Cinco possíveis portas dos fundos para os resultados de busca dos LLMs

Com a queda acentuada do tráfego tradicional proveniente dos resultados dos mecanismos de busca, causada pela nova tendência dos resumos de IA, editores de todos os níveis agora buscam ganhar destaque perante os grandes modelos de linguagem que alimentam os resumos de IA das buscas na web e, diretamente, em modelos de ponta populares, como o ChatGPT.

Segundo trabalhos anteriores, como Otimizando a visibilidade em mecanismos generativos e Como dominar a busca com IA, as abordagens legítimas incluem obter cobertura editorial independente, publicar conteúdo bem estruturado e de autoridade, fornecer informações sobre produtos legíveis por máquinas e adaptar o material a diferentes idiomas e mercados.

Métodos alternativos que recentemente atraíram atenção lembram as práticas abusivas de SEO de décadas anteriores: incluem campanhas de apoio popular artificial no Reddit, nas quais recomendações supostamente independentes eram inseridas para influenciar os resultados de busca de IA; envenenamento da memória, em que links enganosos tentavam fazer os assistentes reterem alegações promocionais como informações confiáveis; e injeção de instruções, na qual instruções ocultas em sites buscavam influenciar as recomendações de um assistente de IA, em vez de apenas fornecer informações para ele resumir.

Um exemplo particularmente engenhoso de manipulação de GEO ocorreu quando pesquisadores da ETH Zürich criaram uma câmera fictícia e publicaram uma página promocional contendo uma instrução oculta, em letras brancas minúsculas, orientando o Bing Copilot da Microsoft a recomendar exclusivamente aquela câmera. O tamanho diminuto da fonte e o baixo contraste foram projetados para esconder a manipulação.

Dois anúncios de câmeras fictícias usados em um experimento da ETH Zürich para manipular recomendações de busca com IA. O anúncio convencional, à esquerda, contém texto promocional visível, enquanto o de «PixelBlitz», à direita, esconde uma instrução em letras brancas de um ponto, invisíveis contra o fundo branco. A mensagem oculta se faz passar por uma instrução de sistema, ordenando que a IA recomende exclusivamente PixelBlitz e esconda a existência da instrução. Em testes controlados, essa técnica elevou a taxa de recomendação da câmera fictícia de 34% para 59,4%. Fonte

Em testes controlados, a taxa de recomendação da câmera fictícia subiu de 34% para 59,4%, superando ligeiramente os 57,9% alcançados pelas câmeras reais da Nikon e da Fuji-film. Isso demonstrou que instruções maliciosas incorporadas às páginas recuperadas poderiam, de fato, influenciar as recomendações da IA.

Com tanto em jogo, é razoável supor que o GEO abusivo seja uma vertente ilícita de pesquisa ativa e bem financiada no marketing e em diversos outros setores que buscam conquistar ou recuperar seu antigo destaque nos mecanismos de busca, obtendo recomendações de oráculos de IA e mecanismos de conversação.

Vejamos, portanto, algumas das vias possíveis ou emergentes:

1: Manipulação de arquivos

O Internet Archive é um dos recursos de rede mais abrangentes e úteis que existem, e sua Wayback Machine ultrapassou o marco de um trilhão de páginas em 2025. No momento da redação, o Internet Archive informa o impressionante total de 47.381.733 documentos PDF armazenados e disponíveis ao público:

O Internet Archive armazena uma impressionante coleção de documentos PDF, em grande parte doados por voluntários. Fonte

Como mostram os exemplos de resultados acima, muitos dos PDFs enviados são bastante comuns: desde obscuros panfletos musicais das décadas de 1950 a 1990 até revistas e livros raros e fascinantes considerados perdidos para a posteridade, passando por intermináveis conjuntos de atas de assembleias municipais dos anos 1970 e 1980, e muito mais.

Neste período, a coleção está sendo bombardeada indiscriminadamente, e o culpado evidente é uma horda de robôs de coleta de dados para IA, desesperados por dados novos ou por versões melhores ou que corroborem os dados que já possuem.

Claramente, é muito simples modificar um documento enviado para sustentar uma afirmação falsa, produtos inexistentes, referências falsas a pessoas, elogiosas ou difamatórias, declarações falsas sobre elas e assim por diante.

Esse material pode ser inserido em documentos que os LLMs consideram fontes de autoridade, como PDFs de revistas respeitadas que ainda não estejam completamente indexadas na coleção do Internet Archive. Nesse caso, a edição adulterada pareceria estar preenchendo legitimamente uma lacuna.

A própria IA poderia imitar o estilo do texto para se adequar ao de um artigo curto ou até de uma legenda, e a data do PDF poderia ser alterada, juntamente com vários outros truques simples para fazer o documento parecer, por exemplo, algo encontrado em um arquivo dos anos 1990 ou anterior:

Uma simples «alteração histórica» fornecida sem objeções pelo ChatGPT-5.5 e facilmente reinserida no documento PDF original. Assim, a «Pence Opera House» desaparece da história, enquanto a abertura do Guthrie Theater, um teatro real em Minnesota, é antecipada de sua verdadeira inauguração em 1963 para o muito anterior ano de 1867. Fonte

Nesses casos, aparentemente bastaria esperar que os ávidos robôs de coleta para IA capturassem a informação. Ainda é cedo para saber com certeza até que ponto filtros ou sistemas de verificação na curadoria dos conjuntos de dados poderiam detectar tais alterações ilícitas. Contudo, a escala desses conjuntos é tão enorme que geralmente impede esse grau de supervisão. Diante de tamanho volume, essencialmente se confia nos dados.

2: Redes de consenso sintético

Ou, para quem tem idade suficiente para lembrar, um «anel de sites» moderno: os sites interligados dos primórdios da internet, anteriores ao PageRank do Google e à Domain Authority da Moz, que valorizavam a quantidade e a qualidade dos links recebidos.

As redes de consenso sintético, porém, vão além, fabricando confirmações aparentemente independentes em sites supostamente não relacionados. Um estudo recente da Chinese University of Hong Kong e da EPFL demonstrou amplamente esse princípio: os pesquisadores testaram 12 modelos de IA com 225 produtos em 15 categorias, substituindo referências a marcas reais nos resultados recuperados por alternativas fictícias.

Uma ilustração do artigo mostra duas vias pelas quais informações inventadas sobre produtos podem influenciar recomendações de IA. Acima, conteúdo falso é inserido na web real e chega aos resultados de busca; abaixo, os pesquisadores simulam o mesmo processo modificando localmente as páginas recuperadas. Ambas as vias podem levar um assistente de IA a recomendar uma marca inexistente ao lado de produtos genuínos. Fonte

O efeito aumentava à medida que mais resultados apresentavam as mesmas informações falsas. Com três páginas manipuladas entre os primeiros resultados, o modelo mais vulnerável recomendou produtos inexistentes em 73,8% dos testes. Até mesmo um único resultado adulterado na primeira posição poderia enganar alguns modelos em 27% dos casos.

Mais notável ainda, os modelos às vezes inventavam suas próprias confirmações: em um teste envolvendo uma marca fictícia de películas protetoras de tela, Claude e DeepSeek acrescentaram afirmações sobre recomendações da comunidade e testes de produtos que não apareciam no material fornecido.

Embora o experimento tenha sido realizado com resultados de busca modificados localmente, e não com uma rede real de sites fraudulentos, ele sugere como um conjunto coordenado de avaliações supostamente independentes poderia fabricar credibilidade, com a IA reforçando a falsidade por meio de endossos adicionais.

3: Geração de citações e alegações «órfãs»

A geração de citações, que poderia ser chamada de «lavagem de citações», é uma variação das redes de consenso sintético, mas dá maior ênfase à origem aparente da informação do que ao número de fontes que a repetem.

Uma alegação inventada poderia aparecer primeiro em uma obscura revista profissional, em um artigo de pesquisa autopublicado ou em uma publicação especializada com pouca supervisão editorial. Depois, ela pode ser citada por blogs, diretórios e outras publicações, e cada repetição dá à afirmação original um pouco mais de legitimidade aparente.

Por fim, um mecanismo de busca de IA pode encontrar a alegação a várias etapas de distância de sua fonte original, talvez em um artigo de resto respeitável que cita uma publicação intermediária. O que começou como uma afirmação sem fundamento passa a ter um histórico de citações, embora nenhuma das referências posteriores constitua uma verificação independente.

Já existem vários exemplos documentados desse processo, embora a maioria seja anterior ao surgimento da busca com IA. Em um caso notório, um adolescente inventou o apelido «porco-da-terra brasileiro» para o quati e o inseriu na Wikipédia.

O nome inventado se espalhou por jornais e por pelo menos um livro acadêmico. Por fim, a própria Wikipédia citou um artigo de jornal como prova da alegação que havia introduzido inicialmente: um círculo quase perfeito de autoridade fabricada. O episódio foi documentado pela The New Yorker.

Uma demonstração mais deliberada surgiu em 2025, quando pesquisadores criaram vários artigos acadêmicos gerados por IA e atribuídos a um cientista inexistente. As publicações fictícias acumularam 380 citações e um índice h de 19 no Google Scholar, conferindo ao pesquisador fictício uma posição acadêmica aparentemente respeitável. O experimento, publicado na Scientific Reports da Nature, ilustra como números de citações podem ser fabricados sem um conjunto correspondente de pesquisas genuínas.

Nenhum dos casos demonstra um ataque bem-sucedido a um mecanismo de busca de IA. No entanto, ambos evidenciam a fraqueza subjacente: depois que uma afirmação falsa é reproduzida por fontes aparentemente confiáveis, sistemas posteriores podem ter dificuldade para distinguir a confirmação independente da circulação repetida de uma única invenção. O perigo específico para a busca com IA é que um modelo resuma essa cadeia de referências como evidências corroborantes, sem reconhecer que todas as autoridades aparentes remetem à mesma alegação não verificada.

4: Apropriação de autoridade

Domínios expirados podem manter a credibilidade aparente, os links recebidos e a visibilidade nas buscas de seus antigos proprietários. Adquirir esses endereços e preenchê-los com material novo pode fazer alegações recém-introduzidas parecerem originárias de publicações consolidadas, uma prática que remonta a vinte ou trinta anos. A autoridade de um domínio expirado ou abandonado costuma ser adquirida para transformar seu conteúdo em material relacionado, mas comercializado.

Em 2024, o influente blog feminino The Hairpin, fechado em 2018, reapareceu sob novos proprietários como uma fábrica de conteúdo gerado por IA. Seus artigos originais se misturavam a material reescrito e assinaturas de autores fictícios, explorando a reputação e a autoridade do domínio de uma publicação antes respeitada. Embora não seja um ataque demonstrado à busca com IA, o caso ilustra como a história de um site estabelecido pode ser apropriada.

Embora cópias arquivadas possam ajudar a revelar a diferença entre o passado autêntico de um domínio e seu conteúdo recém-fabricado, nem mesmo esse tipo de evidência é necessariamente permanente. Em 2002, o Internet Archive removeu cópias de sites críticos à Cientologia após reclamações de direitos autorais dos advogados da organização, inicialmente sugerindo que os próprios donos dos sites haviam solicitado as remoções.

Até 2017, a Wayback Machine aplicava regras de exclusão de sites retroativamente, permitindo potencialmente que novos donos de domínios escondessem o conteúdo de seus antecessores. Embora essa prática tenha sido abandonada, o Internet Archive ainda considera pedidos para remover cópias históricas.

5: Exploração de repositórios acadêmicos

Repositórios acadêmicos oferecem outra via para uma autoridade aparente. Servidores de pré-publicações permitem que pesquisadores publiquem artigos antes da revisão por pares, enquanto mecanismos de busca e sistemas de recuperação de informações por IA podem encontrar esses documentos ao lado da literatura científica estabelecida.

O problema é que publicação e verificação não são a mesma coisa: em 2024, pesquisadores demonstraram como instruções maliciosas incorporadas a artigos acadêmicos poderiam manipular assistentes de IA que processavam esses documentos. O trabalho mostrou que a legitimidade aparente de um artigo de pesquisa não impede que seu conteúdo seja usado para influenciar um sistema de IA.

Uma abordagem GEO menos chamativa seria depositar pesquisas plausíveis, porém marginais, que associassem repetidamente uma empresa, um produto ou uma pessoa a determinada especialização. Mesmo sem instruções explícitas para uma IA, esse material poderia fornecer apoio aparentemente acadêmico a alegações originadas pelo próprio beneficiário.

Conclusão

Outras vias possíveis incluem a infiltração do ecossistema de avaliações, inserindo avaliações favoráveis em comparadores e diretórios de software; a manipulação de grafos de conhecimento, alterando dados estruturados para estabelecer associações enganosas entre empresas, produtos e especializações; e a lavagem multilíngue de reputação, colocando alegações promocionais em fontes de outros idiomas sujeitas a menor escrutínio.

Por fim, a otimização GEO baseada em agentes poderia automatizar essas técnicas, testando repetidamente o conteúdo em mecanismos de busca de IA e refinando as variações que produzissem as recomendações desejadas.

Publicado originalmente na segunda-feira, 12 de outubro de 2026. Alterado em até trinta minutos para corrigir as maiúsculas dos títulos e as tags ausentes.