LLMO Multilíngue

Traduzir seu conteúdo é necessário e não suficiente. Em 2026 existe uma lacuna real e mensurável entre “publiquei uma versão em português” e “a busca por IA cita minha versão em português.” Este guia cobre os dois problemas multilíngues que o LLMO precisa resolver: fazer com que os motores de IA citem a versão no idioma certo, e decidir quais idiomas compensam o investimento.

O problema da citação no idioma errado

Um motor de busca clássico resolve qual documento servir e o serve. O hreflang é um sinal de ranqueamento no qual ele foi calibrado por duas décadas, e o Google é genuinamente bom em escolher a URL no idioma correspondente.

Um motor baseado em LLM faz algo diferente: recupera alguns documentos, gera uma resposta no idioma do usuário e então anexa os URLs que a camada de recuperação trouxe à tona. A etapa de geração é fluidamente multilíngue. A etapa de recuperação é onde a seleção de idioma acontece, e ela frequentemente tem um viés para o inglês.

O resultado observável, a partir de um teste entre motores com a mesma consulta multilíngue (Glenn Gabe, GSQI) e o acompanhamento de citações de um site em quatro idiomas:

Motores baseados no Google (AI Overviews, AI Mode, Gemini, Copilot) herdam décadas de tratamento de hreflang e geralmente citam a URL localizada correta.
O Perplexity, configurado para preferir o francês, retornou a página em inglês americano de qualquer forma.
O ChatGPT escreveu sua resposta em francês e então vinculou a versão em inglês da página. A resposta fala o idioma do leitor; a citação não.

Por que a camada de recuperação tem como padrão o inglês:

A versão em inglês geralmente tem mais links de entrada e um histórico de rastreamento mais longo, então aparece em posição mais alta no índice de recuperação independentemente do idioma do leitor.
Muitos crawlers de IA não processam completamente clusters de hreflang da mesma forma que o Googlebot.
A qualidade da tradução é um sinal de confiança. Se uma página traduzida parece ter sido produzida por máquina, a camada de recuperação a trata como uma cópia de baixa confiança e busca o original em inglês.

A falha não é “a IA não consegue falar português.” É “a camada de recuperação da IA não confia o suficiente na sua página em português para citá-la.”

O que realmente move o ponteiro, em ordem

A partir de um experimento de variável única em um site com quatro idiomas (relatório de campo (em inglês)):

hreflang + x-default — fez mais. Cada versão de idioma deve declarar o cluster completo com um x-default coerente. Este é o único sinal que os motores baseados no Google leem de forma confiável, e esses motores representam uma fatia grande da busca por IA. Se você fizer uma coisa, faça isso corretamente.
Canonical autorreferente por idioma — criticamente importante, mas silencioso. Cada versão de idioma deve fazer canonical para si mesma, não para o original em inglês. Uma página traduzida cujo canonical aponta de volta para o inglês está dizendo a todo crawler “a página real é a em inglês”. É um tiro no próprio pé.
llms.txt por idioma — pequeno, barato, provavelmente vale a pena. Organize os links por idioma para que cada arquivo aponte para as URLs localizadas corretas. Nenhum motor principal confirmou que dá peso a isso ainda, mas custa quinze minutos por idioma, não tem desvantagem e documenta qual URL é canônica por idioma.
Tentar configurar o motor — não funcionou. Não existe configuração que faça o ChatGPT citar sua URL localizada. Não há como sair de um viés de recuperação pela configuração; só é possível alimentar a camada de recuperação com sinais mais limpos e aguardar.

Mesmo com todos os sinais corretos, espere uma lacuna residual: parte da falha está dentro das camadas de recuperação que você não controla. Você pode diminuir a lacuna, mas não fechá-la.

Assimetria de idiomas: a vantagem estratégica

A mesma imaturidade que causa citações no idioma errado cria uma oportunidade. A concorrência em busca por IA é dramaticamente desigual entre idiomas, e os fundamentos do LLMO se compõem mais rapidamente em idiomas onde ainda são raros.

Uma medição de 22 dias no GA4 em um blog que publicava o mesmo conteúdo em quatro idiomas (relatório de campo (em inglês)):

Idioma	Pageviews	Artigos	Notas
Português	748	17	~3,8× o inglês com menos artigos
Inglês	195	26	Mercado saturado, share of voice pequeno
Japonês	27	25	Leitores vivem em plataformas (Qiita/Zenn), não em blogs
Espanhol	7	10	Concorrência escassa, mas sem porta de entrada comunitária

A assimetria de idioma pode superar completamente a assimetria de quantidade de artigos. Três assimetrias se somaram para produzir o resultado em português:

Porta de entrada comunitária — uma plataforma aberta por idioma onde um autor desconhecido é lido no mesmo dia (o Brasil tem o TabNews; o inglês não tem equivalente com um piso comparável).
Campos de busca por IA mais escassos — em português, muito menos candidatos competem pelos mesmos prompts. A primeira resposta razoável em um idioma pouco atendido vence; a primeira resposta razoável em inglês fica enterrada.
Fundamentos do pioneiro — um /pt/llms.txt é levemente diferenciador onde a maioria dos sites naquele idioma não publica nada; em inglês, o mesmo arquivo é mera higiene.

O modelo de distribuição também difere por idioma: o resultado japonês mostra um idioma onde o blog deve funcionar como o arquivo canônico indexado pelos crawlers de IA, enquanto as publicações em plataformas (Zenn/Qiita) fazem o trabalho de tráfego humano. Mesmo conteúdo, papéis opostos.

Ordem de implementação

Identifique a porta de entrada comunitária de cada idioma-alvo antes de traduzir. Não o tamanho do público, e sim a porta. Se não existe uma plataforma de publicação aberta, espere o resultado do espanhol acima.
Publique /{idioma}/llms.txt desde o primeiro dia. Quinze minutos por idioma; a diferenciação mais barata disponível em idiomas pouco atendidos.
Configure a análise com filtros de prefixo de idioma antes de publicar, ou você estará adaptando a mensuração no segundo mês em vez de escrever.
Traduza os 20% mais importantes dos artigos primeiro — os que têm maior probabilidade de entrar pela porta da comunidade. Valide a distribuição antes de traduzir o arquivo completo.
Acompanhe o share of voice em busca por IA por idioma como KPIs separados. Execute os mesmos prompts relevantes para sua marca no ChatGPT, Perplexity e Claude em cada idioma, mensalmente (Medindo o LLMO cobre as métricas). As assimetrias são grandes e invisíveis até serem medidas.
Edite manualmente as traduções automáticas para registro e locale. A qualidade da tradução é um sinal de confiança de recuperação, não apenas uma cortesia com o leitor.

Como este site implementa

O llmoframework.com publica em 8 locales com o inglês como fonte canônica. Páginas sem tradução servem o conteúdo em inglês como fallback com noindex e exclusão do sitemap: uma página não traduzida não deve competir com seu próprio canônico em nenhum índice de recuperação. Cada locale declara um cluster hreflang completo e canonicals autorreferentes.

Checklist

Cada versão de idioma declara o cluster hreflang completo, incluindo x-default
Cada versão de idioma tem um canonical autorreferente (nunca apontando para o original em inglês)
Cada diretório de idioma publica seu próprio llms.txt com URLs localizadas
Páginas de fallback não traduzidas têm noindex e são excluídas do sitemap
As traduções são editadas manualmente para registro e locale, não são saídas brutas de máquina
A porta de entrada comunitária de cada idioma-alvo é identificada antes de começar a tradução
O share of voice em busca por IA é medido por idioma, no próprio idioma, mensalmente
O esforço de publicação é direcionado para idiomas pouco atendidos, não para a contagem total de falantes