Intenção de quem pergunta muda o ganho de visibilidade de itens em respostas de IA

Um estudo na área de recuperação de informação mostra que o ganho de visibilidade obtido ao reescrever a descrição de um item para modelos de linguagem depende da intenção de quem faz o pedido. O trabalho propõe um método chamado AMO (Anchored Meta-Optimization), que melhora em 35% o ganho médio de posição nas citações em relação ao melhor método anterior baseado em aprendizado.

Segundo o artigo de pesquisa publicado no arXiv em 3 de novembro de 2026, os modelos de linguagem moldam cada vez mais as recomendações em chatbots, comércio eletrônico e plataformas de conteúdo gerado por usuários. Isso cria demanda pela otimização para motores generativos (GEO), que busca melhorar a visibilidade de itens nas respostas geradas.

Os autores apontam que os estudos de GEO existentes se concentram no conteúdo e otimizam a visibilidade para consultas de uso geral. Só que uma mesma descrição de item costuma atender usuários com necessidades e objetivos de decisão diferentes. Para medir esse efeito, eles formularam o IntentGEO, que avalia a mesma reescrita conforme o grau de especificidade da necessidade e a etapa em que a pessoa está na decisão.

Quando a otimização automática se perde

Ao revisitar os métodos de GEO já existentes, o estudo encontrou ganhos de visibilidade que variam conforme a intenção do usuário. O ponto mais crítico: a otimização de prompt baseada em aprendizado pode, na média, render menos do que o prompt inicial escrito à mão que lhe serviu de ponto de partida.

Ao rastrear as atualizações, os pesquisadores identificaram um desvio: o prompt se afasta das instruções explícitas de recomendação e caminha para táticas promocionais genéricas. O AMO foi criado para corrigir isso. Ele mantém as instruções de recomendação num núcleo fixo e aprende estratégias adicionais a partir do retorno sobre as citações.

Em quatro domínios e dez estados de intenção, o método liderou em nove deles. Os testes de ablação mostram que as estratégias aprendidas melhoram o resultado em relação ao núcleo fixo sozinho e que o AMO supera a otimização do prompt inteiro iniciada a partir desse mesmo núcleo.

Testes com agentes e num assistente comercial

O AMO também obteve os maiores ganhos num fluxo de recomendação com agentes e, depois de uma adaptação específica, no Doubao, assistente online comercial e de código fechado. Para os autores, os resultados colocam a intenção do usuário como dimensão central na avaliação de GEO.

Para quem cuida de marca, o estudo indica que uma descrição otimizada pode ganhar visibilidade num tipo de pedido e não em outro, conforme a necessidade e a etapa de decisão de quem pergunta. Também mostra que, na otimização automática analisada, trocar instruções claras de recomendação por táticas promocionais genéricas piorou o resultado.