LLM SEO: Como Aparecer nas Respostas dos Modelos de IA?

LLM SEO é o rótulo de mercado para a otimização voltada a aparecer nas saídas de modelos de linguagem, incluindo conversas que começam fora de um buscador. Na prática, o trabalho se sobrepõe quase inteiramente ao que se chama de AEO e de GEO: os três descrevem a mesma disciplina com ênfases diferentes. A distinção que importa não é de vocabulário, é de motor, porque as regras de seleção de fontes variam bastante entre plataformas.

Em três camadas, nesta ordem. Acesso: liberar os rastreadores de busca de cada operador no robots.txt, no firewall e no CDN, e confirmar nos logs que eles chegam e recebem 200. Extração: entregar o conteúdo no HTML sem depender de JavaScript, em blocos autossuficientes com a resposta no topo. Seleção: dar ao sistema evidência verificável, entidade consistente e confirmação em fontes independentes. Pular a primeira camada invalida as outras duas.

Não. O GPTBot coleta conteúdo para treinamento; quem determina a elegibilidade nas respostas com busca é o OAI-SearchBot. São diretivas independentes no robots.txt. Dá para recusar o uso do seu conteúdo em treinamento e continuar sendo citado nas respostas. O erro caro é o bloqueio genérico, que derruba os dois de uma vez sem que a decisão tenha sido tomada de forma consciente.

Porque ele não é um rastreador. Google-Extended e Applebot-Extended são tokens de controle sobre o uso de conteúdo já rastreado, e não emitem requisição HTTP nenhuma. Quem busca as páginas continua sendo o crawler padrão de cada empresa, com o identificador de sempre. A confusão entre token e rastreador é uma das mais repetidas em listas de SEO, e a consequência prática é simples: tokens se auditam lendo o arquivo, não o log.

Os logs, sempre. Procure pelo identificador do agente e olhe o código de resposta: 403 indica bloqueio de firewall, 429 indica limite de taxa, e uma sequência de redirecionamentos costuma indicar que o agente desistiu no meio do caminho. Perfis padrão de gestão de bots em CDNs desafiam rastreadores de IA por falta de histórico de reputação, e esse bloqueio não aparece em nenhum relatório de marketing.

Se o custo for próximo de zero e o arquivo for gerado automaticamente, não há motivo para não ter. Mas não conte com ele no plano de visibilidade. O Google declarou publicamente que não suporta o formato, monitoramentos de larga escala mostram interesse desprezível dos robôs de busca pelo arquivo, a adoção está em torno de um décimo dos domínios e, entre os sites mais citados por IA, praticamente nenhum o utiliza. Nenhuma linha desse arquivo compensa um rastreador de busca bloqueado.

Os grandes operadores publicam identificadores e seguem as diretivas na prática, ainda que não haja obrigação legal. Mas a conformidade é propriedade do fornecedor, não da categoria: entre os buscadores acionados por usuário, alguns respeitam o arquivo e outros declaradamente não. Além disso, existe tráfego que simplesmente não se identifica ou que falsifica o identificador de um agente conhecido, e nenhuma diretiva controla isso.

Pelo endereço de origem, nunca pelo texto do identificador, que qualquer raspador pode declarar. Compare o IP com as faixas publicadas pelo operador ou use os registros de bots verificados mantidos por provedores de infraestrutura, que confirmam se o agente pertence mesmo a quem diz pertencer. Tráfego que diz ser de um grande operador e vem de faixa que não é dele é falsificação, e aí bloquear por IP é a resposta certa.

Sim. Cada subdomínio tem o próprio robots.txt e a regra do domínio principal não se aplica a ele. É comum encontrar o site institucional perfeitamente configurado e o blog, a loja ou a central de documentação bloqueados por herança de uma instalação antiga. Como a documentação técnica costuma ser justamente o conteúdo mais recuperado por agentes, esse esquecimento é caro.

É um dos maiores. Buscadores acionados por usuário costumam não executar JavaScript complexo, então conteúdo que só aparece depois do script pode simplesmente não existir para eles. O teste correto é abrir a página com o JavaScript desligado e verificar se a informação central continua lá. Preço, comparativo, especificação e diferencial são as vítimas mais frequentes, justamente o que mais influencia citação em consultas de decisão.

Não existe tipo exclusivo, e a documentação do Google afirma que não há requisitos adicionais de dados estruturados para as suas experiências de IA. O que existe é uma exigência maior de coerência: a marcação precisa descrever exatamente o que está visível na página. Os tipos que mais rendem são os de sempre, Organization, Product, Service, FAQPage, HowTo, Article e BreadcrumbList. Marcar o que não existe não gera vantagem e compromete a confiança no domínio inteiro.

Com três fontes que respondem perguntas diferentes. O log de servidor prova que o agente chegou e mostra o código de resposta que recebeu. O analytics segmentado prova que a citação virou visita, desde que as origens de IA sejam isoladas em vez de caírem em direto e referência. E um dos ecossistemas oferece relatório oficial de citações, com as consultas que levaram o sistema até o seu conteúdo. Para os demais motores, resta amostragem de prompts.

Preocupe-se em separar, não em bloquear. O volume de acesso automatizado cresceu bastante com a expansão de agentes e navegadores de IA, e isso é esperado em quem liberou o acesso. O que não pode acontecer é esse tráfego se misturar às sessões humanas nos relatórios, porque aí alguém vai interpretar variação de robô como variação de audiência. Se o custo de infraestrutura virar problema real, o caminho é limitar taxa de forma calibrada, nunca bloquear em massa.

Pelos quatro primeiros itens do checklist, que cabem em uma semana e resolvem a maior parte dos casos: auditar o grupo curinga do robots.txt, nomear cada agente em grupo próprio, criar regra explícita no firewall e no CDN, e confirmar nos logs que cada agente chegou e recebeu 200. É a única etapa em que o retorno independe de vencer alguém em autoridade. Conteúdo vem depois, e rende muito mais com a porta aberta.