Reduzir a entropia, em GEO, é escrever de forma que o texto admita uma só leitura: termo definido na primeira vez, número com unidade, data e fonte, sujeito explícito em cada frase. O nome vem da teoria da informação, em que entropia mede incerteza. Aplicado a conteúdo, é uma metáfora útil, e não uma métrica que alguém já tenha medido numa página.
A metáfora funciona por um motivo prático: assistentes como Gemini e ChatGPT montam respostas a partir de trechos recuperados na web, e um trecho ambíguo pode ser lido de mais de um jeito, ou descartado em favor de outro mais claro. Abaixo estão a origem do conceito, o que a pesquisa diz de fato e um exemplo de parágrafo reescrito, antes e depois.
“A IA recompensa quem reduz a incerteza dela. Conteúdo com baixa entropia, claro, estruturado e factualmente denso, vira a resposta favorita dos modelos porque exige menos esforço probabilístico para ser citado com segurança.”
— Alexandre Caramaschi, Chief Strategy Officer da Nuvini (Nasdaq: NVNI), Founder da Brasil GEO, cofundador da NAIA, cofundador da AI Brasil e ex-CMO da Semantix (Nasdaq)
A ciência da redução de entropia na informação
Resumo comparativo: reduzir a entropia do conteúdo, torná-lo claro e denso, é o que separa a fonte preterida da resposta favorita da IA.
| Critério | Conteúdo de alta entropia | Conteúdo de baixa entropia |
|---|---|---|
| Clareza | Vago e contraditório | Definições diretas e hierarquia lógica |
| Densidade factual | Excessivamente ornamentado | Alta densidade de informação |
| Esforço do modelo | Dificulta prever o próximo token | Facilita a compressão probabilística |
| Estrutura | Texto longo sem modularidade | Blocos com valor independente |
| Probabilidade de citação | Preterido pela IA | Resposta favorita do modelo |
O termo vem de Claude Shannon, que em A Mathematical Theory of Communication (Bell System Technical Journal, 1948) definiu entropia como a medida da incerteza de uma mensagem escolhida entre várias possíveis. Shannon deixou explícito, já na introdução, que os aspectos de significado eram irrelevantes para o problema de engenharia que ele resolvia. Por isso, falar em “entropia de um texto de marketing” é emprestar a ideia, não aplicar a fórmula.
A ponte mais próxima com os modelos de linguagem atuais vem de um estudo publicado na Nature em junho de 2024 por Sebastian Farquhar e colegas da Universidade de Oxford, Detecting hallucinations in large language models using semantic entropy. Os autores medem a incerteza do modelo no nível do significado, comparando várias respostas à mesma pergunta: quando elas divergem muito entre si (alta entropia semântica), a chance de a resposta ser uma invenção arbitrária é maior. O estudo trata da incerteza do modelo, não do texto da página. A hipótese de GEO é a extensão: fontes que afirmam o fato de modo inequívoco tendem a reduzir a variedade de respostas possíveis, e com ela o espaço para erro.
Como reduzir a ambiguidade de um parágrafo antes de publicá-lo?
Defina os termos, apresente os fatos e deixe explícitas as relações entre eles. Nesse uso editorial, reduzir a entropia significa tornar a interpretação menos ambígua; não é uma medição pela fórmula de Shannon. Verifique se o trecho identifica o assunto, responde à pergunta e mantém as condições da afirmação. Essa organização ajuda a compreender e extrair a informação, sem garantir que um sistema de IA a selecione.
Um teste da data.world, publicado no arXiv em novembro de 2023, mostra o efeito em dados de empresa: com as perguntas de negócio feitas sobre um banco SQL, o GPT-4 acertou 16%; com os mesmos dados descritos num grafo de conhecimento, que explicita o significado de cada tabela e relação, acertou 54%. Mesma pergunta, mesmo modelo; o que mudou foi a quantidade de ambiguidade que o dado carregava.
A definição do cofundador do Perplexity, dada em 2024, põe a fonte no centro do produto. Se toda resposta precisa de sustentação, o conteúdo com definição clara e dado atribuído é o apoio que o motor usa sem ter de reconciliar versões conflitantes.
“O Perplexity é mais bem descrito como um motor de respostas. Você faz uma pergunta e recebe uma resposta. A diferença é que todas as respostas são sustentadas por fontes.”
Aravind Srinivas, cofundador e CEO da Perplexity, em Lex Fridman Podcast #434 (transcrição oficial) (2024). Tradução livre.
Como escrever um bloco que continue claro quando for extraído do artigo?
Escreva cada bloco para responder a uma pergunta específica, identificando o assunto e mantendo junto da resposta as condições e as evidências necessárias. Em processos de recuperação, trechos podem ser separados em blocos, também chamados de chunks. Leia o parágrafo fora do artigo: se ele depende de uma referência vaga ao trecho anterior, esclareça essa referência antes de remover detalhes ou adjetivos.
Antes e depois: um parágrafo reescrito para ser inequívoco
O exemplo abaixo é ilustrativo, com uma empresa fictícia de software de gestão. O parágrafo original é do tipo que aparece em muitas páginas “sobre nós”; a versão reescrita diz a mesma coisa sem deixar margem para leituras diferentes.
| Antes (ambíguo) | Depois (inequívoco) |
|---|---|
| “Somos líderes em soluções inovadoras de gestão, com milhares de clientes satisfeitos em todo o Brasil e o melhor suporte do mercado.” | “A Exemplo Sistemas vende software de gestão financeira para clínicas médicas. Em setembro de 2026, atendia 1.200 clínicas em 18 estados. O suporte funciona por chat e telefone, em português, das 8h às 20h em dias úteis.” |
Cada mudança fecha uma porta para a leitura errada. “Líderes” e “melhor suporte” saem porque não dá para conferir; “soluções de gestão” vira “software de gestão financeira para clínicas médicas”, o que define categoria e público; “milhares de clientes” vira número com data; “todo o Brasil” vira número de estados; o suporte ganha canal, idioma e horário. Um assistente que lê a segunda versão consegue responder “esse sistema atende clínicas?” ou “tem suporte à noite?” sem adivinhar. A primeira versão não responde a nenhuma pergunta concreta.
Como medir se a reescrita funcionou
A conferência cabe em quatro passos:
- Faça três ou quatro perguntas concretas sobre a empresa a dois assistentes, antes de publicar a nova versão.
- Anote as respostas de cada assistente.
- Repita as mesmas perguntas quatro a seis semanas depois.
- Compare as duas rodadas: se as respostas ficaram mais corretas e mais parecidas entre si, a reescrita reduziu a ambiguidade que chegava ao modelo.
Os indicadores abaixo ajudam a registrar o resultado.
Só 1% das visitas a páginas do Google com resumo de IA terminou em clique num link citado dentro do resumo, segundo o Pew Research Center (julho de 2025), que acompanhou 68.879 buscas de 900 adultos americanos em março daquele ano. Se até a fonte citada quase não recebe visita, a menção dentro da resposta passa a ser o resultado a medir.
- Share of Model (SoM): Esta métrica avalia a porcentagem de vezes que sua marca é citada em resposta a consultas de categoria dentro de diferentes LLMs.
- Sentimento de Atribuição: Analisa se a IA associa sua marca a soluções positivas e tecnicamente corretas ou se a cita como um exemplo genérico.
- Conectividade de Entidades: Mede quão forte é a ligação semântica que os motores fazem entre o seu domínio e termos técnicos específicos do seu setor.
Estabelecer um benchmark de visibilidade exige testes constantes de prompts (Prompt Engineering para Auditoria) para entender como a IA “enxerga” a autoridade da sua marca em comparação aos concorrentes. Se a IA ignora a empresa ao responder sobre um problema que ela resolve, um dos suspeitos é a ambiguidade: a página não diz, numa frase verificável, o que a empresa faz e para quem.
O futuro imediato da otimização generativa
O trabalho começa pelas páginas que os assistentes mais leem sobre a empresa: “sobre nós”, preços, perguntas frequentes e páginas de produto. Reescreva primeiro os parágrafos que respondem às perguntas que os clientes mais fazem, com o mesmo critério do exemplo acima, e meça antes e depois. Por que ser a resposta escolhida vale mais do que estar numa lista é o tema do artigo sobre o fim do ranking de 1 a 10 no GEO.
Leia também: como o ChatGPT está mudando a forma de buscar informação na internet.
Nos acompanhe em nossas Redes Sociais!
Gostou? Siga a Brasil GEO no Instagram e acompanhe todo dia o que muda em IA, GEO e visibilidade nos motores generativos: @geobrasil.ai
Dado de referência: técnicas de Generative Engine Optimization podem aumentar a visibilidade de uma marca nas respostas de mecanismos generativos em até 40% (Aggarwal et al., GEO: Generative Engine Optimization, Princeton University, KDD 2024).
Leitura essencial sobre o tema no blog: GEO para Educação e EdTechs: Posicionando cursos e metodologias nos motores de resposta..
Revisado em (revisão editorial). Dados e acontecimentos referem-se aos períodos indicados no texto.
