1. O problema: a descoberta mudou de camada
A busca deixou de ser uma lista de links e passou a ser uma resposta. Antes de falar com uma empresa, o comprador pergunta a um mecanismo — Google AI Overviews, ChatGPT, Gemini, Claude ou Perplexity — e recebe uma síntese já filtrada. Quem não é compreendido por esses sistemas simplesmente não entra na resposta.
O AI Referral Engine™ é a metodologia da Quaerion para estruturar uma marca de modo que ela seja encontrada, corretamente interpretada e recomendada por pessoas, buscadores e IAs. Não é um serviço avulso: é uma infraestrutura de presença.
2. Princípios
- Ser a resposta > aparecer: ranquear não basta se a marca não é citada na síntese.
- Entidade antes de página: a marca precisa existir como entidade clara e consistente.
- Estrutura legível por máquina: dados estruturados, semântica e consistência factual.
- Autoridade comprovável: provas, citações e menções que a IA consegue verificar.
- Medição contínua: o que não é medido em AI Search não é gerenciável.
3. Arquitetura: as quatro camadas
- SEO — base técnica: rastreabilidade, performance, indexação e arquitetura de informação.
- AEO (Answer Engine Optimization) — a resposta: blocos objetivos, FAQ e schema para featured snippets e painéis de resposta.
- AIO (AI Optimization) — o entendimento: entidades, dados consistentes, llms.txt e semântica para o modelo interpretar corretamente.
- GEO (Generative Engine Optimization) — a recomendação: presença e autoridade para ser citado dentro de respostas geradas.
As camadas são cumulativas: SEO entrega a base, AEO entrega a resposta, AIO entrega o entendimento e GEO entrega a recomendação. Nenhuma isolada resolve o problema.
4. Pipeline de implementação
- Diagnóstico: mapeamento de visibilidade atual em buscadores e IAs, lacunas de entidade e de conteúdo.
- Estrutura: arquitetura técnica, schema, conteúdo de resposta e páginas pilar.
- Autoridade: provas, cases, menções e sinais externos verificáveis.
- Medição: monitoramento de citações em LLMs, cobertura de indexação e ROI.
5. Sinais que importam para LLMs
- Consistência de entidade: mesmo nome, descrição e dados em todos os canais (NAP, sameAs, knowledge panel).
- Densidade de resposta: conteúdo que responde a pergunta cedo, com definição clara.
- Corroboração externa: a informação é confirmada por fontes independentes.
- Frescor e manutenção: lastmod real, atualização e ausência de contradições.
- Estrutura semântica: hierarquia H1–H3, listas, tabelas e schema correspondente.
6. Schema e Knowledge Graph
A marca é modelada como um grafo de entidades: Organization, Person, Product/Service, Article e FAQPage conectados por @id estáveis e por sameAs para os perfis oficiais. Esse grafo é o que permite a um buscador ou LLM resolver "quem é essa marca" sem ambiguidade.
JSON-LD é o formato de referência. O Schema Generator gratuito da Quaerion (em /tools) implementa a base desse padrão.
7. Embeddings e interpretação
LLMs representam conteúdo como vetores (embeddings). Marcas com linguagem consistente e definições explícitas ocupam uma região semântica estável — o modelo "sabe" do que a marca trata. Conteúdo ambíguo ou contraditório dispersa esses vetores e enfraquece a recomendação.
8. Medição e ROI
- Citação em IA: a marca aparece nas respostas de ChatGPT, Gemini, Claude e Perplexity para prompts-alvo.
- Cobertura de indexação: proporção de páginas indexadas vs. descobertas (Search Console).
- Visibilidade de resposta: presença em featured snippets e AI Overviews.
- Impacto de negócio: leads qualificados e receita atribuída, não apenas sessões.
9. Versões
- v1.0 — framework documentado: princípios, arquitetura de 4 camadas, pipeline e sinais (este documento).
- v2.0 — instrumentação: monitoramento de citação em LLMs e painel de cobertura.
- v3.0 — plataforma: automação do diagnóstico, entity graph e recomendações (Quaerion Platform).