo de acordo vão atravessar a próxima era da busca com enorme vantagem competitiva.

Se a IA está substituindo o primeiro clique, seu conteúdo precisa substituir a primeira impressão.

Simples assim.