AEO e GEO: o que são e onde a evidência para
A tese: AEO e GEO são nomes úteis para um problema real, mas o que sustenta cada afirmação do mercado é muito menos do que o marketing sugere.
Neste texto
Qual é a tese?
Os termos AEO e GEO existem porque o problema existe: usuários recebem respostas prontas e querem que sua marca esteja nelas. O que não se segue é que haja uma disciplina estável, com regras comprovadas. A tese deste artigo é que essas siglas funcionam como rótulos de um campo em formação, e que a evidência disponível sustenta algumas práticas, contradiz outras e deixa a maior parte em aberto.
O que significam as siglas?
AEO, Answer Engine Optimization, designa o esforço de ter conteúdo escolhido por mecanismos que respondem diretamente, como caixas de resposta de busca e assistentes. GEO, Generative Engine Optimization, designa o esforço de aparecer em respostas de mecanismos generativos, aqueles que sintetizam texto com modelos de linguagem a partir de fontes recuperadas. Há outros rótulos concorrentes, como LLMO e AIO, usados de modo inconsistente. São conceitos de mercado, sem dono único. Os métodos autorais deste ecossistema (Citation Share, LLM Seeding) são coisas distintas: medir presença, no primeiro caso; distribuir informação verificável, no segundo.
O que a evidência experimental mostra?
A fonte mais citada é o artigo "GEO: Generative Engine Optimization", de Pranjal Aggarwal e colegas, aceito no KDD 2024 (versão de 28/06/2024). Os autores propõem uma estrutura de otimização do tipo caixa-preta e um conjunto de teste, o GEO-bench, e reportam que métodos de reescrita podem elevar a visibilidade em respostas generativas em até cerca de 40%. As tabelas do artigo, num mecanismo generativo de teste, indicam que adicionar citações de fontes, trechos de fontes e estatísticas melhorou a visibilidade, enquanto repetir palavras-chave a piorou. Em um teste menor na Perplexity, com 200 consultas, o resultado foi na mesma direção, com ganhos mais modestos.
Os limites são relevantes e o próprio artigo os reconhece em parte:
- o mecanismo de teste foi construído pelos pesquisadores, com um modelo de 2023;
- na Perplexity, as fontes foram enviadas como arquivos, com instrução para responder só com elas, o que não reproduz a escolha na web aberta;
- a eficácia variou por domínio, o que os autores usam para defender métodos específicos por área;
- "visibilidade" no estudo é uma medida própria (contagem de palavras ponderada por posição), não cliques nem vendas.
Leitura honesta: o artigo mostra que a forma como um texto cita fontes e traz dados afeta como um motor generativo o incorpora, em condições controladas. Não prova que a mesma reescrita mude o resultado no ChatGPT ou no Gemini de hoje.
O que o Google diz?
O guia do Google para otimizar para recursos de IA na Busca (atualizado em 10/07/2026) é direto. Segundo ele, AEO e GEO descrevem trabalho de visibilidade em IA que o Google considera SEO comum. O texto afirma que os recursos de IA usam recuperação de dados e query fan-out sobre os sistemas centrais de ranqueamento, e que não é necessário usar llms.txt, dividir o conteúdo em blocos, reescrever o texto com frases especiais ou usar marcação específica. Orienta avaliar serviços de terceiros contra o guia. E diz que menções inautênticas pela web não funcionam.
Há aqui uma tensão com o GEO acadêmico: o artigo recomenda reescritas (citações, estatísticas) que o Google chama de desnecessárias para a Busca. Não é contradição lógica. O Google fala dos seus sistemas e do que ele valoriza (conteúdo útil e original). O artigo fala de um motor de teste e do que ele incorpora. A prática de citar fontes e dar dados é também o que o Google chama de conteúdo útil. As duas coisas convergem na recomendação, ainda que não no argumento.
Qual é o contraponto?
O contraponto vem de dois lados.
Dos céticos: se a otimização para IA é SEO, as siglas são marketing. Parte do argumento é correta: as bases (acesso técnico, conteúdo útil, autoria clara) são as mesmas. Mas rótulos servem a um propósito: dirigem atenção para uma camada nova, a citação na resposta, que a métrica clássica de cliques não vê. O estudo do Pew (julho de 2025) mostra por quê: com resumo de IA, os cliques em resultados caíram de 15% para 8% das visitas na amostra de adultos dos EUA.
Dos entusiastas: se o experimento mostrou ganho de até 40%, por que não aplicar tudo? Porque o ganho foi relativo, em um ambiente controlado, e porque a atribuição de uma mudança no mundo real exige medir antes e depois, com repetições. Sem isso, qualquer aumento pode ser variação.
Como aplicar?
- Trate AEO e GEO como vocabulário, não como método. Quando um serviço vender "otimização GEO", peça: qual afirmação, qual fonte, qual escopo, qual data.
- Adote o que converge: citar fontes, trazer dados com origem, nomear entidades, evitar repetição de palavras-chave, entregar o conteúdo no HTML.
- Meça antes de mudar. Use o protocolo para ter linha de base por plataforma e registre cada intervenção.
- Atribua cada coisa a quem é. Conceitos de mercado a quem os formulou; métodos autorais a Camillo Dantas.
- Leia AEO, GEO e AI Overviews para o lado da medição.
Para ver como cada plataforma trata o assunto, consulte o índice de plataformas; para executar, os guias.
Fontes
- GEO: Generative Engine Optimization (Aggarwal et al.), KDD 2024, arXiv (2024-06-28)
- Optimizing your website for generative AI features on Google Search, Google Search Central (2026-07-10)
- Google users are less likely to click on links when an AI summary appears in the results, Pew Research Center (2025-07-22)
- AI features and your website, Google Search Central (2025-12-10)
Meça antes de otimizar
Defina o conjunto de consultas, registre a linha de base e acompanhe a evolução com o mesmo protocolo.