---
title: "Como pontuar E-E-A-T de forma reproduzível em ferramentas de análise GEO"
locale: pt
category: ai_data
category_name: "Dados de IA"
translation_status: reviewed
license: cc_by
author: "injoys"
source_url: https://injoys.com/en/articles/geo-eeat-scoring-system-design
published_at: 2026-08-26T15:49:11+09:00
---

# Como pontuar E-E-A-T de forma reproduzível em ferramentas de análise GEO

> E-E-A-T não é uma pontuação oficial fornecida pelo Google nem uma fórmula pública de citação de IA generativa. Em ferramentas de análise GEO, não se deve permitir que o LLM determine arbitrariamente a pontuação; é preciso extrair sinais verificáveis do mesmo snapshot da web e calcular a pontuação e o grau de confiança por meio de código com regras e versões fixas.

## Key Points

- Para obter o mesmo resultado com a mesma entrada, é preciso fixar conjuntamente as versões do snapshot da página web, das regras de avaliação, dos pesos e das fontes de dados.
- Experience, Expertise, Authoritativeness e Trustworthiness devem ser avaliados com evidências distintas, separando especialmente as autodeclarações da verificação externa.
- O LLM é mais adequado a um papel limitado, no qual explica as evidências extraídas e os resultados calculados pelo código, em vez de calcular a pontuação final.
- A pontuação E-E-A-T e a pontuação de probabilidade de citação por IA são relacionadas, mas não idênticas, portanto devem ser calculadas em módulos separados.
- Não se deve divulgar apenas a pontuação, mas também os URLs das fontes, os trechos extraídos, as regras de decisão, o status dos dados ausentes e o grau de confiança da avaliação.

GEO (Generative Engine Optimization) é um conceito prático voltado a melhorar e analisar a probabilidade de um conteúdo ser descoberto e utilizado como fundamento para respostas em ambientes de IA generativa, como ChatGPT e Gemini. No entanto, os serviços de IA generativa não divulgaram uma fórmula completa para a seleção de fontes, e também não existe uma pontuação-padrão única amplamente adotada para GEO.

O E-E-A-T do Google significa Experience, Expertise, Authoritativeness e Trustworthiness, mas não é uma métrica oficial que o Google divulga para cada página da web. Portanto, é necessário deixar claro que uma indicação como “78 pontos de E-E-A-T” exibida por uma ferramenta de análise não é uma avaliação do Google, mas uma métrica observacional definida pela própria ferramenta.

## Por que não se deve deixar a pontuação diretamente a cargo de um LLM

É possível criar rapidamente um protótipo inserindo uma página inteira em um LLM e pedindo que ele avalie experiência, especialização, autoridade e confiabilidade, cada uma em uma escala de 100 pontos. No entanto, esse método apresenta os seguintes problemas como sistema de medição operacional.

- Mesmo com o mesmo conteúdo e prompt, a pontuação pode variar a cada execução.
- Se o modelo ou fornecedor mudar, torna-se difícil comparar a pontuação com resultados anteriores.
- Podem ocorrer alucinações que inferem experiência profissional, qualificações ou reputação inexistentes na página.
- É difícil auditar as frases e regras que influenciaram a pontuação.
- Sem verificação externa, a apresentação que o próprio site faz de si mesmo pode ser aceita como fato.
- Se documentos longos forem truncados ou se a ordem de extração mudar, o resultado da avaliação também poderá mudar.

A estrutura recomendada é a seguinte.

```text
웹사이트
  → 단일 시점 스냅샷 수집
  → 본문·메타데이터·엔티티·주장 추출
  → 외부 자료와 교차 검증
  → 버전이 고정된 규칙으로 점수 계산
  → 점수·근거·신뢰도 저장
  → LLM이 결과를 자연어로 설명
```

Isso não significa que o LLM não deva ser usado de forma alguma. Ele pode ser utilizado para classificar frases, extrair possíveis alegações e pesquisar variações de nomes, mas os resultados devem ser vinculados às evidências do texto original e armazenados em cache. Deixar o cálculo aritmético final e as regras de limite e penalização a cargo do código aumenta a reprodutibilidade e a possibilidade de auditoria.

## Alvo e escopo da avaliação que devem ser definidos primeiro

Antes de calcular a pontuação, é necessário fixar o que será avaliado. Os sinais do site como um todo, da organização, do autor e de cada documento individual não são intercambiáveis.

| Unidade de avaliação | Pergunta principal | Evidências representativas |
|---|---|---|
| Documento | As alegações e o processo de elaboração deste texto são confiáveis? | Corpo do texto, citações, data de autoria, data de modificação, dados experimentais |
| Autor | É possível confirmar experiência ou especialização para tratar deste assunto? | Página do autor, qualificações, carreira, histórico de pesquisas e publicações |
| Organização | A entidade responsável pela publicação é identificada e possui uma estrutura de responsabilização? | Sobre a empresa, informações de contato, política editorial, dados de Organization |
| Domínio | É reconhecido externamente como fonte sobre o assunto em questão? | Citações por instituições independentes, backlinks relevantes, materiais jornalísticos e acadêmicos |
| Superfície técnica | O crawler consegue ler o conteúdo e as informações sobre as fontes? | Código de status, política de robots, canonical, HTML, dados estruturados |

O assunto também deve ser classificado. Áreas em que informações incorretas podem causar grandes danos, como medicina, finanças e direito, exigem evidências de especialização e confiabilidade diferentes das avaliações sobre hobbies pessoais. Se um único conjunto fixo de pesos for aplicado a todas as áreas, o significado da pontuação será enfraquecido.

## Como coletar o mesmo snapshot da web

O analisador deve compartilhar um snapshot salvo uma única vez. Se o corpo do texto for solicitado novamente às 10h, o JSON-LD às 10h05 e a página do autor às 10h10, estados diferentes podem acabar misturados.

Sempre que possível, os seguintes itens devem ser armazenados no snapshot.

- URL final, caminho de redirecionamento, código de status HTTP e cabeçalhos da resposta
- HTML original e, quando necessário, HTML renderizado
- Corpo extraído, título, descrição, canonical e informações de idioma
- Autor, data de publicação, data de modificação e organização responsável pela publicação
- Links internos e externos e textos-âncora
- Dados estruturados, como JSON-LD e Microdata
- Diretivas de robots e URLs relacionadas identificadas no sitemap
- Horário da coleta, versão do coletor e hash do conteúdo

Ao explorar várias páginas, não se deve depender apenas da página inicial. Usando sitemap.xml e links internos, devem ser examinadas, em profundidade limitada, páginas candidatas como About, Company, Team, Author, Profile, Editorial Policy, Contact, Privacy e Terms. Não se deve coletar de forma excessiva páginas com informações pessoais ou restrições de uso, e também é necessário verificar a política de robots, os termos de serviço e a legislação aplicável.

## Separação entre evidências on-site e off-site

Dados on-site são informações publicadas diretamente pelo próprio site. Isso inclui apresentação do autor, descrição de produtos, casos de clientes, política editorial, informações de contato e dados estruturados de Person e Organization.

Dados off-site mostram como fontes externas independentes confirmam o autor ou a organização. Isso inclui materiais de órgãos governamentais e públicos, instituições acadêmicas, associações profissionais, veículos de imprensa confiáveis, materiais do setor, perfis externos, backlinks relevantes e citações.

Os dois tipos de evidência devem ser diferenciados na pontuação.

- Frases autopromocionais como “o melhor do setor” não constituem evidência independente de Authority.
- Mesmo em uma matéria externa, materiais que apenas reproduzem integralmente um comunicado à imprensa têm baixa independência.
- Se a mesma matéria tiver sido duplicada em URLs diferentes, o número de fontes não deve ser contado mais de uma vez.
- A entidade deve ser confirmada para evitar associar realizações de outra pessoa ou organização com o mesmo nome.
- Links sameAs são indícios para conectar possíveis entidades, e não garantias automáticas da veracidade da experiência profissional indicada.

## Experience: transformar experiência direta em evidência

Experience avalia a experiência direta de um autor ao usar um produto, visitar um local, executar um procedimento ou conduzir um experimento. Ela é distinta de Expertise. Um comprador que usou um notebook por um longo período pode ter ampla experiência prática, mas isso não significa que seja especialista em engenharia de baterias.

### Sinais a serem detectados

- Expressões indicando uso, compra, visita, instalação, operação ou comparação direta
- Período de uso, número de testes, tamanho da amostra, ambiente e equipamentos
- Etapas executadas, processo de falha, restrições e exceções
- Imagens capturadas diretamente, logs, dados brutos e procedimentos de reprodução
- Resultados anteriores e posteriores à medição e método de medição

Atribuir uma pontuação alta com base apenas em uma frase como “eu mesmo usei” facilita a manipulação. Números específicos também não comprovam, por si só, que algo é verdadeiro. Eles devem ser tratados como evidências mais fortes quando o método de medição, o período, os dados brutos e o contexto forem consistentes entre si.

A pontuação de experiência pode ser hierarquizada da seguinte forma.

| Nível | Exemplo | Princípio de tratamento |
|---|---|---|
| Fraco | Existe apenas uma declaração de que houve uso | Pontuação básica baixa |
| Médio | Período, ambiente e procedimento são específicos | Adicionar pontuação de especificidade |
| Forte | São fornecidos dados brutos, fotos, logs e critérios de comparação | Adicionar pontuação de verificabilidade |
| Verificado | Coincide com materiais independentes ou testes de reprodução | Aplicar peso de verificação cruzada |

## Expertise: avaliação da especialização verificável

Expertise avalia se a pessoa possui os conhecimentos e as competências necessários para tratar corretamente do assunto. Apenas exibir a palavra “especialista” ao lado do nome não é suficiente.

Os possíveis elementos de análise são os seguintes.

- Cargo relevante, afiliação, área de atuação e duração da experiência profissional
- Formação acadêmica, certificações reconhecidas, licenças e órgãos emissores
- Pesquisas, artigos, livros, aulas e projetos relacionados
- Experiência profissional real relacionada ao assunto
- Exatidão, escopo, limitações e fontes das explicações especializadas
- Revisor especialista e data da revisão

Se o valor do autor for um nome de função como `admin`, `administrator`, `관리자`, `운영자`, `운영팀` ou `editor`, ele não deve ser identificado como uma pessoa real. Mesmo quando houver dados estruturados de Person, deve-se verificar se eles coincidem com as informações do autor exibidas na tela.

A especialização deve refletir a adequação ao assunto. A habilitação como advogado pode ser um sinal forte para conteúdo jurídico, mas não comprova automaticamente especialização em todos os assuntos médicos ou técnicos. Em áreas nas quais é necessário verificar qualificações, o nível de verificação deve ser elevado quando for possível vincular o órgão emissor ou uma fonte oficial de consulta.

## Authoritativeness: reconhecimento externo e correspondência de entidades

Authoritativeness avalia até que ponto uma pessoa, organização ou site é reconhecido externamente em determinado assunto. A qualidade, relevância temática, independência e diversidade das fontes são mais importantes do que o simples volume de menções.

O analisador de autoridade pode seguir o procedimento abaixo.

1. Criar entidades padronizadas para o nome da organização, nome do autor, domínio e marca.
2. Vincular aliases confirmados, como nomes anteriores, nomes em inglês e abreviações.
3. Determinar se documentos externos se referem à mesma entidade.
4. Avaliar a independência, qualidade, relevância temática e atualidade da fonte.
5. Agrupar redistribuições de comunicados à imprensa e duplicações do mesmo documento.
6. Distinguir se a citação ou menção representa reconhecimento positivo, simples enumeração ou crítica.

Ao analisar a web em coreano usando apenas Wikipedia, Wikidata, Reddit e veículos de imprensa de língua inglesa, a autoridade de instituições e empresas locais pode ser subestimada. De acordo com o mercado avaliado, o registro de fontes deve incluir órgãos governamentais e públicos, dados públicos, bases de dados acadêmicas, associações profissionais, grandes veículos de imprensa e publicações especializadas do setor. Por outro lado, não se deve concluir que existe autoridade global apenas com base na exposição em portais de determinado país.

É recomendável registrar no catálogo de fontes a jurisdição, a entidade responsável pela publicação, o escopo temático, a independência, se é a fonte original, a frequência de atualização e as condições de acesso. Mesmo com a inclusão de fontes específicas de cada país, as regras de pontuação e os critérios de seleção devem ser divulgados.

## Trustworthiness: o eixo de segurança mais amplo e importante

Trustworthiness sustenta os outros três elementos. Mesmo que haja experiência direta e qualificações, podem ser aplicados limites à avaliação total quando forem confirmadas alegações falsas, ocultação de conflitos de interesse ou manipulação de fontes.

Os itens a serem verificados no módulo de confiabilidade são os seguintes.

### Entidade responsável pela publicação e responsabilização

- A organização operadora e o autor são apresentados com clareza?
- Formas de contato e informações de atendimento ao cliente existem em páginas reais?
- É possível verificar as políticas de edição, revisão e correção?
- Publicidade, patrocínio, afiliação e conflitos de interesse são diferenciados?

### Alegações e evidências

- Os fatos principais estão vinculados a fontes originais ou evidências adequadas?
- Citações e estatísticas são coerentes com a intenção do texto original?
- A data de publicação, a data de modificação e as alterações reais no conteúdo são consistentes?
- Fatos, opiniões e alegações publicitárias estão claramente diferenciados?
- Incertezas, escopo de aplicação, exceções e limitações são informados?

### Transações e segurança

- A política de privacidade e os termos de uso são fornecidos de modo adequado à natureza do serviço?
- As condições de pagamento, reembolso e entrega são claras nos sites em que são necessárias?
- Não existem riscos técnicos como ausência de HTTPS, redirecionamentos maliciosos ou certificados quebrados?
- Informações médicas, financeiras ou jurídicas evitam afirmações categóricas ou garantias perigosas?

A mera existência de HTTPS ou de uma política de privacidade não torna o conteúdo preciso. Esses são sinais básicos de segurança, e a confiabilidade das alegações deve ser verificada separadamente.

## Dados estruturados e verificação de entidades

Dados estruturados de Person e Organization apresentam nomes, afiliações, cargos, URLs oficiais e relações com perfis externos de uma forma que as máquinas podem compreender com facilidade. Os campos author, publisher, datePublished e dateModified de Article também são úteis para representar a estrutura de origem de um documento.

No entanto, a marcação Schema deve ser avaliada de acordo com os seguintes princípios.

- Verificar se os dados estruturados coincidem com o conteúdo visível na tela.
- Não confirmar qualificações, prêmios ou reputação como fatos apenas porque estão presentes.
- Verificar se identificadores e relações entre Person, Organization e Article são consistentes.
- Confirmar se o destino de sameAs é realmente um perfil oficial.
- Separar erros de sintaxe da ausência de propriedades obrigatórias e recomendadas.
- Não considerar como ponto positivo o uso excessivo ou irrelevante de tipos de Schema.

Dados estruturados são uma camada de representação que auxilia a compreensão e a extração. Eles não garantem uma classificação elevada nas buscas nem citações por IA generativa.

## Elaboração de uma fórmula de pontuação reproduzível

Se cada sinal for tratado apenas como “presente ou ausente”, as diferenças de qualidade serão ignoradas. Separar os valores da seguinte forma facilita o rastreamento das evidências.

- `presence`: presença do sinal ou grau de atendimento
- `verification`: grau de verificação independente
- `relevance`: relevância para o assunto avaliado
- `source_quality`: qualidade e independência da fonte da evidência
- `freshness`: validade de sinais que exigem atualidade
- `weight`: importância do sinal gerenciada por versão

Um exemplo de fórmula é o seguinte.

```text
신호 기여도 = weight × presence × verification × relevance × source_quality × freshness
차원 점수 = 100 × 기여도 합계 ÷ 적용 가능한 weight 합계
```

Essa fórmula é um exemplo de projeto, e não uma fórmula oficial de E-E-A-T. Cada coeficiente pode ser normalizado entre 0 e 1. Apenas itens que logicamente não se aplicam devem ser excluídos como `N/A`; quando uma evidência necessária não for encontrada, o estado deve ser armazenado como `missing`, diferenciando-o de uma pontuação zero.

### Exibição da confiança separadamente da pontuação

Mesmo um resultado de 78 pontos é difícil de considerar confiável se metade das páginas obrigatórias não tiver sido coletada. Portanto, a confiança da avaliação ou a cobertura das evidências deve ser calculada separadamente.

```text
평가 신뢰도 = 수집 커버리지 × 엔티티 일치도 × 검증 가능한 증거 비율
```

A tela de resultados deve exibir, no mínimo, os seguintes elementos em conjunto.

- Pontuação por dimensão e pontuação geral
- Confiança da avaliação
- Estados confirmado, não confirmado, divergente e não aplicável
- URL da evidência e trecho do texto original
- Horário da coleta e hash do snapshot
- Versões das regras, pesos e registro de fontes

## Separação entre a pontuação geral de GEO e o E-E-A-T

Um E-E-A-T elevado não significa necessariamente que o conteúdo será citado em respostas de IA. Os sistemas de resposta também podem considerar a adequação à pergunta, a facilidade de extração das informações, a atualidade, a capacidade de crawling e o formato do documento, e o método específico de seleção varia de acordo com o serviço.

É melhor que uma ferramenta de GEO separe os módulos abaixo.

| Módulo | Objeto de análise |
|---|---|
| E-E-A-T do conteúdo | Experiência, especialização, autoridade externa, confiabilidade |
| Prontidão para citação por IA | Frases compreensíveis de forma independente, adequação à pergunta, vínculo com evidências, capacidade de síntese |
| Autoridade da marca | Reconhecimento independente por instituições externas e correspondência de entidades |
| Acessibilidade técnica | Crawling, códigos de status, canonical, renderização, acesso ao corpo do texto |
| Qualidade do Schema | Sintaxe, correspondência com o conteúdo exibido, relações entre entidades |

Por exemplo, a composição pode ser de 30% para prontidão para citação por IA, 20% para autoridade da marca, 20% para E-E-A-T do conteúdo, 20% para acessibilidade técnica e 10% para Schema. Essas proporções são apenas exemplos de política do produto. Os pesos reais devem ser ajustados com dados de validação específicos de cada assunto, e a versão deve ser exibida.

Na prontidão para citação por IA, frases curtas não devem ser preferidas de forma incondicional. Deve-se avaliar se a alegação principal pode ser compreendida de forma independente, se as evidências e condições estão próximas e se a estrutura de tabelas, listas e títulos preserva o significado. Texto oculto, frases repetitivas e páginas em massa sem evidências, destinados a enganar mecanismos de busca ou IA, devem ser tratados como penalizações ou sinais de risco.

## Estrutura para impedir a propagação de erros entre módulos

Se cada analisador receber diretamente as conclusões de outro analisador, os erros iniciais poderão ser amplificados. O que deve ser compartilhado são o snapshot original e as evidências normalizadas, e não as conclusões.

```text
Snapshot Store
 ├─ Content / Claim Analyzer
 ├─ Author / Expertise Analyzer
 ├─ Entity / Authority Analyzer
 ├─ Trust Analyzer
 ├─ Technical Analyzer
 └─ Schema Analyzer
          ↓
 Evidence Store → Deterministic Scorer → Explanation LLM
```

É recomendável que todos os registros de decisão incluam `claim_id`, `evidence_id`, posição no texto original, regra de decisão e versão do módulo. Apenas o JSON calculado e as frases de evidência permitidas devem ser enviados ao LLM, com uma restrição para que ele não acrescente novas qualificações ou informações sobre reputação externa.

## Problemas frequentemente ignorados: incerteza e manipulação adversarial

Muitas análises de GEO concentram-se em localizar sinais, mas não tratam suficientemente das situações em que um site tenta enganar o analisador. Esse problema deve ser operado como uma camada separada de qualidade e segurança.

- Experiências profissionais e palavras-chave podem ser inseridas repetidamente em áreas invisíveis.
- Autores falsos e dados estruturados de Person podem ser criados.
- O mesmo comunicado à imprensa pode ser distribuído em vários domínios para inflar o volume de menções externas.
- Pesquisas, qualificações e números inexistentes podem ser citados.
- Apenas a data de modificação pode ser atualizada para apresentar um artigo antigo como conteúdo recente.
- O sistema pode ser induzido a vincular incorretamente a autoridade de homônimos ou marcas semelhantes.

As formas de resposta incluem comparar o conteúdo exibido na tela com a marcação, agrupar fontes originais, verificar os emissores de qualificações, detectar alterações com base no hash do conteúdo, fazer a verificação cruzada dos atributos das entidades e detectar padrões anormais de links. Quando uma divergência grave for encontrada, é mais seguro aplicar um limite à pontuação geral ou o estado de revisão manual do que uma simples penalização.

## Como validar o modelo de avaliação

Mesmo que a fórmula de pontuação seja determinística, isso não cria automaticamente validade para a avaliação. São necessários os testes a seguir.

1. **Teste de repetibilidade:** verificar se o mesmo snapshot e a mesma versão produzem um resultado idêntico em nível de bits.
2. **Conjunto de referência de especialistas:** comparar as evidências marcadas de forma independente por especialistas da área com os resultados do sistema.
3. **Concordância entre avaliadores:** identificar itens nos quais até avaliadores humanos têm dificuldade para chegar a um consenso e revisar as regras.
4. **Teste de perturbação:** verificar se a remoção do nome do autor, da data, do Schema ou dos links de evidência altera o resultado na direção esperada.
5. **Teste de resistência à manipulação:** confirmar que frases ocultas, perfis falsos e comunicados à imprensa duplicados não aumentam excessivamente a pontuação.
6. **Teste de viés regional:** medir se entidades de qualidade equivalente são sistematicamente prejudicadas de acordo com o idioma ou o país.
7. **Calibração dos resultados:** ao usar dados observacionais de citações reais, registrar em conjunto a pergunta, o momento, o modelo e a localização.

Os resultados de citações por IA generativa podem variar conforme a formulação da pergunta e as atualizações do serviço. Portanto, em vez de usar a taxa real de citações como verdade absoluta, é adequado tratá-la como uma métrica de validação externa com o momento claramente indicado.

## Especificação de dados a incluir nos resultados operacionais

A seguinte estrutura pode ser fornecida para que pessoas e outros sistemas possam verificar novamente os resultados.

```json
{
  "snapshot_id": "sha256:...",
  "collected_at": "ISO-8601 timestamp",
  "scoring_version": "eeat-1.3.0",
  "scope": "document",
  "topic_class": "software-review",
  "scores": {
    "experience": 72,
    "expertise": 61,
    "authoritativeness": 54,
    "trustworthiness": 80
  },
  "confidence": 0.74,
  "evidence": [
    {
      "dimension": "experience",
      "status": "verified",
      "source_url": "https://example.invalid/page",
      "rule_id": "EXP-METHOD-02"
    }
  ],
  "missing": ["independent_author_profile"]
}
```

A URL acima é uma string de exemplo inválida usada para mostrar a estrutura dos dados. Nos resultados reais, devem ser incluídas as URLs das evidências coletadas e as posições no texto original. Se não houver direito de republicar o texto original completo, devem ser armazenados apenas trechos curtos de evidência dentro do escopo necessário, além do hash e das informações de localização.

## Checklist de implementação

- Distinguir as unidades de avaliação entre documento, autor, organização e domínio.
- Fornecer a todos os analisadores um snapshot do mesmo momento.
- Separar alegações próprias da verificação externa independente.
- Calcular experiência e especialização como dimensões separadas.
- Gerenciar registros de fontes de Authority por país e idioma.
- Verificar a correspondência entre os dados estruturados e o conteúdo exibido na tela.
- Armazenar dados ausentes, divergências e itens não aplicáveis como estados diferentes.
- Divulgar em conjunto a pontuação e a confiança da avaliação.
- Aumentar a versão quando os pesos e as regras forem alterados.
- Impedir que as explicações do LLM acrescentem fatos que estejam fora das evidências.
- Criar mecanismos de detecção de manipulação e encaminhamento para revisão manual.
- Ao observar resultados reais de citações por IA, registrar o modelo, a pergunta e o momento.

O ponto central é não reduzir o E-E-A-T a uma única pontuação vaga baseada em impressão. Para que os resultados da análise de GEO se tornem dados utilizáveis em decisões operacionais e comparações de longo prazo, é necessário fornecer em conjunto evidências verificáveis, regras aplicadas, incertezas e a linhagem das fontes.

## FAQ

### A pontuação de E-E-A-T é uma métrica oficial fornecida pelo Google?
Não. O Google descreve o E-E-A-T como um conceito para compreender a qualidade do conteúdo, mas não divulga uma pontuação oficial para cada página da web. A pontuação de E-E-A-T de uma ferramenta de análise é uma métrica própria, baseada nos sinais, pesos e escopo de dados definidos pela própria ferramenta.

### Se a temperature do LLM for definida como 0, posso deixar que ele atribua diretamente as pontuações?
Isso pode reduzir a variação, mas não garante reprodutibilidade nem factualidade completas. A versão do modelo, o truncamento da entrada e as configurações do sistema podem variar, e também existe o risco de inferir fatos que não estão na página. Portanto, é mais seguro realizar o cálculo final usando código com versão fixa.

### Por que Experience e Expertise devem ser avaliadas separadamente?
Experience é a experiência de ter usado, visitado, testado ou operado algo diretamente, enquanto Expertise corresponde aos conhecimentos, à trajetória profissional, às qualificações e à capacidade de pesquisa relacionadas. Um avaliador com ampla experiência prática de uso não é necessariamente um especialista técnico, e alguém com qualificação profissional pode não ter usado diretamente o produto em questão.

### Se o autor disser que usou o produto diretamente, posso aumentar a pontuação de Experience?
É recomendável tratar uma autodeclaração isolada como um sinal fraco. Deve-se aplicar um peso maior quando ela vier acompanhada de evidências específicas e verificáveis, como o período, o ambiente, os procedimentos realizados, os métodos de medição, os dados brutos ou materiais produzidos diretamente.

### A Authority é baixa se não houver artigos na Wikipedia ou na imprensa?
Não necessariamente. As fontes externas importantes variam de acordo com o país e o setor. Também devem ser avaliadas fontes independentes adequadas à região e à área, como órgãos governamentais e públicos, instituições acadêmicas, associações profissionais e veículos especializados do setor, e republicações de comunicados à imprensa devem ser desduplicadas.

### Adicionar muito Schema aumenta a pontuação de GEO?
A precisão e a correspondência com o conteúdo exibido são mais importantes do que a quantidade de Schema. Os dados estruturados ajudam a compreender as relações entre entidades e documentos, mas não garantem visibilidade nos resultados de busca nem citações por IA, e marcações falsas ou irrelevantes podem representar um risco para a confiabilidade.

### Se o E-E-A-T for alto, o conteúdo será necessariamente citado pelo ChatGPT ou Gemini?
Não. A forma como cada serviço seleciona suas fontes não é totalmente divulgada, e diversos fatores podem influenciar, como a adequação à pergunta, a atualidade, a acessibilidade e a estrutura de apresentação. O E-E-A-T e o nível de preparação para citações por IA podem estar relacionados, mas devem ser gerenciados como pontuações separadas.

### Se as pontuações forem iguais, é possível considerar que os resultados da análise têm a mesma qualidade?
Não. Uma pontuação de 80 obtida após a coleta de páginas suficientes tem um significado diferente de uma pontuação de 80 quando metade dos dados está ausente. Junto com a pontuação, deve-se apresentar a confiabilidade da avaliação, refletindo a cobertura da coleta, o grau de correspondência entre entidades e a proporção de evidências verificadas.

### Como devem ser definidos os pesos da pontuação de GEO?
Os pesos iniciais devem ser definidos como uma política explícita do produto, mas precisam ser calibrados com um conjunto de referência elaborado por especialistas, testes de fatores de confusão, testes de resistência à manipulação e dados reais de observação. Áreas com diferentes níveis de risco temático e intenções do usuário, como saúde, finanças e avaliações de produtos, precisam de perfis distintos.

### Para quais funções o LLM é adequado em um sistema de análise de GEO?
Ele pode ser usado para extrair possíveis alegações, classificar frases, buscar variações de nomes e explicar em linguagem natural os resultados calculados pelo código. No entanto, é recomendável vincular todos os resultados às evidências do texto original e deixar o cálculo da pontuação final e as regras de limite máximo e penalização a cargo de código determinístico.

## Sources

- [Como criar conteúdo útil, confiável e feito para pessoas](https://developers.google.com/search/docs/fundamentals/creating-helpful-content)
- [Recursos de IA e seu site](https://developers.google.com/search/docs/appearance/ai-features)
- [Introdução à marcação de dados estruturados na Pesquisa Google](https://developers.google.com/search/docs/appearance/structured-data/intro-structured-data)
- [Saiba mais sobre sitemaps](https://developers.google.com/search/docs/crawling-indexing/sitemaps/overview)
- [Pessoa do Schema.org](https://schema.org/Person)
- [Organização do Schema.org](https://schema.org/Organization)
- [PROV-O: a ontologia PROV](https://www.w3.org/TR/prov-o/)
- [GEO: Otimização para mecanismos generativos](https://arxiv.org/abs/2311.09735)

## Images

![Mulher usando um painel analítico em uma grande tela sensível ao toque](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MTIwOTYsInB1ciI6ImJsb2JfaWQifX0=--085c51ba6ec88e1b1f3d7efa109fae3f43e51b14/ai-9f49d198.webp)
![Fluxograma de dados de página web passando por servidor seguro e quatro módulos até painéis de pontuação](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MTIxMDIsInB1ciI6ImJsb2JfaWQifX0=--899ddbc79483c66a1ff40af5062b06b2fc48617a/ai-79b1d31e.webp)