Como o ChatGPT escolhe as fontes que cita?

Quando precisa de informação atual, o ChatGPT reformula a pergunta em consultas de busca, recupera candidatos do índice do Bing, lê o HTML das páginas mais promissoras e seleciona 3 a 5 fontes para sintetizar a resposta com citações. Nessa seleção, ganham páginas com resposta direta no topo, alta densidade factual, estrutura semântica clara e autoria verificável; perdem PDFs e páginas dependentes de JavaScript, que o crawler não lê. Este artigo detalha as cinco etapas do processo, os cinco fatores que decidem a escolha e o que muda entre ChatGPT, Perplexity, Gemini e Claude.

Qual é o caminho da pergunta até a resposta?

Entre o momento em que alguém digita "quais gestoras têm as melhores análises sobre juros?" e o momento em que a resposta aparece com três links citados, existem cinco etapas. Entender cada uma é o que separa quem otimiza no lugar certo de quem otimiza no escuro.

Fonte: documentação da OpenAI sobre ChatGPT Search e análises de retrieval, 2025–2026.

Por que a etapa 1 derruba tanta gente

A pergunta que o investidor faz raramente é a consulta que o sistema executa. "Vale a pena investir em NTN-B agora?" pode virar três buscas distintas sobre juro real, inflação implícita e título público. Uma página escrita só para a palavra-chave "NTN-B" cobre uma dessas consultas; uma página que explica o conceito, o contexto e a decisão cobre as três. É por isso que otimizar para termo isolado rende menos do que responder a pergunta inteira.

Por que a etapa 2 é a mais negligenciada

O ChatGPT não tem um índice próprio da web para busca em tempo real: ele usa o do Bing. Uma gestora pode ter o melhor conteúdo do país e nunca ser recuperada simplesmente porque nunca cadastrou o domínio no Bing Webmaster Tools. É um passo gratuito, que leva minutos, e que a maior parte do mercado financeiro brasileiro não deu.

Por que a etapa 3 elimina a maioria das gestoras

Nesta etapa o sistema baixa o HTML e lê o que está ali. Não abre o navegador, não executa scripts, não espera componentes carregarem. Se o texto aparece só depois que o JavaScript roda, o que chega ao modelo é uma casca vazia. E se o conteúdo está dentro de um PDF, o custo de extração é alto e a estrutura se perde. Os dois modos de invisibilidade estão detalhados em por que as IAs não leem PDF.

O que decide a escolha entre as páginas que sobraram?

Chegando à etapa 4, o sistema tem um punhado de candidatas legíveis e precisa escolher três a cinco. A ReBo organiza os critérios dessa escolha em cinco fatores, cada um decomposto em variáveis concretas. É a lista de verificação que separa o conteúdo citado do conteúdo invisível.

Fonte: framework de fatores de citação ReBo, junho de 2026.

Fator 1: por que o formato decide antes do mérito?

Este é o fator eliminatório. Antes de avaliar se a sua análise é boa, o sistema precisa conseguir lê-la. Um PDF é um fluxo de bytes desenhado para impressão: instruções de posicionamento de texto, fontes embutidas, tabelas que viram células soltas sem cabeçalho nem unidade. A hierarquia que o humano enxerga existe apenas como tamanho de fonte, não como estrutura.

O teste é o mais simples que existe e não exige nenhuma ferramenta: abra a página, use "exibir código-fonte" e procure o texto. Se ele não está lá, ele não existe para a IA. Vale para conteúdo em PDF, para sites renderizados por JavaScript, para texto dentro de imagem e para qualquer coisa atrás de login ou formulário.

Fator 2: o que estrutura semântica muda na prática?

Estrutura é o que permite ao modelo extrair um trecho e citá-lo com confiança. Um bloco de texto corrido de dois mil caracteres pode conter a melhor resposta do mercado, mas o sistema precisa decidir onde ela começa e onde termina, e essa ambiguidade custa a citação.

O recurso mais subestimado aqui é o cabeçalho em forma de pergunta. Um H2 que diz "Cenário macro" descreve um assunto. Um H2 que diz "Por que o déficit não cede?" é uma correspondência quase literal com a consulta que o sistema acabou de formular na etapa 1. A segunda forma vence com regularidade, e o custo de adotá-la é zero.

O segundo recurso é o parágrafo autossuficiente. Textos escritos para leitura linear usam "como vimos acima" e "conforme mencionado". Para recuperação, cada parágrafo precisa fazer sentido isolado, porque é isolado que ele vai ser lido. Retomar o sujeito em vez de referenciá-lo custa cinco palavras e preserva o trecho como unidade citável.

Fator 3: por que metadados valem mais em conteúdo financeiro?

Metadados respondem quem escreveu, quando e sobre o quê, sem que o modelo precise inferir. Em conteúdo financeiro isso pesa mais do que em outros setores, porque a resposta errada tem consequência: sistemas de recuperação tendem a ser conservadores em temas de dinheiro, saúde e direito, e preferem fontes cuja autoria e data conseguem verificar.

Na prática, isso significa nome real do gestor com cargo e página de bio, e não "Equipe de Análise". Significa data de publicação e de atualização visíveis. Significa JSON-LD marcando Article, FAQPage, Organization e Person. E, para instituição regulada, significa expor os sinais que o mercado espera: quem somos, CNPJ, registro na CVM ou ANBIMA, canal de contato e compliance.

Fator 4: o que é densidade factual e por que ela decide?

Densidade factual é a proporção de afirmações verificáveis por parágrafo. "A inflação cedeu" é uma opinião comprimida. "O IPCA-15 de maio veio a 0,62%, segundo o IBGE" é um fato com número, unidade, período e fonte primária, e o modelo consegue citá-lo sem assumir risco.

É a diferença entre ser lido e ser citado. Uma página pode ser perfeitamente legível e nunca aparecer numa resposta porque não oferece nada que valha a pena reproduzir. Quatro elementos aumentam essa densidade de forma imediata: número com unidade, data do dado, fonte nomeada dentro do texto e definição explícita dos termos técnicos usados.

Quanto maior a densidade factual, mais citável o conteúdo. Por isso cada bloco preserva números, datas e entidades nomeadas com fonte.

Fator 5: por que uma página isolada raramente é citada?

Os quatro primeiros fatores tratam da página. O quinto trata do domínio. Sistemas de recuperação avaliam se aquele site é uma fonte recorrente sobre o assunto ou uma aparição isolada, e isso se constrói com cobertura consistente, malha interna e menções externas.

Malha interna significa que cada artigo aponta para 3 a 6 conteúdos relacionados do próprio site, formando pilares e clusters em torno de um tema. Menções externas significam ser citado fora do próprio domínio: imprensa, comunidades, agregadores. A frequência de citação por IA correlaciona com menções da marca fora do site, e é por isso que publicar bem sem distribuir raramente move o ponteiro.

Como isso aparece no mercado brasileiro hoje?

Em junho de 2026 a ReBo analisou três casas do mercado brasileiro para observar o padrão. Duas delas publicam análises em página web estruturada e apareceram citadas pelo ChatGPT em perguntas sobre cenário. A terceira produz um conteúdo mensal de qualidade comparável, com análise fiscal densa, dados e fontes primárias, mas publicado como PDF numa lista de links.

O material da terceira casa não perdeu por mérito. Perdeu nos cinco fatores ao mesmo tempo: o conteúdo estava dentro de um PDF, sem hierarquia HTML nem âncoras, numa página de listagem sem title descritivo, sem autor, sem data e sem schema por edição, com dados excelentes porém presos ao arquivo, e sem nenhuma interligação temática entre edições. É o retrato do Nível 1 do framework de AI Visibility: invisível para IA.

A conclusão prática é incômoda e libertadora ao mesmo tempo. A disputa pelas três a cinco citações de cada resposta não está sendo vencida por quem tem a melhor análise, e sim por quem tem a análise legível. Isso significa que uma casa menor com conteúdo bem estruturado passa na frente de uma casa grande com tudo em PDF.

Como escrever um parágrafo que a IA consegue citar?

A regra prática é escrever para alguém que vai ler exatamente um parágrafo do seu texto, fora de contexto, e precisa decidir se pode reproduzi-lo. Cerca de 44% das citações vêm dos primeiros 30% do texto, então a resposta completa precisa estar no topo, não construída ao longo da página.

Fonte: diretrizes de redação AI-friendly ReBo, 2026. Os números são ilustrativos do formato, não recomendação.

Repare que a versão citável não é mais longa nem mais técnica. Ela apenas não deixa nada implícito: cada frase carrega o sujeito, o número, a unidade, o período e a fonte que a tornam verificável sozinha.

Perplexity, Gemini e Claude escolhem do mesmo jeito?

O processo geral é semelhante em todas: buscar, ranquear candidatos, sintetizar com citação. O que muda é de onde vêm os candidatos e quantas fontes entram na resposta, e isso tem consequência prática sobre onde investir esforço de indexação.

Fonte: mapeamento de motores ReBo, 2026.

A leitura correta dessa tabela é que os fundamentos não mudam. HTML legível, estrutura semântica, densidade factual e autoria verificável valem para os cinco. O que varia é o canal de indexação, e por isso o diagnóstico mede os cinco motores separadamente em vez de tratar "a IA" como uma coisa só.

O que elimina uma página da disputa?

Ser ilegível é o principal, e já foi tratado no Fator 1. Mas há três formas de eliminação que acontecem por descuido de configuração, não por escolha de formato, e que costumam passar despercebidas por meses.

• Bloqueio no robots.txt. Muitos CMS e plugins de privacidade bloqueiam GPTBot, ClaudeBot e PerplexityBot por padrão. O efeito é o mesmo de não existir.
• WAF ou CDN barrando os bots. Cloudflare e AWS WAF oferecem a opção "bloquear AI scrapers", às vezes ativa sem que ninguém tenha decidido. Um 403 no log vale mais que qualquer suposição: teste com curl -A "GPTBot" na sua URL.
• Conteúdo atrás de formulário. Exigir cadastro para acessar a análise remove ela da disputa. O PDF pode continuar sendo o material de captura; a versão HTML precisa estar aberta.

Vale a distinção: nenhum desses três é problema de conteúdo. São decisões de infraestrutura que anulam meses de produção editorial, e por isso a auditoria técnica precede a produção no método ReBo.

Como saber se você está sendo citado?

A citação por IA não é determinística. A mesma pergunta gera fontes diferentes em execuções distintas, porque o sistema reformula a consulta e reavalia candidatos a cada rodada. Isso inviabiliza medir por resposta isolada e exige medir por frequência.

O método é definir um conjunto de perguntas-alvo, tipicamente de 30 a 80, que clientes, alocadores, jornalistas e consultores realmente fazem sobre o seu mercado, e testá-las nos cinco motores em cadência fixa. A métrica resultante é a taxa de citação: em que porcentagem dessas perguntas a instituição aparece. Medida contra uma baseline, ela mostra movimento; medida uma vez, não mostra nada.

Dois sinais complementares confirmam a leitura. O primeiro são os logs do servidor: hits de GPTBot, ClaudeBot e PerplexityBot são a prova concreta de que os robôs estão lendo. O segundo é o tráfego de referência vindo das plataformas de IA, que mostra o efeito humano da citação.

Para descobrir onde a sua casa está nessa disputa hoje, o diagnóstico ReBo mede as respostas reais dos cinco motores e registra quem aparece no seu lugar.