Como o ChatGPT realmente lê e cita páginas: por dentro do stack de retrieval

Estudo da RESONEO com 1.200 respostas e 26,9 mil páginas revela três camadas (índice, cache e leitura ao vivo) que decidem quem o ChatGPT cita, com implicações diretas para SEO↳SEO4 conteúdosPor que a transição do SEO clássico para a Otimização de Motores Generativos (GEO) exige que se repense a modelagem semânticaMarketing Tech · mai 2026O impacto da pesquisa e do SEO no comércio eletrônico: insights da State of Search Brasil 5Marketing Tech · fev 2025SEO por Elas 2025: Impulsionando e promovendo mulheres no Marketing DigitalMarketing Tech · fev 2025Ver tudo em Marketing Tech → e GEO.

Quando o ChatGPT cita uma página, de onde ela veio? Foi essa a pergunta que a agência francesa RESONEO tentou responder capturando 1.200 respostas do ChatGPT, 88 mil resultados de busca e 26,9 mil páginas distintas em julho de 2026. O relato, publicado por Olivier de Segonzac no Search Engine Land, é um dos raros trabalhos que dissecam o "encanamento" de retrieval do assistente com dados de servidor, não com suposições. Para quem faz SEO no Brasil, ele mostra que otimizar para IA↳Inteligência artificial440 conteúdosUX e IA: Transformando Experiências Digitais com Inteligência ArtificialProduto & UX · jan 2025MCP: O que é e por que você vai ouvir falar disso em breve?AI · jul 2025IA generativa e a urgência de reconstruir nossa relação com a verdadeAI · jun 2025Ver tudo em AI → não é mágica: é engenharia de descoberta, com regras diferentes das do Google.

Nota da redação: os dados, números e citações deste artigo reproduzem o relato de Olivier de Segonzac no Search Engine Land sobre o estudo da RESONEO. A redação do iMasters não teve acesso direto à publicação original para conferência independente de cada dado; recomenda-se consultar a fonte primária antes de basear decisões estratégicas nesses números.

Três camadas que decidem a citação

A pesquisa identificou que o ChatGPT ancora suas respostas em três camadas distintas, cada uma com regras e defasagens próprias:

• Um índice de descoberta, que encontra páginas.
• Um cache de leitura, que guarda cópias completas das páginas já buscadas.
• Um pequeno conjunto de páginas abertas ao vivo, só no modo pago.

A equipe descobriu isso por engenharia reversa. Uma extensão de Chrome gravava o fluxo bruto que o ChatGPT envia ao navegador, incluindo um campo chamado result_source que nomeava o pipeline interno de cada resultado. Quatro valores se repetiam: labrador, bright, oxylabs e serp, nenhum documentado pela OpenAI. Em 21 de julho o campo simplesmente sumiu do fluxo, da noite para o dia, em todas as contas monitoradas. A RESONEO passou então a reidentificar cada pipeline por assinaturas de formatação (tamanho de snippet, forma do título) com um classificador que acerta cerca de 98% das vezes.

labrador: o índice próprio da OpenAI, e por que ele não é o Bing

O achado central é que a OpenAI tem seu próprio índice web, batizado internamente de labrador, e ele não é alimentado pelo Bing. A prova está nos números: apenas 1,5% das URLs do labrador aparecem no top 20 do Bing para as mesmas consultas, nenhum snippet coincide, e enquanto o Bing corta títulos em 75 caracteres, 24% dos títulos do labrador passam disso. O título mais longo capturado tinha 289 caracteres.

Já bright e oxylabs são resultados do Google raspados e comprados ao vivo. Esse detalhe é decisivo, porque os dois mundos não se misturam da mesma forma em cada modo.

Instant x Think: dois webs diferentes para a mesma pergunta

A distinção mais importante para estratégia é que modo gratuito e modo pago leem webs diferentes. Numa conta free, clicar em Think mais que dobra o volume de retrieval, de 15,1 para 35,3 URLs por conversa. Mas a origem muda de figura:

• Free Think: 74,7% dos resultados vêm do labrador (índice próprio da OpenAI), só 3,1% do Google raspado.
• Paid Thinking: quase o espelho, 75,3% de Google raspado e 24,7% de labrador.

Ou seja: duas pessoas fazem a mesma pergunta, recebem a mesma quantidade de fontes e ainda assim têm respostas construídas a partir de corpora completamente diferentes. Rankear bem no Google continua importante para o Paid Thinking, mas não garante entrada no conjunto do Free Think, onde o índice da própria OpenAI é o porteiro. E como mais de 90% dos usuários estão no tier gratuito, o labrador, um pipeline que ninguém conhecia seis meses atrás, decide a visibilidade na maioria das conversas.

O snippet de 200 caracteres que ignora sua meta description

No modo instant, um resultado do labrador contém apenas três coisas: a URL, o título completo (nunca truncado) e um snippet de cerca de 200 caracteres. Esse snippet é o único texto do corpo da sua página que chega ao modelo, e ele é construído de um jeito rústico: ancorado no seu H1, mais o texto visível imediatamente ao redor. Isso pode incluir o rótulo de categoria acima do título, o alt de uma imagem, a assinatura do autor, a data ou até um índice de conteúdo. A RESONEO mediu um caso em que o snippet era 100% índice de navegação e 0% conteúdo.

Dois pontos práticos e imediatos:

• A meta description é ignorada por completo no labrador. Ela ainda funciona nos pipelines alimentados pelo Google (cerca de uma vez a cada três no bright).
• O snippet não depende da query: é cortado no momento da indexação e servido congelado até o próximo crawl. A mesma URL devolve o mesmo trecho, seja a pergunta sobre preço, história ou efeitos colaterais.

Como diz o autor, snippets independentes da query são algo que a busca web abandonou há duas décadas, "e aqui estão eles em 2026, alimentando um dos assistentes de IA mais usados do mundo". A aposta da RESONEO é que isso é um placeholder e vai melhorar rápido.

O cache em Markdown que ignora noindex e Cache-Control

Jérôme Salomon, da Oncrawl, ajudou a mapear a segunda camada: um cache de toda página já buscada, convertida de HTML↳HTML45 conteúdosA importância do HTML e CSS para quem trabalha com UI Design e Design SystemProduto & UX · dez 2024Como hostear seu site HTML gratuitamente com GitHub PagesDev (Back & Front) · jun 2025SQL Server – Como criar um versionamento de código das suas Stored Procedures em HTML e com comentários da alteraçãoData · nov 2020Ver tudo em Dev (Back & Front) → para Markdown e guardada assim. A chave é a URL, e o cache é compartilhado entre todos os usuários e tiers. Se um usuário gratuito em Berlim pergunta sobre uma página que um assinante em Ohio fez buscar semana passada, Berlim recebe a cópia de Ohio.

A lógica de atualização é o clássico stale-while-revalidate: a cópia é considerada fresca por cerca de 30 minutos. Passado esse tempo, o usuário ainda recebe a cópia velha na hora e um fetch em segundo plano atualiza para o próximo. Consequência: o cronograma de recrawl das suas páginas depende de um único sinal, a frequência com que usuários perguntam sobre elas. Páginas populares ficam frescas; impopulares envelhecem indefinidamente. Salomon documentou cópias servidas mais de 90 dias após o fetch.

Detalhes que mexem com quem faz SEO técnico:

• Cache-Control: no-store é ignorado. noindex também.
• Scripts, iframes e JSON-LD são removidos: seus dados estruturados não chegam ao modelo por esse caminho.
• Alt text sobrevive; texto escondido por CSS continua sendo extraído.
• O robô não executa JavaScript: conteúdo client-side é invisível.
• Páginas têm teto de exatamente 4 MB. Acima disso não há truncamento: a página é rejeitada com HTTP 400 e o modelo não lê nada.

O funil real e o ponto cego da analytics

Os números do funil deixam a aposta concreta. No corpus, 61.332 URLs apareceram na barra lateral de fontes; 5.032 viraram fonte líder de uma citação; 759 páginas foram de fato abertas (todas em thinking mode). Uma página aberta é citada 74% das vezes; uma apenas recuperada mas nunca aberta, 7%.

O problema é que você provavelmente não está medindo o que importa. O parâmetro utm_source=chatgpt.com é anexado apenas aos links clicáveis mostrados ao usuário e rastreia cliques de saída. Mas as páginas que o ChatGPT abre sozinho no thinking mode, justamente as com 74% de taxa de citação, não carregam UTM algum. Quem mede exposição só filtrando esse parâmetro conta os cliques e perde as leituras. A recomendação é monitorar o user agent ChatGPT-User nos logs do servidor. Há ainda um parâmetro de API que devolve a data do crawl da cópia armazenada de uma URL, uma métrica de exposição quase gratuita que, segundo o autor, ninguém está observando.

O que fica em aberto (e o que é seguro construir)

Uma descoberta resiste à explicação: em modo instant, URLs sem snippet (fora Reddit, YouTube e arXiv) são citadas mais que URLs com snippet (14,9% contra 8,2%). Algumas citações não batem com resultado de busca nenhum, quase sempre raízes de domínios famosos com o UTM colado como se viessem de uma pesquisa. A hipótese da RESONEO é que parte do que o ChatGPT cita vem da memória paramétrica, o que ele lembra do treino, não o que recuperou. O arXiv foi puxado mais de 2.600 vezes e citado só 10: o modelo lê preprints e fóruns para pensar, e depois cita páginas web comuns.

O autor faz um alerta que vale repetir: tudo aqui descreve um sistema que muda rápido. O campo result_source sumiu da noite para o dia, os provedores de shopping foram anonimizados na mesma semana. "Qualquer mecanismo específico que documentamos pode ter desaparecido quando você fizer o deploy."

Duas coisas, porém, são estruturais e valem o investimento. Primeiro, LLMs têm data de corte e são condenados a depender de busca para cobrir o intervalo até hoje, então retrieval é dependência permanente. Segundo, todo motor que eles usarem será empurrado para qualidade nível Google, porque índice rudimentar gera resposta rudimentar e o usuário percebe. Por isso os fundamentos clássicos (páginas crawláveis, títulos claros, conteúdo que de fato responde à pergunta) continuam pagando.

O conselho tático da fonte, aplicado com moderação: escreva o título como frase autossuficiente (ele chega inteiro ao modelo), garanta que os 200 caracteres após o H1 carreguem a mensagem central, mantenha alt informativo no topo, preserve a meta description pelos pipelines do Google e fique abaixo de 4 MB sem depender de JavaScript. A batalha durável, porém, é anterior: mapear as perguntas que as pessoas realmente fazem em linguagem humana ("qual carrinho passa na catraca do metrô", não "carrinho com 49 cm de largura") e ser a página que as responde.

Fonte: Search Engine Land