Otimização para Motores Generativos em Português Brasileiro: uma replicação do estudo GEO de Princeton em consultas de finanças, saúde e turismo

Motores generativos — sistemas que respondem a consultas sintetizando e citando múltiplas fontes recuperadas da web por meio de grandes modelos de linguagem (LLMs) — estão substituindo progressivamente a busca tradicional. Em 2024, o estudo fundador de Aggarwal et al. (KDD 2024) demonstrou, em inglês, que técnicas de Otimização para Motores Generativos (GEO) podem elevar a visibilidade de uma página em até 40%. Este trabalho apresenta a primeira replicação sistemática desse experimento em português brasileiro. Construímos um banco de 200 consultas reais nos domínios de finanças, saúde e turismo, simulamos um motor generativo de duas etapas (recuperação de 5 primeiras páginas + síntese com citações por LLM) e aplicamos os nove métodos de otimização do estudo original a uma página-alvo, com 3 repetições por condição (N = 6.000 execuções). Os resultados replicam o padrão central de Princeton: adição de estatísticas (+34,2% em PAWC; +28,4% na taxa de citação), adição de citações diretas (+26,0%) e citação de fontes (+22,3%) produzem ganhos significativos (Wilcoxon pareado, p < 0,01), enquanto keyword stuffing — a tática clássica de SEO — reduz a visibilidade em 25,2%. Observamos ainda o "efeito equalizador": páginas mal ranqueadas no Google (posições 4–5) obtêm ganhos proporcionais de citação (+33% a +44%) muito superiores aos das primeiras posições (+19%). Os efeitos são heterogêneos por domínio, com saúde exibindo o padrão mais conservador. Os achados indicam que os princípios de GEO se transferem para o ecossistema lusófono e oferecem diretrizes empíricas para criadores de conteúdo brasileiros.