SEO para 2027: o que muda no código e na arquitetura quando a IA passa a ser a nova página de resultados

O artigo "Evolving 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 → for 2027: What still needs to change", publicado por Adam Tanguay na Search Engine Land, parte de uma tese simples e desconfortável: dá para ter ranking limpo, calendário de conteúdo em dia e um mapa de palavras-chave que ainda "funciona" no Ahrefs ou no Semrush e, mesmo assim, perder o momento. A resposta sintetizada que nunca envia o clique, ou a thread aleatória do Reddit em que o modelo confia mais do que no seu blog, vence na métrica de referral.

Tanguay é Organic Growth Lead na SpaceXAI e escreve para quem faz estratégia de conteúdo. Aqui, o recorte é outro: o que essa mudança de superfície exige de quem escreve o código, define o schema e desenha a arquitetura de informação de um site.

O que mudou na superfície de busca

O texto lista as frentes que deixaram de ser experimento. As AI↳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 → Overviews foram lançadas nos EUA em maio de 2024. Desde então o Google adicionou o AI Mode, uma camada conversacional dentro da própria busca, com o Gemini embutido, não apenas como um chatbot ao lado. E, fora do Google, as pessoas passaram a perguntar ao ChatGPT, Grok, Claude e Perplexity o tipo de coisa que antes digitavam na caixa de busca.

A consequência técnica é que o "cliente" que consome sua página deixou de ser só o Googlebot renderizando 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 exibir um snippet. Agora existe uma frota de crawlers de LLM lendo, comprimindo e recitando seu conteúdo, muitas vezes sem gerar visita. O trabalho de tornar o conteúdo legível por máquina virou o trabalho de tornar o conteúdo citável por máquina.

Os números que sustentam a tese

O artigo se apoia em uma análise da Shopify divulgada em agosto. Vale reproduzir os dados com a mesma grandeza da fonte, e com a mesma ressalva que o próprio autor faz (a Shopify não revelou o número de lojistas no conjunto, então ele trata os achados como direcionais):

Mikhail Parakhin, CTO da Shopify, afirmou que as sessões vindas de IA "roughly tripled" enquanto a busca orgânica continuou crescendo sobre uma base maior. A leitura do autor é direta: a IA é uma fatia menor, porém de crescimento mais rápido e maior intenção, enquanto o Google orgânico segue sendo o motor principal de volume.

Para o dev, isso mata uma tentação comum: jogar tudo em "AEO" (answer engine optimization) e abandonar o SEO clássico. Quem ainda entrega volume é o Google. O erro seria tratar as duas coisas como projetos separados.

O que isso pede do código e da arquitetura

A parte que o artigo não detalha, mas que decorre diretamente dele, é onde o leitor deste portal entra. Se o objetivo passou de "ranquear" para "ser recuperável e citável", algumas decisões de engenharia mudam de peso:

• Conteúdo no HTML, não escondido atrás de JS. Crawlers de LLM tendem a ser menos tolerantes com renderização client-side do que o Googlebot já é. Conteúdo que só aparece após hidratação é conteúdo que corre risco de não ser lido. SSR ou pré-renderização deixam de ser detalhe de performance e viram condição de existência na resposta.
• Dados estruturados como âncora de fato. Schema.org (Article, Product, FAQPage, HowTo, VideoObject) ajuda a máquina a extrair o "fato primário" que ela vai recitar. O ponto de Tanguay de que os modelos têm dificuldade de "fingir" uma fonte primária conversa direto com marcar bem autor, data, preço e método.
• Vídeo com transcrição e capítulos. O artigo é explícito: sistemas de busca tratam cada vez mais vídeo e transcrições como material-fonte, e o YouTube aparece com frequência como fonte citada nas AI Overviews. Na prática, isso significa gerar transcrições (transcript), capítulos e VideoObject com timestamps, para que o modelo consiga recuperar o trecho certo. Um clipe gerado com voz de banco de sons "não faz de você a fonte primária".

O framework de triagem que muda o backlog

A recomendação mais acionável do texto é reescrever as perguntas de planejamento. Em vez de começar por "quais palavras-chave tentar ranquear?", ele sugere pegar a lista do Semrush ou Ahrefs do trimestre e separá-la em três baldes:

1. Ainda gera clique (comparação, preço, implementação);
2. Só resposta (definições, "o que é");
3. De propriedade da comunidade (Reddit, "alguém já usou X?").

A orientação: parar de escrever artigos rasos para o balde do meio, aparecer como pessoa (com nome) no último e concentrar o tempo de produção no primeiro. Como ele resume, um texto de 2.000 palavras do tipo "o que é" que a AI Overview resolve sozinha não vai pagar; a autoridade de tópico que ainda paga é a que aparece citada em vários prompts relacionados de um mesmo cluster.

Se o modelo consegue montar um resumo decente a partir de 10 posts genéricos, o que ele ainda tem dificuldade de fingir é uma pessoa com nome que usou o produto e vai dizer o que quebrou.

Adam Tanguay, Search Engine Land

Para times de engenharia de conteúdo, isso é um critério de priorização de roadmap: páginas do balde 2 são candidatas a consolidação ou a virar respostas curtas dentro de páginas maiores, em vez de novos artigos.

Onde NÃO vale a pena investir

O texto é honesto sobre o custo. Perseguir todo fator de ranking indefinido dentro de cada modelo é um poço sem fundo, porque o que dispara citações externas muda rápido e varia por categoria. Duas coisas ficam marcadas como perda de tempo ou risco:

• Astroturfing. Encher uma thread do Quora sem alma repetindo o copy de marketing é pior do que construir um discurso de marca imperfeito, mas real. Menções não-linkadas em comunidades confiáveis são um trabalho "adjacente ao SEO", não sobra de branding.
• Conteúdo de IA genérico para termos de cabeça. Espalhar páginas finas sobre head terms perde para profundidade real em um tópico.

E há uma métrica que o dev precisa levar para a conversa com o negócio: perder tráfego de blue link não deveria ser a manchete se conversão, pipeline e CAC melhoram. Ou seja, os dashboards precisam parar de tratar sessão orgânica como o único KPI. Medir citação em IA, tráfego assistido e conversão por origem passa a valer mais do que a curva de cliques.

O que fica em aberto

O artigo não entrega uma receita fechada de como instrumentar citação em LLM, e isso é o buraco prático para quem constrói: ainda não há um padrão consolidado equivalente ao Search Console para medir "quantas vezes o ChatGPT me citou". As ferramentas de visibilidade em IA existem, mas são jovens. Até lá, a aposta mais segura é de engenharia básica bem feita: HTML servível, dados estruturados corretos, vídeo transcrito e conteúdo com um ponto de vista que só a sua fonte pode dar. Como conclui Tanguay, mais superfícies e mais algoritmos deveriam mudar o documento de planejamento, não o cargo. O trabalho continua sendo entender o usuário, agora em mais lugares.

Fonte: Search Engine Land