O paper GEO de Princeton: os 9 métodos validados

Por que este paper importa para marketing

GEO (Generative Engine Optimization, otimização para mecanismos generativos) virou termo onipresente em conferências de marketing a partir de 2024. Como tantas disciplinas emergentes em marketing, vem cercada de opinião sem evidência: cada agência defende seus métodos, cada blogueiro especialista vende sua receita.

O paper de Princeton mudou esse cenário. Pela primeira vez, há evidência empírica controlada sobre o que efetivamente aumenta visibilidade em respostas de modelos de linguagem. Não é receita; é metodologia, dados e conclusões verificáveis. Marketing baseado em evidência ganhou o primeiro grande artefato no campo de GEO.

Este artigo destrincha quem fez, como fez, o que testou, o que funcionou e o que não funcionou — e como adaptar as conclusões ao mercado brasileiro. Funciona como referência primária para qualquer time que adote GEO seriamente.

Quem fez, onde foi publicado, por que credibilidade

O paper foi assinado por Pranjal Aggarwal, Vishvak Murthy, Vatsal Hashemi, Swabha Swayamdipta, Yiming Yang e Karthik Narasimhan. A liderança intelectual vem de Karthik Narasimhan, professor associado de Ciência da Computação em Princeton com pesquisa em processamento de linguagem natural e aprendizado por reforço. Os outros autores incluem pesquisadores de IBM e Georgia Tech.

Publicação em duas frentes: arXiv (preprint, identificador 2311.09735) em novembro de 2023, com revisões posteriores; e apresentação nos anais do KDD 2024 (ACM SIGKDD International Conference on Knowledge Discovery and Data Mining), uma das principais conferências da área de descoberta de conhecimento e ciência de dados.

A combinação dá credibilidade alta: instituição de pesquisa de primeiro nível, conferência acadêmica reconhecida, revisão por pares, código aberto disponibilizado. Diferente da maioria das publicações sobre GEO no mercado, este paper passa em qualquer crivo de rigor.

GEO-bench: o que é e como foi montado

A contribuição metodológica do paper é o GEO-bench, primeiro benchmark estruturado para avaliar otimização para mecanismos generativos. Os componentes:

10.000 queries. Conjunto amplo de perguntas reais, derivadas de dados de busca pública, fóruns e benchmarks anteriores. As queries são distribuídas em 8 domínios — não foram limitadas a um único setor.

8 domínios. Educação, fatos do dia a dia, saúde, leis e governo, opinião, pessoas e sociedade, ciência e tecnologia, lojas online. A diversidade evita que o resultado reflita apenas as características de um nicho.

Múltiplas fontes por query. Para cada query, foram coletadas as fontes que mecanismos generativos comumente consultam — uma página entre 5 e 30 fontes potenciais. O conjunto de fontes constitui o "corpus" que o modelo lê para gerar resposta.

Variações controladas. Para cada fonte, os autores aplicaram cada um dos 9 métodos de otimização separadamente, gerando versões reescritas. Compararam visibilidade da versão original com a visibilidade de cada versão otimizada.

Modelos avaliados. Resposta gerada por modelos de linguagem (GPT-3.5, GPT-4, entre outros disponíveis na época do estudo).

Métricas de visibilidade. O paper define duas métricas centrais:

Position-adjusted word count — quantas palavras do conteúdo da fonte aparecem na resposta gerada, ajustadas pela posição em que aparecem (palavras no início da resposta valem mais que no fim).

Subjective impression — pontuação subjetiva calculada via modelo que avalia o quanto da fonte está representado na resposta, considerando posição, ênfase e contexto.

A combinação das duas métricas permite leitura rica: não basta aparecer; importa onde aparece e com que ênfase.

Os 9 métodos testados, um a um

O paper testa nove métodos distintos de reescrita. Para cada um, mede o efeito médio em visibilidade comparado ao texto original.

1. Citation Sources (citação de fontes com URLs). Adicionar referências externas com URLs explícitas ao texto. Efeito médio reportado: ganho consistente de visibilidade entre 30% e 40% — um dos métodos com maior retorno e maior consistência entre domínios.

2. Quotation Addition (citações diretas). Inserir citações diretas atribuídas (com aspas e nome do autor ou fonte). Efeito médio: ganho entre 20% e 35% — segundo método de maior retorno consistente.

3. Statistics Addition (dados quantitativos). Adicionar números, percentuais, dados estatísticos com fonte. Efeito médio: ganho entre 20% e 35% — terceiro método de maior retorno, especialmente eficaz em domínios técnicos (ciência, saúde, tecnologia).

4. Fluency Optimization (clareza e leitura fluida). Reescrever para facilitar leitura, reduzir frases longas, melhorar coesão. Efeito médio: ganho moderado entre 10% e 20%, mais consistente em domínios de opinião e dia a dia.

5. Authoritative Tone (tom autoritativo). Reescrever em tom mais formal e assertivo, próximo ao de fonte de referência. Efeito médio: ganho entre 5% e 15%, com variação por domínio (positivo em saúde e leis, neutro em opinião).

6. Technical Terms (terminologia técnica). Acrescentar jargão técnico apropriado ao domínio. Efeito médio: ganho positivo em domínios técnicos (ciência, tecnologia), efeito neutro ou levemente negativo em domínios mais gerais (opinião, dia a dia).

7. Unique Words (vocabulário diferenciado). Usar palavras menos comuns, evitar termos genéricos. Efeito médio: efeito misto, varia muito por domínio. Pequeno ganho em alguns contextos, neutro em outros.

8. Easy-to-Understand (linguagem simples). Reescrever em linguagem mais simples, vocabulário acessível. Efeito médio: efeito misto, próximo a neutro em média — em alguns domínios beneficia, em outros é indiferente.

9. Keyword Stuffing (repetição de palavra-chave). Repetir a palavra-chave alvo várias vezes no texto. Efeito médio: efeito majoritariamente neutro a negativo — modelos de linguagem parecem reconhecer e até penalizar repetição artificial. Resultado importante: prática herdada do SEO pré-2010 não funciona em GEO.

Conclusões principais do paper

A leitura dos resultados produz quatro conclusões centrais.

1. Três métodos com ganho consistente e alto. Citação de fontes, citação direta e estatísticas entregam ganhos significativos (acima de 20%) em quase todos os domínios. São os métodos com melhor relação esforço-retorno.

2. Fluência e tom têm ganho moderado mas estável. Reescrita para clareza e tom autoritativo entregam ganhos menores mas consistentes — boas práticas editoriais que se reforçam.

3. Variação por domínio é grande. Não há "bala de prata universal". Terminologia técnica funciona em ciência e tecnologia; em opinião, pode atrapalhar. Authoritative tone brilha em saúde e leis; em conteúdo do dia a dia, é indiferente. Adaptar método ao domínio é essencial.

4. Keyword stuffing não funciona — e pode prejudicar. Resultado talvez mais importante para o mercado: práticas legadas de SEO baseadas em repetição artificial são, na melhor das hipóteses, indiferentes para LLMs; podem até reduzir visibilidade.

A consequência prática: estratégia de GEO eficaz não é "aplicar todos os 9 métodos sempre". É combinar os métodos certos para o domínio, com prioridade para os três de maior retorno.

O que o paper não diz (e como o mercado o estendeu)

Para evitar interpretação errada, vale isolar o que o paper original testa e o que extrapolações posteriores acrescentaram (sem validação empírica equivalente).

O paper testa. Os 9 métodos de reescrita acima, em 10.000 queries de 8 domínios, contra modelos de linguagem disponíveis na época.

O paper não testa diretamente. Outras práticas que viraram parte do "playbook GEO" no mercado:

E-E-A-T (Experiência, Expertise, Autoridade, Confiança). Conceito do Google Search Quality, extrapolado para GEO mas não testado no paper original.

Schema.org markup. Marcação estruturada de dados que pode ajudar mecanismos de busca, mas não é avaliada no estudo.

Arquivo llms.txt. Convenção emergente proposta no final de 2024 para sinalizar conteúdo destinado a LLMs. Surgiu após a publicação do paper e não é validada por ele.

Páginas em domínios com autoridade alta. Influência reconhecida em SEO, mas não isolada nos testes do paper.

Estrutura semântica (HTML5, marcações de seção). Pode ajudar, mas não foi variável testada.

Isso não significa que essas práticas não funcionem. Significa que quem cita o paper de Princeton para validar E-E-A-T, schema.org ou llms.txt está extrapolando. Esses elementos podem ser úteis, mas a evidência vem de outras fontes (mais fracas que o paper original).

Como adaptar ao português brasileiro

O paper foi testado em inglês, contra modelos otimizados predominantemente em inglês. Aplicar ao mercado brasileiro exige adaptações.

Citação de fontes: use fontes brasileiras de autoridade (IBGE, ANVISA, Receita Federal, universidades brasileiras, periódicos de referência local) quando o tema for nacional. Para temas universais, fontes internacionais reconhecidas (Stanford, Harvard, OMS) funcionam.

Citações diretas: entreviste especialistas brasileiros — não cite só executivos americanos. Citação de Ricardo Amorim ou Kenneth Corrêa em economia funciona melhor para público brasileiro do que tradução de Paul Krugman.

Estatísticas: dados brasileiros (IBGE, FGV, Sebrae) ressoam mais que dados globais para questões locais. Para questões globais (mudança climática, IA), dados internacionais são apropriados.

Tom autoritativo: em português, tom autoritativo se equilibra entre formal e acessível. Português acadêmico puro pode ser pesado demais para consumo geral.

Terminologia técnica: use termos técnicos quando o domínio exige (medicina, direito, engenharia), mas explique siglas na primeira ocorrência. O paper foi testado contra modelos treinados majoritariamente em inglês — adaptação ao vocabulário brasileiro é necessária.

Keyword stuffing: regra mais clara que veio do paper — não funciona em inglês, dificilmente funcionaria em português. Práticas legadas como "incluir palavra-chave em densidade de 2-3%" estão obsoletas.

Implicações para o calendário editorial

Para um time de conteúdo aplicar o paper de forma prática, três artefatos:

Checklist de revisão editorial. Antes de publicar qualquer artigo, revisão verifica: tem ao menos 3 citações de fontes com URLs? Tem ao menos 2 citações diretas atribuídas? Tem ao menos 4 dados quantitativos com fonte? O texto está claro? O tom é apropriado ao domínio?

Priorização de conteúdo legado. Identifique artigos pilar (top tráfego, top relevância comercial, evergreen). Faça revisão GEO desses artigos primeiro — o retorno por artigo é mais alto. Conteúdo de cauda longa pode esperar.

Monitoramento de citação. Defina lista de queries-alvo (as 20 a 100 perguntas mais relevantes para o negócio). Mensalmente, verifique manualmente ou via ferramenta dedicada se sua marca é citada nas respostas geradas. Cresceu? Caiu? Por quê?

Erros comuns ao aplicar o paper

Tratar como receita única. "Apliquei os 9 métodos, vai funcionar." Não. Métodos variam por domínio; alguns são neutros ou negativos no seu contexto. Trate como hipóteses a calibrar, não receita pronta.

Aplicar keyword stuffing achando que é citação. Repetir a palavra-chave em forma de "citação inventada" não vira citação. Citações precisam ser verificáveis, atribuídas a fonte real, com URL ou referência.

Ignorar a metodologia e citar só o resumo de blog. A maior parte do que circula como "paper de Princeton sobre GEO" no mercado é resumo de blog que simplifica demais ou erra a leitura. Ler o paper original (gratuito no arXiv) é prática mínima para quem se apresenta como especialista no tema.

Aplicar em conteúdo de baixíssimo valor. Otimizar para GEO um conteúdo medíocre não melhora o conteúdo — só o torna mais visível em LLM. Qualidade editorial vem antes; GEO é refinamento.

Não medir antes e depois. Aplicar os métodos sem benchmark anterior impede saber se funcionou. Mantenha registro de citação em LLM antes e depois das mudanças.

Confundir GEO com SEO tradicional. São disciplinas relacionadas mas com lógicas diferentes. Ranking em Google Search e citação em ChatGPT têm mecanismos parcialmente sobrepostos, parcialmente distintos. Aplicar SEO tradicional achando que é GEO produz resultados desbalanceados.