Resumo Executivo

Arthur Santos Duque Bacelar; Gustavo Barbieri Lima

Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

A inteligência artificial gerativa experimenta um crescimento exponencial no cenário digital contemporâneo, tornando-se um elemento onipresente desde o lançamento de ferramentas como o ChatGPT em 2022. Esse avanço tecnológico motivou grandes empresas do setor a desenvolverem modelos capazes de processar e gerar textos e imagens com sofisticação crescente (Xiong et al., 2024). Nesse contexto, as tecnologias baseadas em modelos de linguagem de grande escala ganharam relevância que transcende a simples capacidade de escrita, consolidando-se como ferramentas de busca ou complementos fundamentais aos motores de pesquisa tradicionais. Embora não tenham sido concebidas originalmente para essa finalidade, tais ferramentas passaram a integrar bases de dados dinâmicas e conectividade com a internet, o que permite a entrega de respostas sintetizadas e citações de fontes em tempo real (Xiong et al., 2024). A evolução desses serviços resultou na criação de buscadores que fundem a capacidade de pesquisa com a geração de texto, transformando a interação dos usuários com a informação online e reduzindo a fronteira entre os mecanismos de busca convencionais e as interfaces conversacionais.

Essas transformações geram incertezas profundas na indústria de otimização para motores de busca, conhecida como SEO, que constitui um dos pilares da visibilidade no marketing digital. A prática de SEO foca no aperfeiçoamento de websites para que estes se alinhem aos requisitos de qualidade dos algoritmos, visando classificações orgânicas elevadas sem a necessidade de investimento em publicidade paga (Camossi; Rodas, 2023). O conjunto de técnicas abrange desde a otimização de palavras-chave e metadados até a construção de autoridade por meio de links externos (Camossi; Rodas, 2023). Estratégias de otimização são fundamentais para garantir que informações sejam localizadas em ambientes digitais altamente competitivos, impactando diretamente a usabilidade e a experiência do usuário (Cushman, 2018). A integração do SEO com a gestão da informação resulta em dados estruturados e recuperação eficiente de conteúdos, conferindo vantagem competitiva às organizações que aplicam tais métodos (Castanha; Camossi, 2024).

Historicamente, o setor de SEO consolidou-se como essencial no marketing digital, evoluindo em paralelo aos mecanismos de busca desde a década de 1990. Um marco técnico significativo ocorreu em 1998 com o lançamento do algoritmo PageRank pelo Google, que revolucionou a classificação de páginas web ao atribuir autoridade com base em conexões entre sites (Enge et al., 2023). Com o tempo, a indústria expandiu-se impulsionada por atualizações algorítmicas constantes e pelo aumento do tráfego global. Nos primórdios, os algoritmos possuíam baixa complexidade e eram vulneráveis a manipulações como o excesso de palavras-chave ou redes artificiais de links, o que levou ao desenvolvimento de penalizações para conteúdos de baixa qualidade (Heyman et al., 2000). A partir de 2010, a disciplina tornou-se altamente sofisticada, incorporando elementos técnicos como velocidade de carregamento, compatibilidade móvel e análise da intenção de busca (Mladenovic et al., 2023). A eficácia atual do SEO decorre da compreensão semântica e da experiência do usuário, onde estratégias bem estruturadas resultam em melhorias consistentes nos rankings (Samarah et al., 2024).

A ascensão dos modelos de linguagem de grande escala, ou LLMs, faz parte de um processo longo de evolução da inteligência artificial que remonta às décadas de 1950 e 1960. O avanço decisivo ocorreu em 2017 com a introdução da arquitetura Transformer, que permitiu o processamento paralelo de dados e a criação de modelos como o BERT e o GPT-3 (Vaswani et al., 2017). Esses modelos demonstram níveis sofisticados de compreensão de linguagem natural, permitindo aplicações que vão desde o atendimento ao cliente até a análise de dados complexos (Patil; Gudivada, 2024). No entanto, a rápida adoção dessas tecnologias introduz desafios como o potencial de desinformação e riscos de cibersegurança, uma vez que modelos conectados à internet podem extrair informações sensíveis com alta precisão (Kim et al., 2025). Além disso, os custos computacionais e ambientais do treinamento desses modelos levantam questões sobre sustentabilidade (Patil; Gudivada, 2024). A integração da inteligência artificial nos buscadores redefine os padrões de interação, estabelecendo expectativas por respostas imediatas e personalizadas, o que reduz o tempo de permanência nas páginas de resultados tradicionais (Yang J. et al., 2023).

Para investigar esse cenário de transição, a metodologia adotada caracteriza-se como uma pesquisa qualitativa de natureza exploratória. A abordagem qualitativa é essencial para compreender fenômenos complexos e captar as percepções de especialistas sobre as interações entre inteligência artificial e SEO (Creswell, 2014). A pesquisa exploratória permite maior familiaridade com um tema em constante transformação, estabelecendo bases para o entendimento de novos paradigmas (Oliveira, 2018). O estudo fundamentou-se na realização de entrevistas com 12 profissionais e pesquisadores atuantes na área, selecionados por sua experiência técnica e acadêmica. O período de coleta de dados compreendeu o intervalo entre 01 de março de 2025 e 30 de abril de 2025, utilizando a plataforma Google Forms para a aplicação de um roteiro semiestruturado. Este modelo de coleta combina perguntas pré-definidas com a flexibilidade necessária para explorar tópicos emergentes durante a interação, garantindo profundidade e direcionamento coerente com os objetivos da investigação.

A amostra de entrevistados foi composta por especialistas com perfis diversificados para garantir uma visão abrangente do setor. O grupo incluiu um líder de time de conteúdo com pós-graduação e 06 anos de experiência, um coordenador de SEO com 17 anos de atuação e um CEO com duas décadas de trajetória no mercado digital. Também participaram um especialista em SEO com mestrado incompleto e 05 anos de experiência, um chefe de SEO com 20 anos de carreira e um docente do ensino superior com doutorado e 15 anos de vivência acadêmica e prática. A diversidade foi reforçada pela presença de um diretor de SEO com mestrado e 14 anos de experiência, um editor de conteúdo jurídico com 07 anos de atuação, um chefe de conteúdo esportivo com 10 anos de experiência e um especialista técnico com 11 anos de carreira. Completaram o grupo um consultor de SEO com 02 anos de experiência e um estrategista de conteúdo com pós-graduação e 10 anos de atuação. Essa composição permitiu confrontar visões de diferentes níveis hierárquicos e áreas de especialidade, desde a execução técnica até a gestão estratégica.

O processo de análise dos dados seguiu a técnica de análise de conteúdo, estruturada em três etapas principais: pré-análise, exploração do material e tratamento dos resultados (Bardin, 1997). Na fase de pré-análise, realizou-se a organização das respostas e a leitura flutuante para identificar temas recorrentes. Durante a exploração do material, os dados foram codificados e categorizados em eixos temáticos, permitindo a identificação de padrões de convergência e divergência entre os especialistas. Por fim, o tratamento dos resultados buscou interpretar os achados de forma estruturada, garantindo inferências fundamentadas na base teórica citada. O roteiro de entrevista abordou 20 questões críticas, incluindo a influência da inteligência artificial gerativa nos mecanismos de busca, mudanças na relevância do SEO tradicional, estratégias de adaptação para empresas e o futuro da disciplina diante da possível automação de tarefas rotineiras.

Os resultados indicam que a integração da inteligência artificial gerativa aos mecanismos de busca introduz uma incerteza significativa no mercado. Observa-se uma falta de alinhamento em diversas questões estratégicas, refletindo a rapidez das mudanças tecnológicas. À medida que recursos baseados em inteligência artificial fornecem respostas diretas, as dinâmicas tradicionais de pesquisa se transformam, exigindo novas medidas de adaptação. Um dos impactos mais contundentes refere-se à redução acentuada nas taxas de cliques, uma vez que as funcionalidades impulsionadas por modelos de linguagem oferecem respostas sintetizadas diretamente na página de resultados. Esse fenômeno, conhecido como busca sem cliques, foi observado por diversos especialistas entrevistados, que relatam uma tendência dos usuários em recorrer a respostas instantâneas em detrimento do acesso a sites externos. A capacidade da tecnologia em oferecer resumos abrangentes reduz o fluxo de tráfego para conteúdos informacionais, desafiando a premissa fundamental do SEO de direcionar tráfego orgânico por meio de posicionamentos elevados.

A redução na eficácia das estratégias centradas exclusivamente em palavras-chave é outro ponto de consenso. Com os modelos de linguagem priorizando a compreensão semântica e a relevância contextual, a correspondência literal de termos perde força. Especialistas enfatizam que os algoritmos agora avaliam o conteúdo com base na capacidade de atender à intenção do usuário, tornando a otimização convencional insuficiente. Essa evolução desloca o foco para o processamento de linguagem natural e para as relações baseadas em entidades, exigindo que os profissionais priorizem profundidade e riqueza semântica na produção de conteúdo. A urgência dessas transformações força a adaptação dos fluxos de trabalho em tempo real, com empresas investindo em aprimoramentos técnicos para aumentar a interpretabilidade de seus conteúdos por sistemas automatizados. O uso de marcações de dados estruturados e a sinalização de autoridade tornam-se elementos cruciais para a inclusão em respostas geradas por máquinas.

Paralelamente, observa-se uma mudança estratégica voltada para a diversificação das fontes de tráfego. Depender exclusivamente da busca orgânica tradicional tornou-se arriscado, levando organizações a fortalecerem sua presença em plataformas alternativas, como redes sociais e comunidades de nicho. Os desafios impostos pela inteligência artificial são multiformes, abrangendo incertezas sobre os critérios de ranqueamento, que carecem de transparência. Essa imprevisibilidade dificulta a mensuração do retorno sobre investimento e o refinamento das táticas. Embora práticas clássicas como a construção de links ainda exerçam influência, seu papel está sendo reconfigurado em sistemas onde a atualização do conteúdo e a credibilidade baseada em experiência, especialização e confiança ganham maior relevância. A necessidade de novos arcabouços para auditoria e otimização é identificada como uma demanda urgente pelos profissionais da área.

Apesar das disrupções, a pesquisa revela uma perspectiva nuançada sobre a continuidade do SEO. Embora resumos automatizados reduzam visitas para consultas simples, buscas complexas ou com intenção transacional ainda requerem listagens tradicionais de resultados. As limitações da tecnologia, como a ocorrência de informações imprecisas ou a dependência de dados desatualizados, abrem oportunidades para que marcas se destaquem por meio de conteúdos verificados e altamente especializados. O papel do profissional de SEO não está sendo eliminado, mas transformado, com ênfase crescente na qualidade e na integração multiplataforma. A mudança no comportamento do usuário é perceptível, com uma inclinação crescente à utilização de modelos de linguagem para determinados tipos de consulta, embora persista uma inércia em relação a buscadores consolidados devido ao hábito de uso e à confiança em interfaces familiares.

A análise neurocognitiva do comportamento do usuário revela que a atenção visual se concentra primariamente, em cerca de 85% do tempo, nas áreas de respostas já preparadas pelo mecanismo no topo da página (Barros et al., 2024). Esse viés atencional é acompanhado por uma redução de 35% na profundidade de exploração de conteúdo, medida pelo número de páginas visitadas por sessão (Samarah et al., 2024). Paradoxalmente, enquanto a eficiência percebida pelos usuários aumenta, a retenção de informação diminui em testes padronizados, sugerindo que a conveniência das respostas prontas pode comprometer a aprendizagem profunda (Spitale et al., 2023). Os usuários estão formulando perguntas mais longas e em linguagem natural, alinhando-se ao funcionamento dos modelos de linguagem. No entanto, uma parcela significativa da população ainda depende de buscadores tradicionais, evidenciando que a transição não é uniforme entre todos os grupos demográficos.

A competição entre modelos de linguagem e mecanismos de busca tradicionais é complexa e, para muitos especialistas, assume um caráter complementar. Algumas ferramentas de inteligência artificial funcionam como intermediárias, utilizando índices de buscadores para gerar respostas, o que perpetua a centralidade do conteúdo indexado. Essa simbiose sugere um futuro híbrido onde ambos os paradigmas coexistem. Contudo, existe o risco de que a priorização de respostas diretas reduza o tráfego de referência para editores, incentivando plataformas a internalizarem o consumo de conteúdo. Barreiras técnicas, econômicas e comportamentais impedem a substituição integral dos buscadores tradicionais no curto prazo. Ecossistemas publicitários consolidados representam a principal fonte de receita para empresas de tecnologia e, até o momento, mostram-se incompatíveis com interfaces puramente conversacionais e livres de anúncios.

Estratégias adaptativas focam no fortalecimento da autoridade do conteúdo e na sofisticação da infraestrutura técnica. A priorização de sinais de expertise e confiabilidade é crucial para garantir destaque nas saídas geradas por inteligência artificial. Modelos de linguagem demonstram preferência por fontes que exibem autoria institucional clara e acurácia histórica. Isso motiva investimentos em mecanismos de sinalização de credenciais, como biografias estruturadas de autores. O SEO técnico ganha importância renovada, especialmente no uso de marcações que facilitam a compreensão dos dados pelas máquinas. Existe uma divergência sobre a eficácia de táticas convencionais: enquanto alguns defendem que a aquisição de links mantém relevância, outros argumentam que sua utilidade declina em ambientes curados por inteligência artificial, onde a relevância contextual é soberana.

A operacionalização dessas estratégias enfrenta o desafio da volatilidade do tráfego proveniente de plataformas de inteligência artificial, descrito como inconsistente em comparação aos canais tradicionais. Adotantes pioneiros exploram modelos híbridos de visibilidade, diversificando a distribuição de conteúdo em plataformas compatíveis com modelos de linguagem para ampliar o potencial de citação. O cenário também revela oportunidades emergentes, como a monetização de expertise de nicho, onde conteúdos altamente especializados obtêm visibilidade desproporcional em consultas específicas. As limitações da inteligência artificial no tratamento de informações muito recentes abrem espaço para estratégias de conteúdo em tempo real. A tecnologia é vista não apenas como ameaça, mas como ferramenta transformadora capaz de automatizar tarefas rotineiras e revelar novas oportunidades de palavras-chave por meio da análise de intenção latente.

Para o futuro, antecipa-se a formalização da otimização para modelos de linguagem como um campo disciplinar autônomo. Esse domínio deve se concentrar na legibilidade por máquinas e no gerenciamento do fluxo de citações. A fluidez nas implementações de busca com inteligência artificial requer abordagens ágeis baseadas em princípios, em vez de manuais táticos rígidos. O SEO encontra-se em um ponto de inflexão, expandindo sua função tradicional de mediação entre websites e algoritmos para abranger a interação com modelos de linguagem. O sucesso nesse novo ambiente depende de uma competência dual: o domínio de princípios clássicos de recuperação de informação e a compreensão das idiossincrasias comportamentais das novas tecnologias. O imperativo central de otimizar para a descoberta em um ambiente de abundância informacional persiste, embora as metodologias estejam em processo de transmutação.

Conclui-se que o objetivo foi atingido, uma vez que a análise demonstrou que a integração da inteligência artificial aos mecanismos de busca não representa a extinção do SEO, mas sim uma transformação profunda em suas práticas e estratégias. A pesquisa evidenciou que a redução nas taxas de cliques e a mudança para uma busca semântica baseada em entidades exigem que os profissionais priorizem a autoridade do conteúdo, o uso de dados estruturados e a presença multiplataforma. Embora os modelos de linguagem introduzam desafios técnicos e éticos, como a opacidade algorítmica e o risco de desinformação, eles também oferecem oportunidades para a automação de processos e a exploração de nichos altamente especializados. A resiliência do setor dependerá da capacidade de adaptação contínua às novas dinâmicas de comportamento do usuário e aos critérios de avaliação das máquinas, garantindo a visibilidade orgânica em um ecossistema digital em constante mutação.

Referências Bibliográficas:

Bardin, L. 2016. Análise de Conteúdo. Edições 70, São Paulo, SP, Brasil.

Barros, S.E.T.; Camossi, G.; Vidotti, S.A.B.G.; Rodas, C.M. 2024. Google search e a faceta confiável: análise do recurso “sobre este resultado” por meio de eye tracking. Informação & Informação 29(4): 28–54. Disponível em: https://doi.org/10.5433/1981-8920.2024v29n4p28.

Camossi, G.; Rodas, C.M. 2023. Search engine optimization techniques and information findability: Contributions to digital information environments. Encontros Bibli 28: e93371. Disponível em: https://doi.org/10.5007/1518-2924.2023.e93371.

Castanha, R.G.; Camossi, G. 2024. Search engine optimization como ferramenta estratégica na gestão da informação: primeiras perspectivas. Em Questão 30: e-138007. Disponível em: https://doi.org/10.1590/1808-5245.30.138007.

Creswell, J. 2014. Investigação Qualitativa e Projeto de Pesquisa: Escolhendo entre cinco abordagens. 3ed. Penso, Porto Alegre, RS, Brasil.

Cushman, M. 2018. Search engine optimization: What is it and why should we care? Research and Practice in Thrombosis and Haemostasis 2(2): 180-182. Disponível em: https://doi.org/10.1002/rth2.12098.

Enge, E.; Spencer, S.; Stricchiola, J. 2023. The Art of SEO. 4ed. O’Reilly Media.

Heyman, B.; Harden, L.; Bruner, R. 2000. Net Results.2: Best practices for web marketing. 1ed. New Riders Pub.

Kim, H.; Song, M.; Na, S.H.; Shin, S.; Lee, K. 2025. When LLMs Go Online: The Emerging Threat of Web-Enabled LLMs. arXiv preprint arXiv:2410.14569v3. Disponível em: https://arxiv.org/abs/2410.14569v3.

Mladenovic, D., Rajapakse, A., Kožuljević, N., & Shukla, Y. 2023. Search engine optimization (SEO) for digital marketers: exploring determinants of online search visibility for blood bank service. Online Information Review, Vol. 47 No. 4, pp. 661-679. Disponível em https://doi.org/10.1108/OIR-05-2022-0276

Oliveira, 2018 [Referência completa não encontrada no documento original]

Patil, R.; Gudivada, V. 2024. A Review of Current Trends, Techniques, and Challenges in Large Language Models (LLMs). Applied Sciences 14(5): 2074.

Samarah, T.; Alrawashdeh, T.; Mughaid, A.S.; AlZu’Bi, S. 2024. Utilizing LLMs for Enhancing Search Engine Optimization Strategies in Digital Marketing. In: 2024 2nd International Conference on Foundation and Large Language Models (FLLM). IEEE, p. 1-8. Disponível em: https://doi.org/10.1109/FLLM63129.2024.10852433.

Spitale, G.; Biller-Andorno, N.; Germani, F. 2023. AI Model GPT-3 (Dis)Informs Us Better Than Humans. Science Advances 9(26): eadh1850. Disponível em: https://doi.org/10.1126/sciadv.adh1850.

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems 30. Disponível em: https://arxiv.org/abs/1706.03762.

Xiong, H., Bian, J., Li, Y., Li, X., Du, M., Wang, S., Yin, D., & Helal, S. (2024). 2024. When search engine services meet large language models: Visions and challenges. arXiv preprint arXiv:2407.00128v1 [cs.IR]. Disponível em: https://arxiv.org/abs/2407.00128v1.

Yang, J., Jin, H., Tang, R., Han, X., Feng, Q., Jiang, H., Yin, B., & Hu, X. (2023). Harnessing the power of LLMs in practice: A survey on ChatGPT and beyond. arXiv preprint arXiv:2304.13712. Disponível em: https://arxiv.org/abs/2304.13712

Resumo executivo oriundo de Trabalho de Conclusão de Curso de Especialização em Marketing do MBA USP/Esalq

_{Saiba mais sobre o curso; clique aqui:}