Não existe algoritmo de AEO para hackear, defende especialista

A tese: AEO não é problema de ranking, mas de elegibilidade

Gaetano DiNardi argumenta que profissionais de marketing tentam fazer engenharia reversa do AEO (Answer Engine Optimization) como se fosse um problema de ranqueamento de SEO, quando na verdade é um problema de elegibilidade de categoria - não existem "fatores de ranqueamento de AEO" que possam ser hackeados. Para ilustrar, ele usa o exemplo da Ferrari: a marca não publica listicles como "As 10 melhores alternativas à Porsche" para se posicionar na conversa de carros esportivos de luxo, porque vencedores de categoria têm sinais de marca fortes o suficiente para garantir sua visibilidade em sistemas de IA.

O diagnóstico central é que empresas querem uma resposta tática para um problema que exige trabalho estratégico. Segundo ele, é comum o cliente querer aparecer em buscas comerciais de categoria, mas a própria página inicial descreve o produto com linguagem que ninguém fora da empresa usa, e a equipe lança uma única página de solução achando que resolve. Se a empresa não sabe explicar o que faz, para quem e por que escolhê-la, há um problema maior do que ser ou não mencionada no ChatGPT.

O que o SEO tradicional fazia e o AEO elimina

DiNardi revisita a era do SEO, em que especialistas estudavam estudos de "ranking factors" e testavam variações de páginas para inferir o algoritmo do Google. Ele lista os testes comuns e por que perdem eficácia: testes de título e CTR não se aplicam ao AEO por causa da natureza "zero-click"; testes de conversão perdem valor com a queda do tráfego orgânico; atualizações de conteúdo ficam redundantes; e o diagnóstico clássico de "o concorrente tem mais backlinks" deixa de valer. LLMs geram respostas a partir de dados de treinamento, busca na web (grounding) e da interpretação do contexto e da formulação da pergunta - um mecanismo diferente do ciclo conteúdo → posição → tráfego.

Ele reforça que ranquear em #1 no SEO não garante que o modelo recomende a marca. Cita Lily Ray, que constatou que listicles autopromocionais podem não funcionar como tática de AEO sem um volume suficiente de pegada digital e corroboração de terceiros para sustentar o "melhor para X". Menciona também que a orientação do próprio Google sobre busca generativa diz que seus recursos de IA se apoiam nos sistemas existentes de ranqueamento e qualidade, mas rejeitam várias táticas de AEO e GEO. Os motores de resposta montam shortlists de fornecedores com base em conhecimento de entidade pré-estabelecido, sem que hacks de GEO consigam alterar isso.

O método aplicado a clientes

DiNardi descreve o processo que usa em consultoria, que cruza SEO, product marketing, vendas, inteligência competitiva e conteúdo:

1. Corrigir desalinhamento de categoria: fazer um "LLM perception audit", comparando como a empresa quer ser conhecida, como ela se descreve e o que os sistemas de IA realmente dizem, criando uma matriz de desalinhamento de mensagens.
2. Encontrar perguntas de comprador sem resposta no site: extrair dados de consultas do Google Search Console e Bing Webmaster Tools, cruzando com conversas de vendas e contexto competitivo.
3. Produzir conteúdo de avaliação de fornecedores: páginas de comparação que explicam diferenças e tradeoffs reais, como no exemplo "Docebo vs TechWolf".
4. Analisar lacunas de autoridade externa: buscar corroboração em experiências de clientes, cobertura da imprensa, parceiros e documentação - sem fabricar conversas no Reddit ou comprar menções.
5. Acompanhar prompts comerciais: montar conjuntos de prompts sobre seleção de fornecedores, comparações e requisitos de compra, separando questões de marca das genéricas.
6. Conectar visibilidade a contribuição de negócio: medir visitas qualificadas, conversas de comprador e pipeline, triangulando jornadas em vez de atribuir tudo ao último clique.

A conclusão prática: em vez de perseguir táticas aleatórias, o caminho é garantir alinhamento de categoria e evidência pública consistente - a visibilidade em IA se conquista, não se força.