“Taxa de conversas iniciadas sobre conteúdo buscado em um site/portal por um modelo de linguagem”. Prepare-se! É bem possível que você passe a utilizar esse indicador nos próximos meses!

Bem-viiindos! Eis-me aqui novamente, e posso dizer que depois de duas semanas bem movimentadas, onde como professor, preparei e revisei os materiais sobre Transformação Digital na Era da IA e Introdução a IA para ministrar aulas para a turma de MBA da FIA LabData, e como profissional, fui em busca de encontrar parte do conteúdo apresentado e disponibilizado em canais do Youtube e podcasts sobre o SXSW 2025 e MWC, os quais estava estudando e me atualizando, trago aqui minha coluna da semana sobre um dos temas que me saltou aos olhos: O Futuro da Otimização para Motores de Busca!

Não nego que eu já queria trazer o tema, o qual é uma continuação direta da minha coluna sobre O poder da relação simbiótica entre os mecanismos de busca e a publicidade digital na Era da IA. Sendo assim, vamos falar sobre otimização do mecanismo de pesquisa na internet por meio de modelos de linguagem.

LLM Engine Optimization

O LEO, sigla para LLM Engine Optimization (Otimização para Mecanismos de Modelos de Linguagem), propõe-se a ser uma a prática de otimizar seu conteúdo digital para que ele seja compreendido, indexado e aproveitado por LLM sigla para Large Language Model (Modelo Grande de Linguagem) como o ChatGPT, Google Gemini, Anthropic Claude, entre outros. Em termos simples, considerando que o SEO sigla para Search Engine Optimization (Otimização para Motores de Busca) visa atender aos algoritmos de buscadores como o Google e Bing da Microsoft, o LEO busca “agradar” os modelos de inteligência artificial, garantindo que suas informações sejam captadas e referenciadas por eles em respostas aos usuários. Diferentemente do SEO que é voltado a ranquear páginas, o LEO foca em fazer seu conteúdo aparecer nas respostas geradas por IA – em vez de só aparecer como um link, sua marca ou informação passa a ser citada diretamente pelo assistente virtual.

Para entender como o LEO funciona, vale lembrar como os modelos de linguagem obtêm informações do mundo, onde vale citar que:

1. Muitos modelos são pré-treinados com grandes porções de textos da internet até certa data, sendo seu “cutoff” de conhecimento;
2. Alguns modelos, como o ChatGPT com navegação web, buscam informações atualizadas via motores de busca, p.e., usando a indexação do Bing para encontrar conteúdo novo;
3. Outros modelos possuem conexões customizadas com fontes específicas a partir de APIs, bancos de dados, plugins, para poder acessar dados em tempo real

Na prática, isso significa tomar medidas como para garantir que seu site seja rapidamente indexado pelo Bing, que pode alimentar o ChatGPT, usando APIs de indexação, padronizar as informações da sua empresa em múltiplas plataformas e formatos, e fornecer dados estruturados que os modelos de IA conseguem ler facilmente. Em resumo, o LEO “ensina” os sistemas de IA a entenderem quem é você, do que trata seu conteúdo e por que ele é relevante para ser “buscado” ou encontrado.

Uma proposta que ilustra o funcionamento técnico do LEO é a do arquivo llms.txt. Inspirado no robots.txt, que orienta os crawlers de busca tradicionais. O llms.txt trata-se de um arquivo no hospedado no seu site, dedicado a informar os modelos de linguagem sobre seu conteúdo e como utilizá-lo. Nesse arquivo, você pode resumir informações-chave sobre sua marca em formato amigável à IA, apontar links para páginas com detalhes e dar instruções do que deve ou não ser usado. Esse tipo de iniciativa permite guiar diretamente a “compreensão” das IA sobre seu site, em vez de ficar à mercê do que o algoritmo decidir rastrear. Em paralelo, práticas de LEO também recomendam criar versões do conteúdo em formatos simples, como p.e., páginas .md com texto puro e bem estruturado para facilitar a leitura pela IA. Se você quiser entender como ficou, pode clicar no link do meu site pessoal https://www.falagaiotto.com.br/llms.txt.

Diferenciais do LEO em relação a outras abordagens de otimização

O LEO surge como uma potencial resposta às limitações do SEO tradicional na era da IA. Embora compartilhe fundamentos com boas práticas de SEO, como conteúdo de qualidade e estrutura clara, ele se distingue em vários aspectos importantes:

• Enquanto no SEO clássico se buscava repetir palavras-chave e termos para satisfazer algoritmos de ranking, os modelos de linguagem “entendem” linguagem natural e contexto, não precisando de correspondência exata de keywords. Com isso, incluir muitas palavras-chave, finalmente, perdeu sua necessidade, pois modelos de IA priorizam entender ideias e entregar valor real nas respostas. Por exemplo, em vez de se preocupar com densidade de “melhor tênis de corrida” no texto, LEO incentiva responder a perguntas específicas como “Qual o melhor tênis para corrida de longa distância para quem tem pé chato?” de forma completa e útil. Pense o quanto conteúdos profundos e focados na intenção do usuário têm mais chance de serem aproveitados pela IA do que páginas apenas ajustadas para termos exatos.
• Modelos de IA têm evoluído em mecanismos para evitar respostas errôneas (“alucinações”) e tendem a passando a dar preferência a fontes confiáveis e verificáveis. Isso significa que, ter autoridade no assunto como, expertise reconhecida, citações por fontes externas, dados embasados, gera relevância. Incluir dados concretos, citações e referências no texto agora não é apenas uma boa prática editorial, mas também um sinal para a IA de que seu conteúdo é confiável. Assim, uma estratégia LEO vai além de meta tags e links, pois ela se preocupa em construir reputação digital, como p.e., ser mencionado em fontes de uma autoridade, uma citação em um artigo acadêmico, Wikipédia, ou grande portal, pode ser relevante, pois se o seu nome aparece em lugares que os modelos de linguagem “respeitam”, as chances de eles citarem você são maiores. Em outras palavras, estar presente no “conhecimento geral” da internet, e não só no seu site, se torna um diferencial.

• Outra diferença é que o LEO valoriza extremamente a estruturação do conteúdo de forma legível para máquinas. Isso inclui usar títulos e subtítulos claros, parágrafos curtos e objetivos, listas e tabelas para organizar informações, ou seja, elementos que ajudam a IA a extrair rapidamente os pontos-chave. Formatos como FAQ sigla para Frequently Asked Questions (Perguntas Frequentes), guias passo a passo e resumos destacáveis são considerados “AI-friendly”, pois apresentam conhecimento de modo acessível e segmentado. No SEO tradicional, uma boa estrutura também era positiva, afinal, melhorava a experiência do usuário e favorecia snippets nos resultados de busca, mas no LEO isso se torna crítico, pois um conteúdo com HTML limpo, sem poluição de anúncios ou código desnecessário, e com schema markup bem definido, será interpretado com mais facilidade por um modelo de linguagem. De fato, recomenda-se hoje usar markup semântico e schema para indicar à IA quem é o autor, do que trata o texto, qual a organização, etc., ajudando o modelo a “entender” o seu conteúdo em nível mais profundo. Resumindo, o LEO coloca uma lupa na legibilidade para máquinas, além da legibilidade para as pessoas.
• Em vez de competir por um clique do usuário, no LEO o conteúdo deve ser útil, mesmo que o usuário não visite seu site diretamente. Isso é uma mudança de mentalidade, pois no SEO convencional, você otimizava título e descrição para atrair o clique e então converter o visitante. Já na resposta de um chatbot de IA, muitas vezes o usuário obtém a informação desejada sem nunca clicar em link algum – é a chamada era do “zero-click”. Mais de 60% das buscas hoje já terminam sem nenhum clique em resultado, pois o usuário obtém resposta direta. Por isso, o conteúdo otimizado para LEO tem que trazer valor imediatamente, podendo ser resumido ou citado pela IA de forma que o usuário já fique satisfeito. Isso não significa que visitas ao site não importam mais, mas sim que uma menção da sua marca ou a citação do seu conteúdo na resposta do assistente de IA passa a ser um indicador de sucesso, construindo awareness e confiança mesmo sem gerar tráfego no momento da resposta a pesquisa. Em outras palavras, no LEO você “vence” quando a IA recomenda você, mesmo que o usuário não clique no seu link.
• Muitas técnicas de otimização consolidadas continuam válidas, pois afinal, conteúdo de qualidade, desempenho do site e autoridade sempre foram o coração do SEO e permanecem importantes. A diferença é onde está o “algoritmo-alvo”, considerando que antes era o do Google, agora são as IA. Isso traz algumas táticas clássicas de volta aos holofotes, como p.e., divulgar guest posts em sites relevantes para espalhar seu nome, o que já era uma prática antiga de SEO, e que pode ajudar a repetir seus sinais de autoridade por toda a web, facilitando o trabalho da IA em identificar você. Ao mesmo tempo, certas obsessões antigas perdem relevância, pois páginas artificiais só para agradar algoritmo, ou portais de links de baixa qualidade, tendem a ser ignoradas pelas IA, que aprendem padrões gerais de linguagem e não contam links do mesmo modo que o Googlebot. Autenticidade e consistência sobre quem você é e o que oferece, em múltiplas plataformas, torna-se mais efetivo do que quaisquer “truques” isolados. De forma geral, LEO incentiva a criação de conteúdos mais úteis, estruturados e acessíveis, o que acaba beneficiando tanto as máquinas quanto os leitores humanos. Diferentemente do SEO que às vezes parecia um jogo contra algoritmos opacos, o LEO aproxima a otimização da boa prática editorial e técnica, alinhando o interesse de quem busca informação recebendo uma boa resposta, com o de quem produz conteúdo para ser mencionado justamente por ter a melhor resposta.

Aplicações Práticas do LEO

A otimização para modelos de linguagem é um conceito novo, e seus impactos práticos já começam a aparecer em diversos setores. Marketing, produção de conteúdo digital e estratégias de negócios podem se beneficiar do LEO. Nos próximos parágrafos que explorar exemplos de como o LEO se aplica em cada contexto:

Marketing e Brand Awareness:

• No marketing digital, o LEO abre um novo canal de visibilidade de marca. Imagine o potencial de ter seu produto ou empresa recomendados diretamente por um assistente de IA durante a jornada de compra do consumidor. Muitos usuários já estão perguntando a chatbots algo como “qual é o melhor aplicativo para X?” ou “que marca você sugere para Y?”. Estar presente nessas respostas é o novo objetivo. Profissionais de marketing de empresas de software começaram a se perguntar como podem fazer seu SaaS aparecer como recomendação do ChatGPT ou Claude quando alguém pede a “melhor solução” em seu nicho. Um caso de uso real que posso citar, trata-se de um profissional que relatou que pessoas chegaram até ele porque o ChatGPT “falou” sobre seu nome, algo que era impensável até poucos anos. Esse tipo de indicação orgânica por IA é ouro para marketing, pois carrega uma impressão de neutralidade e autoridade, pois afinal, foi a “IA onisciente” quem sugeriu. Para aproveitar isso, equipes de marketing estão incorporando práticas de LEO ao seu plano. Isso inclui garantir que descrições de produtos e páginas institucionais estejam mais bem escritas e claras, pois a IA pode usá-las ao dar respostas. Também envolve alimentar a web com conteúdo de liderança de pensamento, como artigos, estudos, infográficos, de forma que os modelos de linguagem passem a reconhecer sua marca como referência, como p.e., a empresa pode publicar um whitepaper setorial com dados inéditos; se esse material ganhar citações e for rastreado pelos modelos, quando alguém perguntar “quais são as tendências do setor?”, a IA tem grande chance de mencionar o estudo e, consequentemente, o nome da empresa, gerando consciência de marca. No campo de marketing de conteúdo, o LEO incentiva formatos conversacionais e educativos que os assistentes adoram resumir. Guias “como fazer” (how-to), conteúdos em formato de pergunta e resposta, e FAQ ricas sobre seus produtos/serviços engajam leitores humanos e são munição de qualidade para chatbots puxarem em um diálogo. Pense no LEO como uma extensão do branding: assim como você otimiza para aparecer nas primeiras posições do Google, agora otimiza para estar na “ponta da língua” dos modelos de linguagem que impulsionam as IA conversacionais.

Criadores de conteúdo:

• Blogueiros, editores de portais informativos, educadores online, também sentem os efeitos do LEO. Tradicionalmente, um blog dependia do Google para ser descoberto, mas agora há novos “leitores” consumindo esse conteúdo, que neste contexto são, os próprios modelos de IA. Por exemplo, já existem casos de blogueiros que notaram tráfego chegando via referências do ChatGPT e da Perplexity nos relatórios de sites e portais. Isso indica que os chatbots estão lendo seus posts e efetivamente apontando usuários para eles. Em alguns casos, pessoas leem um artigo resumido pela IA e procuram o autor para contato profissional. Esse novo fluxo de interação exige que escritores considerem como suas palavras serão “entendidas” por um algoritmo de linguagem.

Na prática, aplicar LEO em blogs e portais de conteúdo significa, primeiramente, escrever de forma clara, coerente e segmentada, quase “didática” para uma máquina. Páginas bem estruturadas, com ideia central logo no início, ajudam a IA a captar o essencial mesmo que não “leia” o texto inteiro. Além disso, produtores de conteúdo estão inserindo referências e fontes nos artigos, não apenas para satisfazer leitores exigentes, mas também para que as IA tenham tracking de onde vem cada informação, aumentando a confiança nelas de usar aquele material, como p.e., um blog de saúde que queira ser fonte para respostas do Copiloto (Bing) sobre um certo tratamento, deve incluir dados de estudos médicos e citá-los. Assim, o modelo perceberá que o texto é fundamentado e estará mais inclinado a extraí-lo.

Outro ponto importante é a divulgação multicanal do conteúdo. Publicar um excelente tutorial apenas no seu blog pode não ser suficiente para chegar aos “ouvidos“ das IA. Por isso, criadores estão repostando versões no Medium, LinkedIn, e outras plataformas públicas, pois quanto mais locais confiáveis contiverem seu conhecimento, maior a chance de ele cruzar o treinamento ou a busca do modelo de linguagem. A estratégia de LEO para conteúdo digital inclui estar presente em repositórios de conhecimento que as IA exploram, sendo até mesmo para quem edita a Wikipedia ou responde perguntas no Reddit, involuntariamente está fazendo LEO, pois alimenta fontes que treinam as IA. Para conteúdos educacionais, isso é valioso, considerando se você mantém, p.e., um portal educativo de matemática, aplicar LEO pode fazer com que assistentes de estudo baseados em IA usem seu método ou até mencionem seu site nas explicações, aumentando seu alcance sem depender só de buscas tradicionais. Em resumo, o LEO ajuda criadores de conteúdo a amplificar sua audiência via inteligência artificial, transformando a IA em uma nova distribuidora do seu trabalho.

Negócios, Geração de Leads e Vendas (Customer Experience)

No contexto de negócios, o LEO tem implicações diretas em como potenciais clientes descobrem e interagem com empresas, incluindo a sua! Um aspecto crítico é a geração de leads B2B. Hoje, muitos executivos e tomadores de decisão já recorrem a ferramentas como ChatGPT para pesquisar soluções e fornecedores antes de contatar empresas. Se um diretor de compras pergunta a um assistente de IA “quais fornecedores de X são líderes de mercado?”, o modelo vai basear sua resposta no que aprendeu sobre as empresas que ele já conhece ou que consegue pesquisar. Aqui, o LEO fará diferença entre, sua empresa ser mencionada ou ficar de fora. Informações de empresas bem otimizadas para modelos de linguagem terão seu nome e pontos fortes reconhecidos pela IA como relevantes, aumentando a chance de serem citadas e entrando no radar do potencial cliente já na fase de pesquisa inicial. Esse é um “lead invisível” gerado sem clique ou formulário, onde o cliente chega pré-informado sobre você orientado pela IA. Negócios B2B que investem em conteúdo técnico de qualidade, estudos de caso robustos e páginas “Sobre” detalhadas com histórico, conquistas, etc.,  estão, na prática, fazendo LEO para garantir que os modelos reconheçam sua autoridade no setor.

No varejo e vendas B2C, a dinâmica também está mudando. Considere o topo do funil de vendas, onde antes, um consumidor digitava algumas palavras-chave genéricas e via anúncios ou links, agora, ele faz perguntas completas e conversacionais, como p.e., em vez de buscar “tênis corrida trilha”, a pergunta é: “Qual o melhor tênis para corrida em trilha?” e espera que a IA responda e indique produtos específicos. Se a sua marca de calçados treinou bem a IA, ou seja, otimizou descrições e resenhas de produtos, disponibilizou dados de avaliações, etc., existe a chance do assistente responder algo como: “Recomendo o Tênis X da Marca Y, pois ele tem ótimas avaliações para trilha e está disponível em seu tamanho”. Perceba que isso vai muito além de um anúncio, dado que se trata de uma recomendação personalizada e contextualizada pela IA, possivelmente levando o usuário direto para a etapa de decisão. Marcas que aderem ao LEO estão alimentando as IA com catálogos bem estruturados, dados de disponibilidade e preço atualizados, e até dados específico acessíveis via API, para que seus produtos sejam os que a IA “lembra” e sugere. Em Marketplaces já se pensa em otimização de fichas de produto para modelos de linguagem, equivalente ao SEO dentro do site, considerando os títulos descritivos, campos técnicos preenchidos e reviews incentivados, pois as IA adoram mencionar feedback de outros usuários.

Quando falamos em experiência do cliente (CX), o LEO também traz aplicações interessantes. Empresas estão integrando IA generativas em atendimento, disponíveis como chatbots de suporte ao cliente, assistentes virtuais em sites, etc., e a satisfação do usuário vai depender de quão bem essas IA conseguem usar a base de conhecimento da empresa. Otimizar a base de FAQ, manuais e artigos de suporte para modelos de linguagem garante que, ao perguntar “como faço para configurar o produto X?”, o assistente interno forneça a resposta correta extraída do seu conteúdo, mantendo o cliente feliz. Isso é LEO voltado para dentro, onde treinar seu próprio modelo ou fornecer os dados de forma estruturada, via documentos bem escritos e divididos, ou base de conhecimento bem-organizados e com conteúdo acurado, permitem que a IA entregue uma experiência de atendimento superior. Além disso, com o crescimento de buscas por voz e assistentes domésticos, se um cliente pergunta no celular ou smart speaker algo sobre seu negócio, como “Esta loja tem item Y em seu estoque?”, a resposta imediata só será correta se seu conteúdo estiver otimizado para ser lido corretamente pela IA por trás da Alexa e Siri. Sendo assim, o LEO também impacta vendas ao facilitar interações instantâneas e personalizadas, seja orientando um prospect, seja ajudando um cliente no pós-venda com rapidez. Em suma, no mundo de negócios, o LEO garante que a “primeira conversa” do cliente seja positiva e inclua você, podendo ser essa conversa com um chatbot pesquisando fornecedores ou com um assistente recomendando um produto.

LEO vs. SEO Tradicional: Comparação Estratégica

Como vimos, LEO e SEO têm objetivos parecidos naquilo que se refere tornar seu conteúdo encontrável e relevante, porém os caminhos diferem bastante. Em essência, SEO e LEO não são excludentes, mas complementares. O SEO tradicional continua importante para que seu conteúdo exista e seja de qualidade na web, já o LEO garante que, uma vez disponível, esse conteúdo seja efetivamente incorporado e apresentado pelos novos “intermediários” de informação. Vale notar que os próprios buscadores estão se transformando,  o Google, p.e., está integrando respostas de IA generativa nos resultados, o que significa que SEO e LEO tendem a convergir. Otimizar seu conteúdo para um pode, em muitos casos, significar otimizar para o outro. No entanto, o LEO exige um olhar além do ranking de 10 links azuis e pensar em como sua informação pode aparecer no contexto de uma conversa ou de uma resposta completa.

Estamos apenas no começo da era LEO, e os movimentos de mercado apontam que otimizar para modelos de linguagem logo será tão comum quanto otimizar para buscadores. Algumas previsões e sinais do futuro próximo:

• O termo LEO pode soar novidade agora, mas rapidamente está entrando no vocabulário do marketing digital. Especialistas de SEO já discutem se precisarão se tornar “especialistas em LEO” para continuar relevantes, como p.e., no SXSW 2025, o tema foi amplamente debatido por John Maeda;
• É consenso emergente que estamos testemunhando uma nova era na descoberta de produtos e conteúdos, e profissionais estão se atualizando. Comentários na indústria indicam uma expectativa de que “SEO evolua para LEO” e que otimização para IA deixe de ser opcional.

Em outras palavras, a prática vai amadurecer!

Hoje ainda experimentamos táticas como o llms.txt, mas logo deveremos ter diretrizes mais claras, casos de sucesso consolidados e ferramentas dedicadas para LEO. Podemos imaginar que as plataformas de IA fornecerão no futuro dashboards para publishers monitorarem como e quanto seus conteúdos são usados nas respostas, ficando semelhante ao Search Console, mas voltado a assistentes virtuais.

• Por incrível que pareça, há quem diga que a maior audiência do seu conteúdo em breve não serão pessoas diretamente, mas as IA que os auxiliam. Uma provocação circulando no meio é que “99% da atenção prestes a ser disputada será a atenção das IA, não as das pessoas”, dado que as IA mediarão informações para os usuários. Ainda que exagerado, isso destaca uma tendência, onde produzir conteúdo pensando em como a IA vai entendê-lo. Isso não significa abandonar a escrita para humanos, considerando que afinal as IA querem conteúdo que humanos apreciam, pois aprendem disso, mas sim pensar em duas camadas de público, como p.e., ao criar um artigo, você se pergunta:
  • Está claro o suficiente para que um leitor comum entenda? e também
  • Está estruturado o bastante para que um modelo de IA extraia os pontos principais e verifique as fontes?

Considere que algumas empresas já podem estar adotando essa dupla perspectiva na criação de materiais;

• A cada nova geração de modelos de linguagem, as capacidades e formas de interação mudam, com isso o LEO terá de acompanhar esse movimento. Modelos de próxima geração devem ser melhores em sua função multimodal, conectados e conscientes de fontes, o que traz oportunidades e desafios, como p.e., modelos futuros poderão potencialmente aceitar imagens, áudio e vídeo como parte das consultas e respostas, o que de certa forma o Google faz hoje. Isso significa que o escopo do LEO vai se ampliar para otimização de ativos não textuais. Quem produz vídeos tutoriais ou podcasts terá interesse em que esses conteúdos sejam “compreendidos” pelos modelos via transcrições bem feitas, metadados detalhados, etc., já que uma IA pode citar um trecho de um vídeo ou podcast como resposta. Inclusive, já se recomenda investir em conteúdo multimídia para maximizar presença em futuras buscas de IA. Além disso, se espera que os novos modelos sejam mais atualizados, reduzindo o cutoff de treinamento e talvez possuam mecanismos de verificação de fatos mais rigorosos. Nesse cenário, o LEO vai evoluir para englobar também a alimentação contínua de informações: empresas poderão fornecer dados diretamente aos modelos para garantir que informações críticas estejam sempre corretas. Pense, p.e., num modelo perguntando preços ou estoque, neste caso, se a IA tiver acesso direto ao seu banco de dados através de uma integração segura, teremos um nível de LEO que beira a cooperação direta com a IA;
• Iniciativas como o já citado llms.txt podem ou não virar padrão, mas indicam um caminho, onde os webmasters e criadores de conteúdo, buscando mais controle sobre como as IA consomem seus dados. Podemos ver nascer algo como um “Protocolo de Indexação para IA” universal, ou diretrizes oficiais de empresas de IA para webmasters, assim como o Google provê guias de SEO. A tendência é de maior transparência e colaboração, possivelmente, no futuro, as IA poderão sinalizar aos produtores de conteúdo quando e como usam seus dados, e os produtores poderão ajustar o fornecimento. Imagine poder dizer “não use minha página X para respostas sobre tema Y e prefira a página Z atualizada”, embora hoje isso ainda seja incipiente, a maturidade da prática de LEO passará por criar essa ponte de comunicação entre quem gera conteúdo e “quem” gera as respostas.
• À medida que LEO se consolida, as empresas vão querer medir seu retorno. Surgirão métricas mais concretas. Já se fala em LLM Referral Traffic, que se trata de visitas oriundas de recomendações de modelos de linguagem, e algumas ferramentas analíticas para identificar quando um usuário veio de uma sugestão de chatbot, detectando certos padrões de URL ou comportamento. Outra métrica pode ser Share of Voice (SoV) em respostas de IA, que traz a porcentagem das vezes que sua marca é mencionada em consultas de determinada categoria. Futuramente, talvez haja maneiras de simular perguntas aos principais modelos e extrair um “ranking de menções”, como p.e, em 100 execuções do prompt “melhor plataforma de e-commerce”, sua empresa foi citada 20% das vezes. Isso pode virar um indicador acompanhável, semelhante à posição média no Google. O ROI do LEO, portanto, será medido em oportunidades capturadas via IA. Se antes calculávamos quantos visitantes do Google viraram clientes, agora podemos tentar estimar quantos contatos ou vendas ocorreram porque a IA recomendou nossa solução. Ainda é um terreno novo, mas com a importância crescente, é provável que ferramentas e técnicas de análise evoluam para dar conta dessas necessidades.

O LEO representa uma evolução natural do SEO diante de uma mudança tecnológica significativa. Assim como o uso maciço de smartphones obrigou o SEO a se adaptar, priorizando mobile-first, busca por voz. Com o uso massivo de IA para obter informações, próximo passo a otimização de conteúdo é obrigatória. O futuro do LEO é promissor e quem sair na frente agora, experimentando e aprendendo como “pensam” os modelos de linguagem, terá vantagem quando essa prática se tornar comum. Ao que tudo indica, a descoberta de informação será cada vez mais mediada por inteligência artificial, de forma conversacional e personalizada. Empresas e criadores que abraçarem o LEO estarão posicionados para permanecer visíveis e relevantes nesse novo panorama. Adotar estratégias de LEO, focar em autenticidade e investir em conteúdo útil em múltiplos formatos são peças-chave para navegar nesse futuro, onde pessoas e IA andam de mãos dadas na busca por conhecimento.  

Alibaba revoluciona o mercado com qwen2.5-omni-7b: modelo multimodal em apenas 7 bilhões de parâmetros

A competição global em inteligência artificial atingiu um novo patamar em 2025, com a China emergindo como um centro de inovação significativo, particularmente no desenvolvimento de modelos multimodais e sistemas autônomos. Este avanço representa uma mudança fundamental na dinâmica do setor, anteriormente dominado por empresas ocidentais.

A Alibaba Cloud acaba de marcar um importante avanço tecnológico com o lançamento do Qwen2.5-Omni-7B, um modelo de IA multimodal que exemplifica a tendência de democratização de tecnologias avançadas. O que torna este desenvolvimento particularmente notável é sua capacidade de processar e gerar conteúdo em múltiplas modalidades — texto, imagem, áudio e vídeo — apesar de seu tamanho relativamente modesto de 7 bilhões de parâmetros.

Este tamanho compacto representa uma abordagem fundamentalmente diferente da tendência anterior de aumentar continuamente o número de parâmetros para obter melhor desempenho. Em vez disso, a Alibaba priorizou a eficiência computacional e a acessibilidade. Com arquitetura otimizada, o modelo consegue operar em dispositivos com recursos limitados, como smartphones e laptops, sem comprometer significativamente a qualidade dos resultados.

A decisão da empresa de disponibilizar o modelo como código aberto através de plataformas como Hugging Face e GitHub é estrategicamente significativa. Isso se alinha com o maior ecossistema de IA de código aberto da China, que já conta com mais de 200 modelos generativos acessíveis ao público. Esta abordagem facilita a adoção por desenvolvedores independentes, pesquisadores acadêmicos e pequenas empresas que não possuem os recursos para desenvolver modelos proprietários. As aplicações potenciais deste modelo são vastas e socialmente relevantes. Ele pode ser implementado em sistemas de descrição de áudio em tempo real para pessoas com deficiência visual, transformando imagens em narrativas verbais detalhadas. Na culinária, pode analisar vídeos para fornecer orientações passo a passo, reconhecendo ingredientes e técnicas. Para empresas, o modelo pode alimentar bots de atendimento ao cliente capazes de compreender consultas complexas em múltiplos formatos e responder de maneira contextual e informativa.

Startup chinesa alcança desempenho 8x mais rápido utilizando apenas 3% dos recursos computacionais dos concorrentes

A Zhipu AI, um spin-off da prestigiada Universidade de Tsinghua, está redefinindo as expectativas para agentes de IA com seu mais recente lançamento, o AutoGLM Rumination. O fator diferencial deste sistema reside na sua eficiência computacional extraordinária — ele opera até oito vezes mais rápido que seus concorrentes principais enquanto utiliza apenas um trigésimo dos recursos computacionais.

Para contextualizar o significado deste avanço, é importante entender que o custo computacional tem sido historicamente uma barreira significativa para a democratização da IA. Modelos de alto desempenho geralmente requerem infraestrutura cara e consomem grandes quantidades de energia. A abordagem da Zhipu representa um salto tecnológico que pode tornar aplicações avançadas de IA mais sustentáveis e acessíveis.

Alimentado pelo modelo GLM-Z1-Air, o AutoGLM Rumination está equipado para realizar tarefas complexas que anteriormente requeriam intervenção humana significativa. Ele pode conduzir pesquisas detalhadas em múltiplas fontes, analisar e sintetizar informações da web, planejar itinerários de viagem considerando múltiplas variáveis e preferências, e compilar relatórios abrangentes com formatação profissional.

A decisão de oferecer este serviço gratuitamente contrasta fortemente com o modelo de negócios de concorrentes como a Manus, que cobra até US$ 199 mensais por funcionalidades similares. Esta estratégia de preço zero representa uma abordagem disruptiva ao mercado, potencialmente acelerando a adoção em massa de agentes de IA e pressionando concorrentes a reconsiderar suas próprias estruturas de preço.

O rápido crescimento da Zhipu AI — evidenciado por sua recente captação de US$ 415 milhões em financiamento — reflete a confiança dos investidores, incluindo entidades governamentais chinesas, no potencial transformador desta tecnologia. A afirmação da empresa de que seu modelo de linguagem GLM4 supera o GPT-4 da OpenAI em vários benchmarks sinaliza um acirramento da competição global por supremacia em modelos de IA.

Nova arquitetura multi-agente executa tarefas complexas sem supervisão humana contínua

A Manus representa um passo evolutivo ainda mais radical na arquitetura de agentes de IA. Diferentemente de assistentes como ChatGPT ou Claude, que funcionam primariamente como respondentes às solicitações humanas, o sistema Manus foi projetado para operar com um grau sem precedentes de autonomia. Esta mudança paradigmática transforma fundamentalmente a relação entre humanos e sistemas de IA.

A principal inovação da Manus está em sua capacidade de iniciar, planejar e executar tarefas complexas sem supervisão humana contínua. Para ilustrar o significado disso, considere que sistemas tradicionais de IA requerem que humanos decomponham grandes tarefas em subtarefas gerenciáveis, forneçam instruções detalhadas para cada etapa e monitorem o progresso. A Manus inverte esta dinâmica, assumindo responsabilidade pelo processo completo de decomposição e execução de tarefas.

A arquitetura multi-agente da plataforma representa uma abordagem sofisticada à resolução de problemas complexos. Ela permite a divisão de fluxos de trabalho entre subagentes especializados, cada um otimizado para uma função específica. Por exemplo, ao analisar currículos para recrutamento, um subagente pode focar na extração e categorização de habilidades, enquanto outro avalia a compatibilidade com requisitos específicos da vaga, e um terceiro prepara recomendações finais.

A capacidade da Manus de operar de forma assíncrona na nuvem, notificando usuários apenas quando resultados estão prontos, representa um novo paradigma na interação humano-máquina. Este modelo de “definir e esquecer” libera tempo humano valioso e permite que processos complexos ocorram em segundo plano com intervenção mínima.

A emergência da Manus sinaliza uma transição evolutiva da IA como ferramenta assistiva para a IA como entidade operacional semi-independente, capaz de atingir objetivos previamente delegados apenas a humanos. Esta mudança tem implicações profundas para o futuro do trabalho, automação de processos e o papel complementar que sistemas de IA desempenharão nas organizações.

Nova funcionalidade transforma interações com IA de consultas isoladas para relacionamentos contínuos e personalizados

A OpenAI anunciou uma atualização fundamental para o ChatGPT que representa um avanço significativo na personalização e contextualização de interações com IA. A nova funcionalidade de memória, disponível para usuários Plus e Pro, permite que o sistema retenha e utilize informações de conversas anteriores, como preferências pessoais, nomes de contatos frequentes e objetivos de longo prazo do usuário.

Esta evolução marca uma mudança importante na abordagem às interações homem-máquina. Sistemas de IA tradicionais têm sido historicamente “sem estado” — cada interação é essencialmente desconectada das anteriores, obrigando usuários a repetir continuamente informações contextuais. A implementação de memória persistente cria uma experiência mais natural, semelhante à forma como humanos constroem relacionamentos ao longo do tempo através de conhecimento compartilhado.

A atualização foi cuidadosamente projetada para funcionar em todas as modalidades de interação — texto, voz e imagem — garantindo uma experiência fluida independentemente da interface utilizada. Esta integração multi-modal reflete um entendimento sofisticado de como os usuários alternam entre diferentes formas de comunicação, dependendo do contexto e da conveniência.

Reconhecendo as preocupações de privacidade inerentes a qualquer sistema que armazene dados pessoais, a OpenAI implementou a funcionalidade como estritamente opt-in, com controles granulares que permitem aos usuários gerenciar exatamente quais informações são retidas. Esta abordagem equilibra a conveniência da personalização com o respeito à autonomia do usuário sobre seus próprios dados.

O objetivo estratégico desta atualização é transformar o ChatGPT de uma ferramenta de consulta ocasional para um assistente pessoal contínuo e cada vez mais valioso ao longo do tempo. À medida que o sistema acumula conhecimento sobre as preferências, necessidades e padrões de comunicação de um usuário específico, ele pode oferecer respostas mais relevantes e personalizadas, aumentando seu valor prático e a fidelidade do usuário.

Integração estratégica visa compreensão holística do mundo físico e digital

O Google está trabalhando em uma integração estratégica de seus modelos Gemini e Veo, sinalizando uma nova direção para seus assistentes de IA. Esta fusão representa uma abordagem unificada à compreensão multimodal do mundo, combinando as capacidades avançadas de processamento de linguagem do Gemini com as habilidades de visão computacional do Veo.

A visão por trás desta integração, segundo Demis Hassabis, é criar um sistema capaz de compreender e interagir com o mundo físico de maneira mais holística. Um assistente verdadeiramente universal precisaria processar e analisar simultaneamente texto, imagens, vídeos e potencialmente outros formatos de dados como áudio e sinais de sensores, de forma integrada e contextual.

Para ilustrar o potencial desta abordagem, considere um cenário em que um usuário mostra ao assistente uma imagem de sua geladeira e pergunta o que poderia cozinhar com os ingredientes disponíveis. Um sistema genuinamente multimodal não apenas identificaria os itens visíveis, mas compreenderia o contexto da pergunta, consideraria preferências alimentares previamente expressas, e poderia sugerir receitas otimizadas para os ingredientes específicos, tempo disponível e nível de habilidade culinária do usuário.

Esta evolução representa uma mudança significativa no campo da IA assistiva. Em vez de oferecer múltiplas ferramentas especializadas para diferentes tarefas, o Google está trabalhando para criar um assistente versátil e adaptável que possa compreender e responder a uma ampla gama de necessidades em diversos contextos, desde ambientes profissionais até domésticos.

Polêmica em benchmarks expõe desafios de transparência na avaliação de modelos de IA

A Meta encontra-se em uma posição desafiadora após os resultados decepcionantes do seu modelo Llama 4 Maverick em benchmarks comparativos. Após uma polêmica envolvendo o uso de uma versão experimental em avaliações, a versão oficial do modelo foi submetida ao LM Arena e ficou significativamente atrás de concorrentes da OpenAI, Anthropic e Google.

Este episódio ilustra os desafios de transparência e avaliação que o campo da IA enfrenta. Com modelos cada vez mais complexos e diversos em suas arquiteturas e capacidades, estabelecer métricas comparativas justas e significativas torna-se extremamente difícil. Além disso, a prática de otimizar modelos especificamente para benchmarks conhecidos pode distorcer a avaliação de seu desempenho em aplicações do mundo real.

Para a Meta, que tem investido pesadamente em modelos abertos como alternativa aos sistemas proprietários fechados de concorrentes, este resultado representa um obstáculo significativo à sua estratégia. A empresa tem argumentado que a abordagem de código aberto pode acelerar a inovação e democratizar o acesso à IA avançada, mas precisa demonstrar que seus modelos podem competir efetivamente em qualidade e desempenho.

O incidente também reacende discussões sobre a necessidade de metodologias de avaliação mais abrangentes para sistemas de IA, que considerem não apenas métricas padronizadas em ambientes controlados, mas também desempenho em cenários de uso reais, robustez contra adversidades, e eficiência computacional.