Mitos de GEO: o que dizem as fontes primárias e o que fica sem resposta

Várias recomendações frequentes de GEO não têm respaldo em fontes primárias. A documentação consultada da Common Crawl não menciona o Internet Archive como via de descoberta; o Google indica que não são necessários arquivos nem marcação especial para seus recursos de IA; e os estudos de fornecedores não mostram que o llms.txt, o top 10 ou a extensão do texto expliquem por si sós as citações.

Este guia foi pensado para quem precisa decidir em que investir tempo, não apenas para quem implementa. Os termos técnicos são explicados em palavras simples e o detalhe fica sob o rótulo "Para a equipe técnica". A CookingMetrics oferece auditorias e acompanhamento a equipes de desenvolvimento, e não vende ferramentas de visibilidade. Duas das fontes citadas são de empresas que vendem software de SEO; isso é declarado em cada caso. Este guia não é uma lista completa de mitos: inclui apenas os que pudemos confrontar com uma fonte primária.

Em síntese

• Uma afirmação é chamada aqui de "mito" somente se uma fonte primária a contradiz ou se não há evidência a favor. Se a evidência é mista, ela é apresentada como incerteza.
• Mito 1: salvar páginas no Internet Archive não consta na documentação da Common Crawl como uma via para que ela as rastreie. Não há respaldo oficial; isso não prova que seja impossível.
• Mito 2: o fato de a Common Crawl conhecer um endereço não implica que ela o baixe. Sua própria documentação diz que ela arquiva uma amostra da web.
• Mito 3: o Google indica que não é preciso criar arquivos novos, arquivos de texto para IA nem marcação especial para aparecer nos AI Overviews ou no AI Mode. Isso vale para os recursos do Google, não para outros assistentes.
• Mito 4: um estudo de um fornecedor sobre cerca de 300.000 domínios não encontrou correlação entre ter o llms.txt e ser citado. Não há evidência a favor, e tampouco uma prova definitiva contra.
• Evidência mista: que estar no top 10 "garanta" citações e que o texto longo seja mais citado não são mitos comprovados nem verdades: os estudos disponíveis são de fornecedores, com métodos que mudam entre versões.
• Distinguir entre o treinamento de modelos e a recuperação de páginas em tempo real evita a maior parte das confusões.

Como cada afirmação foi classificada

Cada afirmação traz uma classe de evidência, para que se veja quanto pesa o que se diz:

• Documentação oficial: a página do próprio serviço sobre como ele funciona.
• Estudo com método publicado: uma análise que explica sua amostra e seu método. Se for publicada por uma empresa que vende produtos relacionados, isso é informado.
• Sem fonte consultada: a afirmação circula, mas não encontramos uma fonte primária que a sustente.

Nenhuma classe prova causalidade por si só. Uma correlação entre duas coisas, por exemplo ter um arquivo e ser citado, não demonstra que uma provoque a outra.

Conteúdo exclusivo

Para leitores com conta

Uma ficha para revisar uma afirmação

Diferencie respaldo, contradição e evidências insuficientes com um exemplo de promessa universal de citações.

Entre para acessar esta seção →

Trabalhamos para oferecer conteúdos da melhor qualidade; por isso algumas destas explicações não são públicas.

Antes de começar: treinar não é recuperar

Boa parte da confusão vem de misturar dois processos distintos:

• Treinamento: os modelos aprendem com grandes coleções de páginas, que são filtradas e processadas antes. A Common Crawl é uma das coleções públicas desse tipo.
• Recuperação: quando um assistente com busca responde, ele consulta páginas naquele momento e pode citá-las. É outro mecanismo, com outros robôs e outras regras; veja como medir o tráfego de assistentes de IA.

Estar em uma coleção de treinamento não explica por si só uma citação em um assistente com busca, e as fontes consultadas não dizem o contrário.

Mito 1: "salvar as páginas no Internet Archive faz a Common Crawl rastreá-las"

• O que a documentação diz: o FAQ da Common Crawl, consultado em 12 de novembro de 2026, indica que seu rastreador usa os mapas do site anunciados no arquivo robots.txt e que pode encontrar páginas seguindo links de outros sites. Não menciona o Internet Archive.
• O que não diz: não diz que essa lista seja exaustiva nem que seja impossível. Por isso este guia não afirma que a prática não funciona: afirma que não há documentação oficial que a respalde.
• Classe de evidência: documentação oficial, por ausência. Sem fonte consultada para a afirmação.
• O que convém fazer em vez disso: declarar o mapa do site no robots.txt e manter links de outros sites para as páginas importantes. São as duas vias que a documentação menciona.

Mito 2: "se a Common Crawl conhece um endereço, ela o baixa"

• O que a documentação diz: o mesmo FAQ indica que ela não costuma arquivar um site inteiro, mas um subconjunto escolhido ao acaso, e que o conjunto de dados é uma amostra da web.
• O que o estudo diz: um artigo de pesquisa, Host-Aware Web Crawling for LLM Pretraining Data (Malte Ostendorff, 9 de outubro de 2026), cujo autor consta como afiliado à Common Crawl Foundation, analisa como o rastreamento se distribui entre sites. Com dados de um rastreamento de 2024:
  • a correlação entre quanto se rastreia de um site e sua "densidade de qualidade" é de −0,08 sobre 5.654.186 sites; ou seja, quase não há relação;
  • os autores estimam, para esse rastreamento, cerca de 58 milhões de páginas de alta qualidade entre os endereços conhecidos que ficaram sem ser baixados. É uma estimativa que supõe que as páginas não baixadas se parecem com as baixadas;
  • uma política alternativa alcançaria, em simulação, até 7,8 vezes mais páginas de alta qualidade por página baixada com orçamentos pequenos, e 1,7 vez ao crescer o orçamento.
• O que significa "qualidade" aqui: a previsão de um classificador sobre sua utilidade para treinar um modelo. O próprio artigo a trata como uma aproximação, não como qualidade em sentido editorial.
• O que não diz: que a Common Crawl tenha mudado seu rastreador, nem que vá fazê-lo. A proposta foi testada em simulação. Não explica citações em assistentes com busca.
• Classe de evidência: documentação oficial e estudo com método publicado. A seção de limitações do artigo não foi lida; nada se afirma sobre ela.

Para a equipe técnica. A correlação citada é a de Spearman, uma medida de quão parecida é a ordem de duas listas, entre −1 e 1; um valor próximo de 0 indica pouca relação. O estudo usa uma amostra de arquivos WARC (o formato em que a Common Crawl guarda as páginas) e um índice de sites para a análise completa.

Mito 3: "é preciso criar um arquivo ou uma marcação especial para aparecer nos recursos de IA do Google"

• O que a documentação diz: a página do Search Central "AI features and your website" indica que não é preciso criar arquivos novos legíveis por máquina, arquivos de texto para IA nem marcação, e que não há um formato de dados estruturados especial a acrescentar. Para aparecer, a página deve estar indexada e poder ser exibida com um trecho de texto. Aparecer não é garantido. A página não mostra data de atualização.
• Alcance: vale para os AI Overviews e o AI Mode. Não diz nada sobre outros assistentes, que têm sua própria documentação.
• Classe de evidência: documentação oficial.
• O que convém fazer em vez disso: as práticas habituais de SEO que essa mesma página recomenda; veja o que é GEO.

Mito 4: "o llms.txt faz os assistentes citarem mais o site"

• O que é o llms.txt: uma proposta de Jeremy Howard, publicada em setembro de 2024 e atualizada em agosto de 2026 em llmstxt.org, para oferecer aos agentes informações que os ajudem a usar um site. Seu autor diz que esperava que fosse útil sobretudo quando o agente consulta o site, mais do que para o treinamento. A página não afirma nenhum efeito sobre posições, citações nem tráfego.
• O que as empresas dizem: não encontramos documentação oficial do Google que diga que ele o lê, e a página do Google do mito 3 indica que não é necessário. A página da OpenAI sobre seus rastreadores não menciona o llms.txt ao descrevê-los. Não consultamos documentação da Anthropic sobre o tema.
• O que diz o único estudo consultado: a SE Ranking, uma empresa que vende software de SEO, publicou em 15 de outubro de 2026 um estudo sobre cerca de 300.000 domínios. Apenas 10,13% tinham o arquivo. O estudo informa que não há correlação entre tê-lo e ser citado, e que retirar essa variável de seu modelo melhorou sua precisão. A página não indica quais assistentes consultou, quantas respostas, em que datas nem os valores das correlações, e seus autores advertem que os resultados dependem do modelo e do conjunto de dados.
• O que se pode concluir: não há evidência a favor de que o llms.txt aumente as citações, e o único estudo consultado não encontrou relação. Tampouco é uma prova definitiva contra: o estudo é de um fornecedor, com método incompleto na página, e os assistentes mudam. O arquivo pode ter outros usos para quem desenvolve agentes, como indica sua proposta. A Cloudflare, em sua avaliação de prontidão para agentes, o trata como opcional; veja o que o isitagentready.com mede.
• Classe de evidência: proposta do autor do formato, ausência na documentação oficial e estudo de um fornecedor.

Evidência mista 5: "estar no top 10 garante que você seja citado"

Esta afirmação não é um mito comprovado nem uma verdade. O que existe são dois estudos da Ahrefs, uma empresa que vende software de SEO, sobre os AI Overviews do Google:

• Julho de 2025: 76,10% das páginas citadas estavam entre os dez primeiros resultados, sobre 1,9 milhão de citações de 1 milhão de AI Overviews, tomando as três primeiras citações de cada resposta.
• Março de 2026: 37,9% dos endereços citados estavam entre os dez primeiros, sobre 863.000 consultas e 4 milhões de endereços. O próprio artigo compara "~76% frente a ~38%", mas indica que melhorou seu método de análise; por isso não é uma comparação direta. Os dados vêm da ferramenta de visibilidade do próprio fornecedor.

Duas correções de leitura:

• É uma proporção das páginas citadas, não das páginas do top 10. Que uma parte das páginas citadas esteja no top 10 não diz quantas páginas do top 10 são citadas.
• As duas cifras são de AI Overviews. Não servem para o ChatGPT nem para o AI Mode. No guia sobre query fan-out comenta-se outro estudo de um fornecedor, segundo o qual cerca de dois terços das páginas citadas não estavam no top 10 nem para a consulta principal nem para nenhuma subconsulta.

O prudente é dizer que se posicionar bem ajuda a ser considerado, sem garantia, e que as porcentagens variam conforme o método.

Evidência mista 6: "o conteúdo longo é mais citado"

Um estudo da Ahrefs de 3 de dezembro de 2025 analisou 560.346 AI Overviews e 1.677.876 endereços citados, e obteve uma correlação de Spearman de 0,04 entre a quantidade de palavras e a citação: praticamente nenhuma. O artigo usa a mesma cifra para ser citado e para a posição da citação. A página citada média tinha 1.282 palavras; 53,4% tinham menos de 1.000.

Uma limitação que este guia assinala, não o estudo: a amostra inclui apenas páginas citadas. Não compara com páginas que não foram citadas, de modo que não permite concluir se a extensão influencia ou não em ser citado. É um estudo de um fornecedor, sobre AI Overviews, e não há dados de extensão para o ChatGPT nos materiais lidos. A evidência é "nenhuma relação observada nesses dados", não uma regra.

Conteúdo exclusivo

Para leitores com conta

Laboratório de três recomendações

Avalie três frases fictícias e transforme cada uma em uma decisão com limites explícitos.

Entre para acessar esta seção →

Trabalhamos para oferecer conteúdos da melhor qualidade; por isso algumas destas explicações não são públicas.

O que fazer em vez disso

Recomendação da CookingMetrics, não uma garantia:

• Garantir o básico: que as páginas sejam indexáveis, com conteúdo no HTML inicial e acessíveis para os robôs que se quer permitir. Veja o que buscar em um fornecedor de design e desenvolvimento web.
• Medir o próprio: visitas, rastreamento e citações do próprio site, antes de se apoiar em cifras de terceiros.
• Perguntar sempre pela fonte: quem diz, com que amostra, o que vende, e se é documentação oficial ou um estudo de fornecedor.
• Tratar o misto como incerteza: testar uma mudança por vez e registrar a data, sem atribuir a ela o resultado.

Conteúdo exclusivo

Para leitores com conta

Um registro de decisões que pode ser revisado

Documente quando adotar, testar, adiar ou descartar uma prática e quais evidências poderiam mudar a decisão.

Entre para acessar esta seção →

Trabalhamos para oferecer conteúdos da melhor qualidade; por isso algumas destas explicações não são públicas.

O que não concluir

• Que uma prática "não funciona" porque não encontramos respaldo oficial: é ausência de documentação, não prova do contrário.
• Que o dito para os recursos de IA do Google valha para outros assistentes.
• Que uma correlação de um fornecedor demonstre causalidade.
• Que esta lista esgote os mitos de GEO.

O que fazer depois

Para conferir afirmações sobre a busca tradicional, veja o que o Google diz sobre os mitos de SEO.

Antes de implementar uma recomendação de GEO, escreva em uma linha qual fonte a respalda e de que classe é. Se desejar que revisemos quais recomendações do seu site têm sustentação e como medir seu efeito, conheça nosso serviço de SEO para buscas com IA: revisamos e acompanhamos a sua equipe, e não vendemos ferramentas de visibilidade.

Perguntas frequentes

O que é a Common Crawl e por que ela importa em GEO?

É uma coleção pública de páginas web que é usada, entre outras coisas, para treinar modelos. Sua documentação descreve um rastreamento de uma amostra da web. Estar nessa coleção não explica por si só uma citação em um assistente com busca.

Preciso de um arquivo llms.txt para aparecer nos AI Overviews?

Não. O Google indica que não é preciso criar arquivos novos nem arquivos de texto para IA para aparecer nos AI Overviews ou no AI Mode. O arquivo é uma proposta pensada para agentes que consultam um site.

Estar no top 10 garante que o Google me cite nos AI Overviews?

Não há fonte que o garanta. Os estudos da Ahrefs medem que proporção das páginas citadas estava no top 10, com resultados de 76,10% e 37,9% conforme a versão e o método, e não a probabilidade de ser citado estando no top 10.

Um texto mais longo é mais citado?

Um estudo da Ahrefs sobre AI Overviews não encontrou relação entre a quantidade de palavras e a citação (correlação de 0,04). Analisou apenas páginas citadas, por isso não permite concluir sobre ser citado ou não.

Como distingo um mito de uma recomendação com sustentação?

Pergunte quem a afirma, com que amostra, se vende algo relacionado e se há documentação oficial. Se não há fonte primária, é uma hipótese; se a evidência é de um fornecedor, é um indício, não uma prova.