Artigos e referências

Papers Principais

Autores: Aggarwal, Murahari, Rajpurohit, Kalyan, Narasimhan, Deshpande
Instituições: Princeton University, IIT Delhi, Adobe Research
Evento: KDD 2024 (ACM SIGKDD)
Link: arXiv:2311.09735
Resumo: Primeiro framework acadêmico para otimizar a visibilidade de conteúdo em motores de busca generativos. Testou 9 estratégias de otimização em 10.000 consultas. Descoberta principal: adicionar estatísticas melhorou a visibilidade em +115,1%.
Resumo detalhado →

Autor: Jeremy Howard
Link: llmstxt.org
Resumo: Uma proposta de arquivo padronizado que fornece informações sobre um site para LLMs. Análogo ao robots.txt, mas projetado para consumo por IA em vez de controle de crawler.

Publicador: Microsoft (Bing Webmaster Blog)
Data: Outubro de 2025
Resumo: Diretrizes oficiais que identificam 3 princípios para otimização de conteúdo para IA: Estrutura, Autoridade e Atualidade.
Resumo detalhado →

Publicador: Ahrefs
Dataset: 75.000 marcas
Resumo: Menções na web (marca + palavra-chave) são 3x mais preditivas de visibilidade em IA do que backlinks tradicionais.

Publicador: Gartner
Data: Fevereiro de 2024
Resumo: Previsão de que o uso de motores de busca tradicionais vai declinar 25% até 2026 à medida que usuários migram para alternativas baseadas em IA.

Publicador: Go Fish Digital
Resumo: Tráfego de busca baseada em IA converte a 25x a taxa do tráfego de busca tradicional, devido à intenção pré-validada do usuário.

URL: schema.org
Relevância: O padrão de vocabulário usado para implementação de dados estruturados JSON-LD no Componente 2 do LLMO (Formatação estrutural).

URL: developers.google.com/search/docs/appearance/structured-data
Relevância: Diretrizes de implementação para dados estruturados reconhecidos tanto por motores de busca quanto por sistemas de IA.

Conhece um paper ou relatório relevante? Abra uma issue ou envie um pull request para adicioná-lo a esta lista.