Traduzimos este artigo do inglês. Clique aqui para ler o artigo original. Se você notar algum problema com o conteúdo, não hesite em entrar em contato conosco pelo e-mail report-osteam@semrush.com.
Desde que o Google lançou o Modo IA, duas perguntas têm me intrigado:
- Como podemos garantir que nosso conteúdo seja exibido nos resultados de IA?
- Como descobrir o que funciona quando a busca por IA ainda é, em grande parte, um mistério?
Embora haja muitos conselhos online, grande parte deles é, na melhor das hipóteses, especulativa. Todo mundo tem hipóteses sobre otimização de IA, mas poucos estão realizando experimentos reais para ver o que funciona.
Uma ideia é otimizar para ramificação de consulta. O desdobramento de consultas é um processo no qual sistemas de IA (particularmente o Modo de IA do Google e a busca do ChatGPT) pegam sua consulta de pesquisa original e a dividem em várias subconsultas, reunindo informações de diversas fontes para construir uma resposta abrangente.
Esta ilustração retrata perfeitamente o processo de ramificação da consulta.
A estratégia de otimização é simples: identifique as subconsultas relacionadas a um tópico específico e, em seguida, certifique-se de que sua página inclua conteúdo direcionado a essas consultas. Fazendo isso, você terá maiores chances de ser selecionado nas respostas da IA (pelo menos em teoria).
Então, decidi fazer um pequeno teste para ver se isso realmente funciona. Selecionei quatro artigos do nosso blog, pedi a um membro da equipe que os atualizasse para abordar as dúvidas relevantes geradas por meio de mecanismos de busca, e monitorei a visibilidade da nossa IA durante um mês.
Os resultados? Bem, elas revelam algumas informações interessantes sobre a otimização da IA.
Aqui estão os principais pontos a serem destacados em nosso experimento:
Principais conclusões
- A otimização para consultas de ramificação aumenta significativamente as citações de IA: Em nossa pequena amostra de quatro artigos, mais que dobramos as citações em prompts rastreados de dois para cinco. Embora os números absolutos sejam pequenos devido ao tamanho da amostra, as citações eram a principal métrica que buscávamos influenciar, e o aumento indica, de forma geral, sucesso.
- As citações de IA podem ser imprevisíveis: Verifiquei periodicamente durante o mês e, em um momento, nossas citações chegaram a nove antes de caírem novamente para cinco. Houve relatos de que o ChatGPT reduziu drasticamente as citações de marcas e editoras em geral. Isso apenas demonstra a rapidez com que as coisas podem mudar quando se depende de plataformas de IA para obter visibilidade.
- Nossas menções à marca diminuíram nas consultas rastreadas, assim como as de todos os outros: No geral,, notamos menos referências à marca aparecendo nas respostas de IA às consultas que estávamos monitorando. Isso afetou nossa participação de mercado, visibilidade da marca e métricas de menções totais. Outras marcas também sofreram quedas semelhantes. Isso parece ser um problema distinto das alterações nas citações — trata-se mais de como as plataformas de IA lidaram com as menções à marca durante o período do nosso experimento.
Discutiremos os resultados deste experimento em detalhes mais adiante neste artigo. Primeiramente, permita-me explicar exatamente como conduzimos este experimento, para que você possa entender nossa metodologia e, potencialmente, replicá-la ou aprimorá-la.
Como realizamos o experimento de ramificação de consulta
Eis como configuramos e executamos nosso experimento:
- Selecionei quatro artigos do nosso blog.
- Para cada artigo selecionado, pesquisei de 10 a 20 consultas derivadas.
- Fiz parceria com Tushar Pol, um redator de conteúdo sênior da nossa equipe, para me ajudar a executar as alterações de conteúdo para este experimento. Ele editou o conteúdo de nossos artigos para abordar o máximo possível de dúvidas relacionadas à distribuição de links.
- Configurei o rastreamento das consultas de ramificação para que pudéssemos medir a visibilidade da IA antes e depois da implementação. Para isso, utilizei a plataforma Semrush Enterprise AIO . Estávamos principalmente interessados em ver como as alterações no nosso conteúdo impactavam a visibilidade no Modo de IA do Google, mas as nossas otimizações também poderiam impulsionar a visibilidade noutras plataformas, como a Pesquisa ChatGPT, como um efeito secundário, pelo que também acompanhei o desempenho lá.
Vamos analisar cada uma dessas etapas com mais detalhes.
1. Selecionando artigos
Ao selecionar os artigos para este experimento, eu tinha critérios específicos em mente.
Em primeiro lugar, eu queria artigos que tivessem um desempenho estável nos últimos dois meses. O tráfego tem estado instável ultimamente, e testar em páginas instáveis tornaria impossível determinar se quaisquer alterações no desempenho se deviam às nossas modificações ou apenas a flutuações normais.
Em segundo lugar, evitei artigos que fossem essenciais para o nosso negócio. Afinal, isto foi uma experiência. Caso algo desse errado, eu não queria afetar negativamente nossa visibilidade em tópicos críticos.
Após analisar nossa biblioteca de conteúdo, encontrei quatro candidatos perfeitos:
- Um guia sobre como criar um calendário de marketing
- Uma explicação sobre o que são subdomínios e como funcionam.
- Um guia completo sobre o ranqueamento de palavras-chave no Google.
- Um guia detalhado sobre como realizar auditorias técnicas de SEO.
2. Pesquisando consultas de ramificação
Em seguida, passei a pesquisar consultas de ramificação para cada artigo.
Atualmente, não há como saber quais consultas derivadas (perguntas relacionadas e subsequentes) o Google usará quando alguém interagir com o Modo IA, já que elas são geradas dinamicamente e podem variar a cada pesquisa.
Então, tive que recorrer a consultas sintéticas. Essas são consultas geradas por IA que se aproximam do que o Google pode gerar quando as pessoas pesquisam no Modo IA.
Decidi usar duas ferramentas para gerar essas consultas.
Primeiro, eu usei Sapo Gritante. . O script analisa o conteúdo da página, identifica a palavra-chave principal que visa e, em seguida, realiza sua própria versão de ramificação de consulta para sugerir consultas relacionadas.
Infelizmente, os dados não estão devidamente visíveis dentro do Screaming Frog — tudo ficou comprimido em uma única célula. Então, tive que copiar e colar todo o conteúdo da célula em uma planilha do Google separada.
Agora eu finalmente conseguia ver os dados.
O bom é que o script também verifica se o nosso conteúdo já aborda essas questões. Se algumas perguntas já tivessem sido respondidas, poderíamos ignorá-las. Mas se surgissem novas dúvidas, precisaríamos adicionar conteúdo novo para elas.
Em seguida, usei o Qforia, uma ferramenta gratuita criada por Mike King e sua equipe na iPullRank.
O motivo pelo qual usei outra ferramenta é simples: ferramentas diferentes geralmente apresentam resultados de consultas diferentes. Ao ampliar o escopo, eu teria uma lista mais abrangente de possíveis consultas ramificadas.
Além disso, se determinadas consultas forem comuns em ambas as ferramentas, isso indica que abordá-las pode ser importante.
O funcionamento do Qforia é simples: insira a palavra-chave principal do artigo no campo indicado, adicione uma chave da API Gemini, selecione o modo de pesquisa (Modo de IA do Google ou Visão Geral da IA) e execute a análise. A ferramenta irá gerar consultas relacionadas para você.
Após executar a análise para cada artigo, salvei os resultados na mesma planilha do Google.
3. Atualizando os artigos
Com uma planilha repleta de consultas de ramificação, era hora de finalmente atualizar nossos artigos. Foi aí que Tushar entrou em cena.
Minhas instruções foram simples:
Verifique as consultas de ramificação para cada artigo e responda àquelas que ainda não foram cobertas e e que foram viáveis de adicionar. Se algumas perguntas parecessem estar além do escopo do artigo, não havia problema em ignorá-las e prosseguir.
Eu também disse a Tushar que incluir as perguntas textualmente nem sempre era necessário. Desde que estivéssemos respondendo à pergunta feita na consulta, a formulação exata não importava tanto. O objetivo era garantir que nosso conteúdo incluísse o que os leitores realmente procuravam.
Às vezes, responder a uma pergunta significava fazer pequenos ajustes — apenas adicionar uma ou duas frases ao conteúdo existente. Outras vezes, foi necessário criar seções inteiramente novas.
Por exemplo, uma das pesquisas relacionadas ao nosso artigo sobre como fazer uma auditoria técnica de SEO foi: "diferença entre auditoria técnica de SEO e auditoria de SEO on-page".
Poderíamos ter abordado essa questão de várias maneiras, mas uma opção inteligente foi fazer uma comparação logo após definirmos o que é uma auditoria técnica de SEO.
Por vezes, não era fácil (ou sequer possível) integrar as consultas de forma natural no conteúdo existente. Nesses casos, resolvemos o problema criando uma nova seção de perguntas frequentes (FAQ) e abordando diversas dúvidas relacionadas nessa seção.
Eis um exemplo:
Ao longo de uma semana, atualizamos todos os quatro artigos da nossa lista. Esses artigos não passaram pelo nosso processo padrão de revisão editorial. Agimos rápido. Mas isso foi intencional, visto que se tratava de uma experiência e não de uma atualização de conteúdo regular.
4. Configurando o rastreamento
Antes de publicarmos as atualizações, registrei o desempenho atual de cada artigo para estabelecer uma base de comparação. Dessa forma, poderíamos verificar se a otimização do desdobramento da consulta realmente melhorou nossa visibilidade de IA.
Usei nossa plataforma Enterprise AIO para acompanhar os resultados. Criei um novo projeto na ferramenta e inseri todas as consultas que tínhamos como alvo. A ferramenta então começou a medir nossa visibilidade atual no Google AI Mode e no ChatGPT.
Eis como era o desempenho no início deste experimento:
- Citações: Isso mede quantas vezes nossas páginas foram citadas em respostas de IA. Inicialmente, apenas dois dos nossos quatro artigos estavam sendo citados pelo menos uma vez.
- Total de menções: Esta métrica mostra a proporção de consultas para as quais nossa marca foi mencionada diretamente na resposta da IA. Essa proporção era de 18/33 — o que significa que, de 33 consultas rastreadas, fomos mencionados em 18 delas.
- Participação de mercado: Esta é uma métrica ponderada que considera tanto a posição da marca quanto a frequência de menção em consultas de IA rastreadas. Nossa pontuação foi de 23,4%, o que indica que estávamos presentes em algumas respostas, mas não em todas ou nas posições de liderança.
- Visibilidade da marca: Isso nos mostrou qual a porcentagem de respostas rápidas que mencionaram nossa marca pelo menos uma vez, independentemente da posição.
Decidi esperar um mês antes de voltar a registrar as métricas. Então, chegou a hora de concluir nosso experimento.
Resultados: O que aprendemos sobre a otimização de ramificação de consultas
Os resultados foram, honestamente, bastante variados.
Para começar, uma boa notícia: o número total de citações aumentou.
Nossos quatro artigos passaram de serem citados duas vezes para cinco vezes — um aumento de 150%. Por exemplo, uma das edições que fizemos no artigo técnico de SEO (que mostramos anteriormente) foi usada como fonte na resposta da IA.
Ver nosso conteúdo citado é exatamente o que esperávamos, então isso é uma vitória. (Apesar do tamanho reduzido da amostra.)
Curiosamente, nossos resultados finais poderiam ter sido mais impressionantes se tivéssemos encerrado o experimento mais cedo. Em um determinado momento, chegamos a nove citações, mas elas diminuíram quando o ChatGPT reduziu significativamente as citações para todas as marcas.
Isso apenas demonstra o quão imprevisíveis podem ser as plataformas de IA e como fatores completamente fora do seu controle podem afetar sua visibilidade.
Mas e quanto às outras métricas que monitoramos?
Nossa participação no mercado caiu de 23,4% para 20,0%, a visibilidade da marca diminuiu de 13,6% para 10,6% e as menções à nossa marca caíram de 18 para 10.
De acordo com nossos dados, não somos os únicos que vimos quedas nas métricas da marca. Aqui está um gráfico mostrando como a participação de mercado de diversas marcas diminuiu simultaneamente.
Isso aconteceu porque as plataformas de IA mencionaram menos marcas no geral ao gerar respostas para as consultas que monitoramos. Este era um problema completamente diferente das flutuações de citações que mencionei anteriormente.
Considerando os fatores externos, acredito que nossos esforços de otimização tiveram um desempenho melhor do que os dados mostram. Conseguimos aumentar nossas citações apesar dos fatores que estavam contra nós.
Então, a questão agora é:
A otimização de ramificação de consultas funciona?
Com base no que aprendemos em nosso experimento, eu diria que sim — mas com uma grande ressalva.
A otimização de ramificação de consultas pode ajudar você a obter mais citações, o que é valioso. Mas é difícil impulsionar um crescimento previsível quando as coisas estão tão voláteis. Tenha isso em mente ao otimizar para IA.
Se você tem interesse em aprender mais sobre SEO com IA, fique de olho no novo conteúdo que publicamos regularmente em nosso blog. Aqui estão alguns artigos que você deve conferir em seguida: