{"id":8492,"date":"2025-06-14T04:47:03","date_gmt":"2025-06-14T01:47:03","guid":{"rendered":"https:\/\/semantico.com.br\/blog\/?p=8492"},"modified":"2026-03-25T17:52:02","modified_gmt":"2026-03-25T14:52:02","slug":"desdobramento-de-consultas-uma-abordagem-orientada-por-dados-para-a-visibilidade-na-busca-por-ia","status":"publish","type":"post","link":"https:\/\/semantico.com.br\/blog\/desdobramento-de-consultas-uma-abordagem-orientada-por-dados-para-a-visibilidade-na-busca-por-ia\/","title":{"rendered":"Desdobramento de consultas: uma abordagem orientada por dados para a visibilidade na busca por IA"},"content":{"rendered":"\n<p>Esse texto vai ser uma tradu\u00e7\u00e3o, an\u00e1lise e coment\u00e1rios Sem\u00e2nticos do fenomenal trabalho coletivo, organizado pelo Andrea Volpini &#8220;<a href=\"https:\/\/wordlift.io\/blog\/en\/query-fan-out-ai-search\/\" target=\"_blank\" rel=\"noreferrer noopener\">Query Fan-Out: A Data-Driven Approach to AI Search Visibility<\/a>&#8220;.<\/p>\n\n\n\n<p>O trabalho que gerou esse artigo e uma ferramenta incr\u00edvel foi sendo constru\u00eddo atrav\u00e9s da an\u00e1lise de muitos profissionais e nos trouxe um conceito que eu percebo que vai ser muito importante para o futuro do SEO.<\/p>\n\n\n\n<pre class=\"wp-block-preformatted has-contrast-color has-accent-5-background-color has-text-color has-background has-link-color wp-elements-22e2cf6a6f32d1eec46c63ace3f20936\">Como forma de voc\u00ea entender o que \u00e9 coment\u00e1rio meu e o que \u00e9 texto traduzido do conte\u00fado original, eu vou sempre comentar em um bloco pr\u00e9-formatado, como esse aqui.<\/pre>\n\n\n\n<p>Segundo o post original:<\/p>\n\n\n\n<p>&#8220;O Modo de IA do Google n\u00e3o processa apenas sua consulta \u2014 ele a divide em uma rede de sub consultas, espalhando-se por seus Grafos de Conhecimento e \u00edndice da web para gerar respostas ricas e sintetizadas.&#8221; <\/p>\n\n\n\n<p>Eles lan\u00e7aram uma ferramenta que ajuda a prever a pr\u00f3xima consulta de acompanhamento prov\u00e1vel para o seu conte\u00fado publicado \u2014 para que voc\u00ea possa otimizar para como a IA realmente pensa.<\/p>\n\n\n\n<pre class=\"wp-block-preformatted has-contrast-color has-accent-5-background-color has-text-color has-background has-link-color wp-elements-3bccfe8e8a6b84d70239caebce5564ce\">Eu tenho testado essa ferramenta no meu dia a dia e recomendo fortemente que voc\u00ea fa\u00e7a o mesmo, ela roda no Google Colab e com poucos conhecimentos e um pouco de aten\u00e7\u00e3o voc\u00ea consegue usar nos seus projetos.<\/pre>\n\n\n\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_82_2 counter-hierarchy ez-toc-counter ez-toc-grey ez-toc-container-direction\">\n<div class=\"ez-toc-title-container\">\n<p class=\"ez-toc-title\" style=\"cursor:inherit\">Conte\u00fados<\/p>\n<span class=\"ez-toc-title-toggle\"><a href=\"#\" class=\"ez-toc-pull-right ez-toc-btn ez-toc-btn-xs ez-toc-btn-default ez-toc-toggle\" aria-label=\"Alternar tabela de conte\u00fado\"><span class=\"ez-toc-js-icon-con\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Toggle<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #999;color:#999\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewBox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #999;color:#999\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewBox=\"0 0 24 24\" version=\"1.2\" baseProfile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/span><\/a><\/span><\/div>\n<nav><ul class='ez-toc-list ez-toc-list-level-1 ' ><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/semantico.com.br\/blog\/desdobramento-de-consultas-uma-abordagem-orientada-por-dados-para-a-visibilidade-na-busca-por-ia\/#como_funciona_a_busca_do_google_no_modo_ia\" >Como funciona a busca do Google no modo IA?<\/a><ul class='ez-toc-list-level-3' ><li class='ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/semantico.com.br\/blog\/desdobramento-de-consultas-uma-abordagem-orientada-por-dados-para-a-visibilidade-na-busca-por-ia\/#a_realidade_do_query_fan-out_alem_das_classificacoes_deterministicas\" >A Realidade do Query Fan-Out: Al\u00e9m das Classifica\u00e7\u00f5es Determin\u00edsticas<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/semantico.com.br\/blog\/desdobramento-de-consultas-uma-abordagem-orientada-por-dados-para-a-visibilidade-na-busca-por-ia\/#um_novo_framework_prevendo_perguntas\" >Um Novo Framework: Prevendo Perguntas<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/semantico.com.br\/blog\/desdobramento-de-consultas-uma-abordagem-orientada-por-dados-para-a-visibilidade-na-busca-por-ia\/#o_framework_estrategico_para_otimizacao_de_busca_por_ia_10_principios_centrais\" >O Framework Estrat\u00e9gico para Otimiza\u00e7\u00e3o de Busca por IA: 10 Princ\u00edpios Centrais<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/semantico.com.br\/blog\/desdobramento-de-consultas-uma-abordagem-orientada-por-dados-para-a-visibilidade-na-busca-por-ia\/#o_simulador_entendendo_a_prontidao_do_seu_conteudo_para_o_modo_de_ia\" >O Simulador: Entendendo a Prontid\u00e3o do Seu Conte\u00fado para o Modo de IA<\/a><\/li><\/ul><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/semantico.com.br\/blog\/desdobramento-de-consultas-uma-abordagem-orientada-por-dados-para-a-visibilidade-na-busca-por-ia\/#meus_comentarios_sobre_esse_trabalho_incrivel\" >Meus coment\u00e1rios sobre esse trabalho incr\u00edvel:<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/semantico.com.br\/blog\/desdobramento-de-consultas-uma-abordagem-orientada-por-dados-para-a-visibilidade-na-busca-por-ia\/#%e2%80%9cfan_out%e2%80%9d_logica_e_ontologias\" >&#8220;Fan out&#8221;, l\u00f3gica e ontologias<\/a><ul class='ez-toc-list-level-3' ><li class='ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/semantico.com.br\/blog\/desdobramento-de-consultas-uma-abordagem-orientada-por-dados-para-a-visibilidade-na-busca-por-ia\/#o_conceito_de_%e2%80%9cfan_out%e2%80%9d_nas_ontologias\" >O conceito de &#8220;Fan Out&#8221; nas ontologias<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-9\" href=\"https:\/\/semantico.com.br\/blog\/desdobramento-de-consultas-uma-abordagem-orientada-por-dados-para-a-visibilidade-na-busca-por-ia\/#implicacoes_mais_amplas_do_%e2%80%9cfan_out%e2%80%9d_na_recuperacao_de_informacao_atual\" >Implica\u00e7\u00f5es mais amplas do &#8220;Fan Out&#8221; na Recupera\u00e7\u00e3o de Informa\u00e7\u00e3o atual<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-10\" href=\"https:\/\/semantico.com.br\/blog\/desdobramento-de-consultas-uma-abordagem-orientada-por-dados-para-a-visibilidade-na-busca-por-ia\/#aplicacoes_praticas\" >Aplica\u00e7\u00f5es pr\u00e1ticas<\/a><\/li><\/ul><\/li><\/ul><\/nav><\/div>\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"como_funciona_a_busca_do_google_no_modo_ia\"><\/span>Como funciona a busca do Google no modo IA?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n\n<p>Andrea nos esclarece que:<\/p>\n\n\n\n<p>&#8220;A busca no Modo de IA n\u00e3o apenas processa sua consulta \u2014 ela a expande em m\u00faltiplas subconsultas, espalhando-se pelos grafos de conhecimento do Google e seu \u00edndice da web para sintetizar respostas abrangentes. Esse processo chamado &#8220;query <em>fan-out<\/em>&#8221; representa a mudan\u00e7a mais significativa no comportamento de busca desde a indexa\u00e7\u00e3o mobile-first, mas parece que estamos todos voando \u00e0s cegas, incapazes de medir o qu\u00e3o bem nosso conte\u00fado se desempenha diante dessa nova realidade.&#8221;<\/p>\n\n\n\n<pre class=\"wp-block-preformatted has-contrast-color has-accent-5-background-color has-text-color has-background has-link-color wp-elements-9fdb2b36726bc79636f8c549685c046b\">Aqui eu quero convidar voc\u00ea que l\u00ea esse texto a prestar muita aten\u00e7\u00e3o. A mudan\u00e7a de uma busca intermediada por um algoritmo que monta uma lista de 10 links azuis para a que chamamos na \u00e9poca de \"posi\u00e7\u00e3o 0\" j\u00e1 foi radical, mas nada se compara com o que estamos vendo com o AI Overview. <\/pre>\n\n\n\n<pre class=\"wp-block-preformatted has-contrast-color has-accent-5-background-color has-text-color has-background has-link-color wp-elements-8399ad108a26e5ac8bfc2490c701876d\">Segundo o que nos diz o Andrea, eu interpreto que o Gemini est\u00e1 simulando um nosso comportamento de busca, e sendo muito mais criterioso quando se prepara para responder a uma pergunta nossa. E isso \u00e9 completamente compreens\u00edvel. Uma coisa \u00e9 nos dar uma lista de 10 posts e nos passar a responsabilidade, outra bem diferente \u00e9 responder \u00e0 pergunta, sendo a \u00fanica fonte da resposta.<\/pre>\n\n\n\n<p>O artigo continua:<\/p>\n\n\n\n<p>&#8220;Depois de revisar patentes fundamentais como a US 2024\/0289407 A1 (Busca com chat com estado) e novos insights da WO2024064249A1 (Sistemas e m\u00e9todos para gera\u00e7\u00e3o de consultas baseadas em prompts para recupera\u00e7\u00e3o diversificada), esta \u00faltima destacada pela an\u00e1lise de Michael King, e estudar os padr\u00f5es de busca por IA por v\u00e1rios meses, atualizei nosso framework pr\u00e1tico e a ferramenta Colab que o acompanha. O avan\u00e7o n\u00e3o \u00e9 apenas entender o query <em>fan-out<\/em>, \u00e9 ser capaz de simular com mais precis\u00e3o seus est\u00e1gios iniciais e pontuar seu conte\u00fado em rela\u00e7\u00e3o a ele.&#8221;<\/p>\n\n\n\n<p>A partir daqui eu deixo voc\u00eas com o texto traduzido e vou fazer os meus coment\u00e1rios no final do artigo. Boa leitura:<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"a_realidade_do_query_fan-out_alem_das_classificacoes_deterministicas\"><\/span><strong>A Realidade do Query Fan-Out: Al\u00e9m das Classifica\u00e7\u00f5es Determin\u00edsticas<\/strong><span class=\"ez-toc-section-end\"><\/span><\/h3>\n\n\n\n<p>Quando algu\u00e9m pergunta \u00e0 IA do Google &#8220;Qual \u00e9 a melhor estrat\u00e9gia de marketing sustent\u00e1vel para pequenas empresas de e-commerce?&#8221;, a IA n\u00e3o busca por essa frase exata. Em vez disso, ela decomp\u00f5e a consulta em m\u00faltiplas subconsultas que variam com base no contexto do usu\u00e1rio:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>O que torna uma estrat\u00e9gia de marketing sustent\u00e1vel?<\/li>\n\n\n\n<li>Quais canais de marketing funcionam melhor para o e-commerce?<\/li>\n\n\n\n<li>Quais s\u00e3o as restri\u00e7\u00f5es or\u00e7ament\u00e1rias para pequenas empresas?<\/li>\n\n\n\n<li>Como as pr\u00e1ticas sustent\u00e1veis impactam a aquisi\u00e7\u00e3o de clientes?<\/li>\n\n\n\n<li>Quais s\u00e3o os estudos de caso de sucesso em marketing sustent\u00e1vel de e-commerce?<\/li>\n<\/ul>\n\n\n\n<p>Mas aqui est\u00e1 o insight cr\u00edtico do meu trabalho desde os dias do SGE (Search Generative Experience): essas perguntas de acompanhamento n\u00e3o s\u00e3o as mesmas para todos. Elas s\u00e3o profundamente contextuais, estoc\u00e1sticas e imposs\u00edveis de prever deterministicamente. O problema para os profissionais de marketing n\u00e3o \u00e9 apenas otimizar para subconsultas \u2014 \u00e9 aceitar que n\u00e3o h\u00e1 como &#8220;classificar&#8221; ou mesmo rastrear a visibilidade em termos tradicionais. O jogo mudou fundamentalmente.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"um_novo_framework_prevendo_perguntas\"><\/span><strong>Um Novo Framework: Prevendo Perguntas<\/strong><span class=\"ez-toc-section-end\"><\/span><\/h3>\n\n\n\n<p>As ferramentas de SEO tradicionais t\u00eam dificuldade com a natureza din\u00e2mica do <em>query fan-out<\/em>. O que precisamos \u00e9 de uma maneira de sondar como nosso conte\u00fado pode se sair quando uma IA desconstr\u00f3i a inten\u00e7\u00e3o do usu\u00e1rio. Nosso simulador Colab atualizado agora adota uma abordagem mais nativa da IA para este desafio:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>(Vis\u00e3o Futura) Fun\u00e7\u00e3o de Valida\u00e7\u00e3o e Pol\u00edticas de Recompensa:<\/strong> Embora a ferramenta atual simule e pontue, a vis\u00e3o de longo prazo continua sendo o desenvolvimento de fun\u00e7\u00f5es de valida\u00e7\u00e3o robustas \u2014 pol\u00edticas de recompensa dentro do DSPy para fundamentar e melhorar as previs\u00f5es de acompanhamentos contextuais reais com base nas intera\u00e7\u00f5es do usu\u00e1rio e nos gr\u00e1ficos de conhecimento.<\/li>\n\n\n\n<li><strong>Compreens\u00e3o de Entidades e Contexto com IA:<\/strong> Em vez de raspagem tradicional, a ferramenta aproveita o modelo Gemini do Google e a ferramenta url_context que simulam como o Modo de IA pode interpretar URLs. O Gemini identifica a entidade ontol\u00f3gica principal e extrai os principais trechos de conte\u00fado fundamentado que considera relevantes na p\u00e1gina. Isso reflete mais de perto como os sistemas de busca por IA digerem o conte\u00fado: n\u00e3o analisando o HTML de cima a baixo, mas se baseando em trechos semanticamente ricos e dignos de cita\u00e7\u00e3o.<\/li>\n\n\n\n<li><strong>Gera\u00e7\u00e3o de Consultas Sint\u00e9ticas com Cadeia de Pensamento:<\/strong> Informado pela entidade identificada pelo Gemini e guiado por princ\u00edpios de patentes como a WO2024064249A1, o simulador usa um m\u00f3dulo de Cadeia de Pensamento (CoT) do DSPy com o Gemini. Este m\u00f3dulo CoT primeiro raciocina sobre os diferentes tipos de facetas de informa\u00e7\u00e3o e tipos de consulta (Relacionada, Impl\u00edcita, Comparativa, etc.) relevantes para sua entidade e, em seguida, gera um conjunto diversificado de consultas de <em>fan-out<\/em> sint\u00e9ticas. Este \u00e9 um passo al\u00e9m da simples expans\u00e3o de palavras-chave, visando uma decomposi\u00e7\u00e3o mais fundamentada.<\/li>\n\n\n\n<li><strong>Avalia\u00e7\u00e3o da Cobertura Sem\u00e2ntica:<\/strong> Usando os trechos de conte\u00fado extra\u00eddos pelo Gemini (ou um resumo gerado pelo Gemini se os trechos diretos n\u00e3o estiverem dispon\u00edveis), avaliamos o qu\u00e3o bem as informa\u00e7\u00f5es-chave da sua p\u00e1gina cobrem essas consultas de <em>fan-out<\/em> geradas sinteticamente usando similaridade sem\u00e2ntica (embeddings). O objetivo n\u00e3o \u00e9 prever todas as consultas poss\u00edveis \u2014 \u00e9 construir uma infraestrutura sem\u00e2ntica que aumente nossa precis\u00e3o na previs\u00e3o da pr\u00f3xima pergunta prov\u00e1vel com base no contexto do usu\u00e1rio.<\/li>\n<\/ul>\n\n\n\n<p>Gianluca Fiorelli tem trabalhado nisso h\u00e1 anos, recomendando que recuperemos todos os refinamentos de consulta (filtro de T\u00f3pico, PAA, As pessoas tamb\u00e9m pesquisam, consultas de tags de pesquisa de imagens, etc.) que o Google apresenta para uma consulta.<\/p>\n\n\n\n<p><strong>Como o Chunking do Google Funciona \u2014 e Por Que \u00e9 Importante<\/strong><\/p>\n\n\n\n<p>O Google n\u00e3o analisa o conte\u00fado como um todo. Em vez disso, ele segmenta os documentos em peda\u00e7os menores e significativos (<em>chunks<\/em>). Com base em nossa pesquisa, o Google parece usar uma estrat\u00e9gia h\u00edbrida que inclui:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Chunking de tamanho fixo:<\/strong> usado para ajustar o conte\u00fado aos limites do modelo, como o limite de 2048 tokens para o gemini-embedding-001.<\/li>\n\n\n\n<li><strong>Chunking recursivo:<\/strong> para dividir o conte\u00fado n\u00e3o estruturado com base em par\u00e1grafos \u2192 frases \u2192 palavras.<\/li>\n\n\n\n<li><strong>Chunking sem\u00e2ntico:<\/strong> onde frases relacionadas s\u00e3o agrupadas.<\/li>\n\n\n\n<li><strong>Chunking ciente do layout:<\/strong> que segmenta o conte\u00fado com base na estrutura HTML (cabe\u00e7alhos, listas, tabelas) e \u00e9 o padr\u00e3o na Vertex AI Search via LayoutBasedChunkingConfig.<\/li>\n<\/ul>\n\n\n\n<p>Entre estes, o chunking ciente do layout \u00e9 o mais crucial para a ingest\u00e3o. Ele se alinha com a forma como os documentos s\u00e3o estruturados visualmente, como os humanos os processam e como a IA do Google determina a relev\u00e2ncia em n\u00edvel de passagem.<\/p>\n\n\n\n<p>Agora, antes de compartilhar como estamos planejando procurar por perguntas de acompanhamento, vamos revisar os princ\u00edpios centrais por tr\u00e1s do framework.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"o_framework_estrategico_para_otimizacao_de_busca_por_ia_10_principios_centrais\"><\/span><strong>O Framework Estrat\u00e9gico para Otimiza\u00e7\u00e3o de Busca por IA: 10 Princ\u00edpios Centrais<\/strong><span class=\"ez-toc-section-end\"><\/span><\/h3>\n\n\n\n<p>Com base em testes e an\u00e1lises de conte\u00fado vis\u00edvel por IA bem-sucedido, estes s\u00e3o os princ\u00edpios estrat\u00e9gicos que realmente fazem a diferen\u00e7a:<\/p>\n\n\n\n<ol class=\"wp-block-list\">\n<li><strong>Foque no N\u00facleo Ontol\u00f3gico, N\u00e3o no Volume de Conte\u00fado:<\/strong> A mudan\u00e7a n\u00e3o \u00e9 sobre produzir mais conte\u00fado \u2014 \u00e9 sobre construir uma base sem\u00e2ntica robusta. Seu n\u00facleo ontol\u00f3gico (como introduzido por Tony Seal) \u00e9 a representa\u00e7\u00e3o estruturada do conhecimento essencial do dom\u00ednio. \u00c9 o que permite que os sistemas de IA gerem respostas din\u00e2micas e conscientes do contexto.<\/li>\n\n\n\n<li><strong>Construa uma Arquitetura de Conte\u00fado Din\u00e2mica e Conversacional:<\/strong> Como as perguntas de acompanhamento s\u00e3o contextuais e estoc\u00e1sticas, seu conte\u00fado deve ser conversacional e adapt\u00e1vel \u2014 n\u00e3o meramente est\u00e1tico ou exaustivo.<\/li>\n\n\n\n<li><strong>Priorize Rigorosamente o E-E-A-T e os Dados Estruturados:<\/strong> O Google deixou claro: o E-E-A-T (Experi\u00eancia, Expertise, Autoridade e Confian\u00e7a) \u00e9 fundamental para as respostas geradas por IA. Mas, al\u00e9m dos sinais de confian\u00e7a tradicionais, voc\u00ea tamb\u00e9m precisa fornecer contexto sem\u00e2ntico expl\u00edcito por meio da marca\u00e7\u00e3o de esquema.<\/li>\n\n\n\n<li><strong>Adapte-se a Consultas Conversacionais e Orientadas por Inten\u00e7\u00e3o:<\/strong> A IA se destaca na compreens\u00e3o da linguagem natural \u2014 sua estrat\u00e9gia de conte\u00fado deve refletir isso, focando na inten\u00e7\u00e3o subjacente, n\u00e3o apenas em frases de palavras-chave.<\/li>\n\n\n\n<li><strong>Desenvolva Modelos de Previs\u00e3o para Acompanhamentos Contextuais:<\/strong> A cobertura universal n\u00e3o \u00e9 o objetivo. Em vez de otimizar para consultas individuais, concentre-se na constru\u00e7\u00e3o de dados \u2014 e, eventualmente, modelos \u2014 que possam prever perguntas de acompanhamento prov\u00e1veis com base no contexto do usu\u00e1rio.<\/li>\n\n\n\n<li><strong>Sobressaia na Visibilidade &#8220;Zero Clique&#8221; e &#8220;Baseada em Cita\u00e7\u00e3o&#8221;:<\/strong> As m\u00e9tricas de sucesso est\u00e3o mudando. Ser citado em respostas geradas por IA pode ser mais impactante do que os cliques tradicionais \u2014 especialmente para a autoridade e considera\u00e7\u00e3o da marca.<\/li>\n\n\n\n<li><strong>Para o E-commerce, Foque em Dados Ricos de Produtos e Conte\u00fado Comparativo:<\/strong> A busca orientada por IA n\u00e3o apenas responde a consultas diretas \u2014 ela apoia os usu\u00e1rios em jornadas complexas de tomada de decis\u00e3o.<\/li>\n\n\n\n<li><strong>Monitore o Desempenho da Busca Paga e Adapte as Estrat\u00e9gias:<\/strong> As Vis\u00f5es Gerais de IA est\u00e3o remodelando o cen\u00e1rio de busca \u2014 incluindo a visibilidade paga.<\/li>\n\n\n\n<li><strong>Mantenha-se Fiel aos Seus Valores e Ou\u00e7a Estrategicamente:<\/strong> \u00c0 medida que a IA remodela como criamos, otimizamos e descobrimos conte\u00fado, manter-se fiel aos seus valores fundamentais \u00e9 mais importante do que nunca.<\/li>\n\n\n\n<li><strong>Experimente e Itere Continuamente:<\/strong> O cen\u00e1rio de busca por IA evolui rapidamente. Use ferramentas como nosso simulador de <em>query fan-out<\/em> para avaliar regularmente a visibilidade do seu conte\u00fado por IA e adaptar as estrat\u00e9gias com base nos dados reais de cobertura.<\/li>\n<\/ol>\n\n\n\n<h3 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"o_simulador_entendendo_a_prontidao_do_seu_conteudo_para_o_modo_de_ia\"><\/span><strong>O Simulador: Entendendo a Prontid\u00e3o do Seu Conte\u00fado para o Modo de IA<\/strong><span class=\"ez-toc-section-end\"><\/span><\/h3>\n\n\n\n<p>Entender o <em>query fan-out<\/em> \u00e9 uma coisa \u2014 simular como seu conte\u00fado pode ser percebido e desconstru\u00eddo por uma IA \u00e9 o primeiro passo pr\u00e1tico. Nosso notebook Colab atualizado visa fornecer essa vis\u00e3o inicial.<\/p>\n\n\n\n<p>Este novo lan\u00e7amento aprimora a simula\u00e7\u00e3o ao:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Aproveitar o Gemini para a Compreens\u00e3o Inicial:<\/strong> Usa o Gemini do Google (por meio de sua capacidade de fundamenta\u00e7\u00e3o semelhante a url_context ou an\u00e1lise direta) para identificar a entidade principal de sua URL e extrair trechos de conte\u00fado importantes da p\u00e1gina.<\/li>\n\n\n\n<li><strong>Simula\u00e7\u00e3o Sofisticada de Query Fan-Out com DSPy CoT:<\/strong> Emprega um m\u00f3dulo de Cadeia de Pensamento (CoT) do DSPy alimentado pelo Gemini para gerar consultas de <em>fan-out<\/em> sint\u00e9ticas.<\/li>\n\n\n\n<li><strong>Pontua\u00e7\u00e3o de Cobertura Sem\u00e2ntica:<\/strong> Avalia o qu\u00e3o bem os trechos de conte\u00fado identificados pelo Gemini em sua URL cobrem essas diversas consultas sint\u00e9ticas usando similaridade baseada em embeddings.<\/li>\n<\/ul>\n\n\n\n<p><strong>Pipeline T\u00e9cnico: URL \u2192 Extra\u00e7\u00e3o de Entidade \u2192 Query Fan-Out \u2192 Cobertura de Embedding \u2192 Pontua\u00e7\u00e3o de Visibilidade de IA<\/strong><\/p>\n\n\n\n<p>Embora prever cada acompanhamento contextual exato seja imposs\u00edvel, esta ferramenta ajuda voc\u00ea a entender a prontid\u00e3o do seu conte\u00fado para um ambiente de busca orientado por IA que depende dessa decomposi\u00e7\u00e3o.<\/p>\n\n\n\n<p><strong>Da Cobertura ao Contexto: O Verdadeiro Desafio<\/strong><\/p>\n\n\n\n<p>O notebook revela algo mais profundo do que as lacunas de cobertura \u2014 ele mostra a impossibilidade de otimiza\u00e7\u00e3o determin\u00edstica em um mundo de busca orientado por IA. A maioria do conte\u00fado aborda apenas amostras de poss\u00edveis acompanhamentos, e isso n\u00e3o \u00e9 um bug, \u00e9 a caracter\u00edstica.<\/p>\n\n\n\n<p><strong>Pronto para come\u00e7ar a construir sua base ontol\u00f3gica?<\/strong><\/p>\n\n\n\n<p>O simulador \u00e9 seu primeiro passo para entender como os acompanhamentos contextuais funcionam \u2014 e por que o pensamento tradicional de SEO n\u00e3o se aplica mais.<\/p>\n\n\n\n<p class=\"has-base-2-color has-accent-3-background-color has-text-color has-background has-link-color wp-elements-100c50b76c0221e03a3d603bb465722e\"><strong>Acesse o <a href=\"https:\/\/wor.ai\/fan-out-ai-mode\" data-type=\"link\" data-id=\"https:\/\/wor.ai\/fan-out-ai-mode\" target=\"_blank\" rel=\"noopener\">Query Fan-Out Simulator (3\u00aa vers\u00e3o)<\/a> \u2014 uma ferramenta gratuita para medir a visibilidade da pesquisa de IA do seu conte\u00fado [executa no Google Colab].<\/strong><\/p>\n\n\n\n<figure class=\"wp-block-image alignwide size-full\"><img loading=\"lazy\" decoding=\"async\" width=\"1408\" height=\"708\" src=\"https:\/\/semantico.com.br\/blog\/wp-content\/uploads\/2025\/09\/topo-agente-mais-semantico.webp\" alt=\"CTA Agente+Sem\u00e2ntico\" class=\"wp-image-9094\" title=\"\" srcset=\"https:\/\/semantico.com.br\/blog\/wp-content\/uploads\/2025\/09\/topo-agente-mais-semantico.webp 1408w, https:\/\/semantico.com.br\/blog\/wp-content\/uploads\/2025\/09\/topo-agente-mais-semantico-600x302.webp 600w, https:\/\/semantico.com.br\/blog\/wp-content\/uploads\/2025\/09\/topo-agente-mais-semantico-768x386.webp 768w\" sizes=\"auto, (max-width: 1408px) 100vw, 1408px\" \/><\/figure>\n\n\n\n<div class=\"wp-block-columns are-vertically-aligned-center is-layout-flex wp-container-core-columns-is-layout-9d6595d7 wp-block-columns-is-layout-flex\">\n<div class=\"wp-block-column is-vertically-aligned-center is-layout-flow wp-block-column-is-layout-flow\">\n<div class=\"wp-block-buttons is-layout-flex wp-block-buttons-is-layout-flex\">\n<div class=\"wp-block-button has-custom-width wp-block-button__width-100\"><a class=\"wp-block-button__link has-white-color has-text-color has-background wp-element-button\" href=\"https:\/\/semantico.com.br\/contato.html\" style=\"background-color:#590050\" target=\"_blank\" rel=\"noreferrer noopener\">Entre em Contato<\/a><\/div>\n<\/div>\n<\/div>\n<\/div>\n\n\n\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"meus_comentarios_sobre_esse_trabalho_incrivel\"><\/span>Meus coment\u00e1rios sobre esse trabalho incr\u00edvel:<span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n\n<p>A primeira coisa que eu quero contribuir \u00e9 com a no\u00e7\u00e3o de facetas. Eu j\u00e1 falei do <a class=\"wl-entity-page-link\" title=\"Ranganathan\" href=\"https:\/\/semantico.com.br\/blog\/Vocabulario\/shiyali-ramamrita-ranganathan\/\" data-id=\"http:\/\/data.wordlift.io\/wl0221\/entity\/shiyali-ramamrita-ranganathan\">Shiyali Ramamrita Ranganathan<\/a> aqui no Blog antes. Ele \u00e9 a pessoa que definiu as cinco leis da Biblioteconomia e me inspirou a fazer as cinco leis do SEO. <\/p>\n\n\n\n<p>Caso n\u00e3o conhe\u00e7a, ele foi um matem\u00e1tico e bibliotec\u00e1rio na \u00cdndia e \u00e9 considerado o pai da biblioteconomia no pa\u00eds e um dos mais influentes do mundo. Ranganathan escreveu artigos e livros fundamentais para a organiza\u00e7\u00e3o e classifica\u00e7\u00e3o de informa\u00e7\u00e3o e desenvolveu bastante o conceito das facetas.<\/p>\n\n\n\n<p>Segundo ele as facetas&nbsp;s\u00e3o componentes de um assunto composto, essenciais para a organiza\u00e7\u00e3o anal\u00edtico-sint\u00e9tica do conhecimento.&nbsp;Elas s\u00e3o manifesta\u00e7\u00f5es das cinco categorias fundamentais (personalidade, mat\u00e9ria, energia, espa\u00e7o e tempo) e podem ser utilizadas para formar classes, termos e n\u00fameros.<\/p>\n\n\n\n<p><strong>As facetas permitem que um assunto complexo seja dividido em suas partes constituintes, facilitando a an\u00e1lise e a s\u00edntese do conhecimento.&nbsp;<\/strong><\/p>\n\n\n\n<p>Achei muito curioso o n\u00famero de facetas que o Andrea cita no texto ser o Gemini usou ser exatamente o n\u00famero que o Ranganathan definiu.<\/p>\n\n\n\n<p>Mas o que \u00e9 importante aqui \u00e9 a ideia por tr\u00e1s do Gemini usar o conceito de facetas quando gera uma resposta para n\u00f3s.<\/p>\n\n\n\n<p>L\u00e1 no in\u00edcio do texto que falo que o AI Overview tenta simular o nosso jeito de procurar informa\u00e7\u00e3o e ainda \u00e9 muito mais cuidadoso porque ele agora precisa gerar somente uma resposta. <\/p>\n\n\n\n<p>Se voc\u00ea for ver como o Gemini cria as respostas na busca, ele gera uma resposta com m\u00faltiplas vis\u00f5es, cintando m\u00faltiplas fontes.<\/p>\n\n\n\n<figure class=\"wp-block-image size-full\"><img loading=\"lazy\" decoding=\"async\" width=\"1152\" height=\"787\" src=\"https:\/\/semantico.com.br\/blog\/wp-content\/uploads\/2025\/06\/image.png\" alt=\"\" class=\"wp-image-8501\" title=\"\" srcset=\"https:\/\/semantico.com.br\/blog\/wp-content\/uploads\/2025\/06\/image.png 1152w, https:\/\/semantico.com.br\/blog\/wp-content\/uploads\/2025\/06\/image-600x410.png 600w, https:\/\/semantico.com.br\/blog\/wp-content\/uploads\/2025\/06\/image-768x525.png 768w\" sizes=\"auto, (max-width: 1152px) 100vw, 1152px\" \/><\/figure>\n\n\n\n<p>Na busca acima o Gemini na Vis\u00e3o geral criada por IA usa v\u00e1rios tipos de fontes de informa\u00e7\u00e3o para gerar uma resposta bem completa, apesar de trazer algumas informa\u00e7\u00f5es incorretas devido a informa\u00e7\u00f5es incorretas numa das fontes.<\/p>\n\n\n\n<p>Mas o que nos importa aqui \u00e9 o fato que o Gemini faz esse movimento panor\u00e2mico em volta do assunto da nossa pergunta, tenta olhar por v\u00e1rios lados a quest\u00e3o, tenta entender todas as facetas, fazendo muitas perguntas, que est\u00e3o semanticamente relacionadas.<\/p>\n\n\n\n<p>Isso me permite afirmar: quando criamos qualquer conte\u00fado na web precisamos chegar o mais perto poss\u00edvel da completude do assunto. Abordar o m\u00e1ximo poss\u00edvel todos os sub assuntos do assunto principal.<\/p>\n\n\n\n<p>Isso n\u00e3o \u00e9 um fato novo para quem j\u00e1 faz projetos usando SEO Sem\u00e2ntico. N\u00f3s j\u00e1 adotamos essa estrat\u00e9gia e j\u00e1 temos bons resultados em buscas, seja no algoritmo, seja no resumo por IA.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"%e2%80%9cfan_out%e2%80%9d_logica_e_ontologias\"><\/span>&#8220;Fan out&#8221;, l\u00f3gica e ontologias<span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n\n<p>Fiz uma busca na base de conhecimento relacionada ao estudo de LLMs, Grafos de Conhecimento e Mecanismos de Buscas e encontrei uma rela\u00e7\u00e3o interessante, um tanto t\u00e9cnica mas mesmo assim interessante.<\/p>\n\n\n\n<p>A ideia de &#8220;expans\u00e3o&#8221; ou &#8220;ramifica\u00e7\u00e3o&#8221; de uma consulta a um banco, sistema ou base de dados, que o termo &#8220;<em>fan-out<\/em>&#8221; pode evocar no dom\u00ednio de busca e recupera\u00e7\u00e3o de informa\u00e7\u00f5es, \u00e9 um tema central e recorrente em diversas t\u00e9cnicas que combinam LLMs, KGs e Search Engines mas eu n\u00e3o tinha ideia.<\/p>\n\n\n\n<p>Vamos explorar isso em detalhes, come\u00e7ando pela men\u00e7\u00e3o direta que encontrei no livro <a href=\"https:\/\/amzn.to\/43U940N\" data-type=\"link\" data-id=\"https:\/\/amzn.to\/43U940N\" target=\"_blank\" rel=\"noreferrer noopener\">Semantic Web Technologies &#8211; Trends and Research in Ontology-based Systems (2006)<\/a> e, em seguida, expandindo para as implica\u00e7\u00f5es mais amplas que o &#8220;<em>fan-out<\/em>&#8221; em consultas (ou na gera\u00e7\u00e3o de informa\u00e7\u00f5es) tem para os seus campos de interesse.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"o_conceito_de_%e2%80%9cfan_out%e2%80%9d_nas_ontologias\"><\/span>O conceito de &#8220;Fan Out&#8221; nas ontologias<span class=\"ez-toc-section-end\"><\/span><\/h3>\n\n\n\n<p>Nas mais de 30 fontes (entre livros, artigos t\u00e9cnicos e cient\u00edficos) presentes na minha base de conhecimento, encontrei que o termo &#8220;fan out&#8221; vem sendo usado para descrever o comportamento de uma <strong>fun\u00e7\u00e3o de sele\u00e7\u00e3o em sistemas de racioc\u00ednio com ontologias inconsistentes<\/strong>.<\/p>\n\n\n\n<p>Agora vamos entrar na parte mais complicada da coisa, se segura que vamos juntos.<\/p>\n\n\n\n<ol class=\"wp-block-list\">\n<li>Nesse contexto, a fun\u00e7\u00e3o de sele\u00e7\u00e3o <code>s<\/code> come\u00e7a com uma f\u00f3rmula de consulta (<code>f<\/code>) como ponto de partida.<\/li>\n\n\n\n<li>Ela ent\u00e3o &#8220;seleciona as f\u00f3rmulas <code>c<\/code> que s\u00e3o diretamente relevantes a <code>f<\/code> como um conjunto de trabalho&#8221;.<\/li>\n\n\n\n<li>Se uma resposta satisfat\u00f3ria n\u00e3o \u00e9 encontrada, a fun\u00e7\u00e3o &#8220;aumenta o grau de relev\u00e2ncia em 1, adicionando assim mais f\u00f3rmulas que s\u00e3o relevantes para o conjunto de trabalho atual&#8221;.<\/li>\n<\/ol>\n\n\n\n<p><strong>A f\u00f3rmula ent\u00e3o \u00e9 essa:<\/strong><\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>s(\u0394, f, k) = {c \u2208 \u0394 | c \u00e9 diretamente relevante para s(\u0394, f, k \u2013 1)}<span style=\"background-color: initial; font-family: inherit; font-size: inherit; text-align: initial;\">, para k &gt; 1<\/span><\/code><\/pre>\n\n\n\n<p>N\u00e3o sei se deu para perceber, mas essa abordagem leva a um comportamento de &#8220;fan out&#8221;, (que pode tamb\u00e9m ser entendido como ramifica\u00e7\u00e3o ou expans\u00e3o) da fun\u00e7\u00e3o de sele\u00e7\u00e3o:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>A primeira sele\u00e7\u00e3o \u00e9 o conjunto de todas as f\u00f3rmulas diretamente relevantes \u00e0 consulta;<\/li>\n\n\n\n<li>Em seguida, todas as f\u00f3rmulas que s\u00e3o diretamente relevantes a esse conjunto s\u00e3o selecionadas, e assim por diante.<\/li>\n<\/ul>\n\n\n\n<p>Neste contexto a consulta inicial, se n\u00e3o for satisfeita na primeira procura, gera esse processo em cadeia de novas consultas relacionadas umas as outras.<\/p>\n\n\n\n<p>Essa \u00e9 uma maneira de estender progressivamente o conjunto de informa\u00e7\u00f5es consideradas para resolver uma consulta, especialmente em cen\u00e1rios onde a informa\u00e7\u00e3o pode estar distribu\u00edda ou ser amb\u00edgua, visando encontrar uma subteoria consistente a partir de uma ontologia inconsistente para encontrar respostas significativas.<\/p>\n\n\n\n<p>No trabalho do Andrea \u00e9 exatamente isso que eu apreendi, que o processo \u00e9 disparado desta mesma maneira por conta da caracter\u00edstica da resposta esperada.<\/p>\n\n\n\n<p>Embora essa seja uma aplica\u00e7\u00e3o t\u00e9cnica espec\u00edfica, o processo do &#8220;fan out&#8221; em ontologias, ou seja, a ideia de expandir a busca para incluir informa\u00e7\u00f5es relacionadas que n\u00e3o foram explicitamente solicitadas na consulta inicial, mas que s\u00e3o contextualmente relevantes, \u00e9 encontrada em muitas das abordagens modernas em gera\u00e7\u00e3o de informa\u00e7\u00e3o.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"implicacoes_mais_amplas_do_%e2%80%9cfan_out%e2%80%9d_na_recuperacao_de_informacao_atual\"><\/span>Implica\u00e7\u00f5es mais amplas do &#8220;Fan Out&#8221; na Recupera\u00e7\u00e3o de Informa\u00e7\u00e3o atual<span class=\"ez-toc-section-end\"><\/span><\/h3>\n\n\n\n<p>No contexto de LLMs, Grafos de Conhecimento e Mecanismos de Busca, o &#8220;fan out&#8221; de uma consulta pode ser interpretado como a <strong>expans\u00e3o da capacidade de um sistema de recuperar e interligar informa\u00e7\u00f5es<\/strong> para responder a perguntas complexas, melhorar a relev\u00e2ncia dos resultados ou lidar com a <a class=\"wl-entity-page-link\" href=\"https:\/\/semantico.com.br\/blog\/Vocabulario\/ambiguidade\/\" data-id=\"http:\/\/data.wordlift.io\/wl0221\/entity\/ambiguidade\">ambiguidade<\/a>.<\/p>\n\n\n\n<p><strong>Vamos ver como isso se funciona?<\/strong><\/p>\n\n\n\n<h4 class=\"wp-block-heading\">Expans\u00e3o e reescrita de Consultas (Query Expansion\/Rewriting)<\/h4>\n\n\n\n<p>Um dos usos mais diretos de LLMs trabalhando em conjunto com Mecanismos de Busca \u00e9 a capacidade de <strong>reescrever e expandir consultas<\/strong> para melhorar a recupera\u00e7\u00e3o de informa\u00e7\u00f5es.<\/p>\n\n\n\n<p>Os modelos podem analisar a inten\u00e7\u00e3o do usu\u00e1rio e gerar termos de consulta adicionais ou reformula\u00e7\u00f5es que cobrem um espectro mais amplo de informa\u00e7\u00f5es relevantes, superando a &#8220;lacuna de vocabul\u00e1rio&#8221; entre o que o usu\u00e1rio digita e os termos contidos nos documentos.<\/p>\n\n\n\n<p>E ai vemos uma quantidade interessantes de aplica\u00e7\u00f5es disso, como eu descrevo o que descobri, abaixo:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Para SEO:<\/strong> entender como os LLMs expandem ou reescrevem consultas \u00e9 um incremento interessante no nossa capacidade de entidimento. Em vez de focar apenas em termos exatos, as estrat\u00e9gias de SEO podem considerar a relev\u00e2ncia sem\u00e2ntica e a cobertura de t\u00f3picos mais amplos que um modelo que usa essa estrat\u00e9gia pode inferir e expandir a partir de uma consulta inicial. Isso significa otimizar o conte\u00fado para um conjunto de termos semanticamente relacionados e suas varia\u00e7\u00f5es. SEO Sem\u00e2ntico, certo?<\/li>\n\n\n\n<li><strong>Em Sistemas de Informa\u00e7\u00e3o:<\/strong> a reescrita de consultas aumenta a precis\u00e3o e a abrang\u00eancia dos resultados, especialmente para consultas amb\u00edguas ou complexas. As LLMs podem gerar perguntas de clarifica\u00e7\u00e3o para o usu\u00e1rio (ex: &#8220;Voc\u00ea quis dizer jaguar como animal ou como carro?&#8221;) com base nos resultados iniciais, e ent\u00e3o usar a resposta do usu\u00e1rio para refinar a consulta, essencialmente &#8220;ramificando&#8221; a intera\u00e7\u00e3o para maior clareza.<\/li>\n\n\n\n<li><strong>Para agentes de IA:<\/strong> agentes de IA podem usar modelos para reformular suas pr\u00f3prias &#8220;perguntas internas&#8221; ao buscar informa\u00e7\u00f5es em uma base de dados ou na web, permitindo uma explora\u00e7\u00e3o mais eficaz e adaptativa.<\/li>\n<\/ul>\n\n\n\n<h4 class=\"wp-block-heading\">Respostas a perguntas Multi-Hop (Multi-Hop Question Answering)<\/h4>\n\n\n\n<p>Perguntas complexas frequentemente exigem a combina\u00e7\u00e3o de informa\u00e7\u00f5es de m\u00faltiplas fontes ou a execu\u00e7\u00e3o de m\u00faltiplos passos de racioc\u00ednio, o que \u00e9 um exemplo cl\u00e1ssico de &#8220;fan out&#8221; informacional.<\/p>\n\n\n\n<p>Isso \u00e9 conhecido como <strong>&#8220;multi-hop question answering&#8221;<\/strong>.<\/p>\n\n\n\n<p>Em vez de uma \u00fanica busca, o sistema precisa &#8220;ramificar&#8221; sua estrat\u00e9gia de busca procurando por fatos interconectados. Mas para funcionar corretamente, \u00e9 preciso ter cuidado com algumas coisas.<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Desafios:<\/strong> as buscas simples por similaridade vetorial podem falhar em perguntas multi-hop, pois a informa\u00e7\u00e3o necess\u00e1ria pode estar espalhada em v\u00e1rios documentos, ou os documentos mais relevantes podem conter informa\u00e7\u00f5es repetidas, ignorando outros fatos cruciais.<\/li>\n\n\n\n<li><strong>Solu\u00e7\u00e3o mistas Grafos e LLMs:<\/strong> Knowledge Graphs s\u00e3o particularmente eficazes para isso, pois permitem a modelagem de rela\u00e7\u00f5es entre entidades. Uma consulta multi-hop pode ser decomposta em sub-perguntas, e o KG pode ser atravessado para conectar as informa\u00e7\u00f5es necess\u00e1rias. As LLMs podem ajudar na decomposi\u00e7\u00e3o da pergunta e na formula\u00e7\u00e3o das sub-consultas para o KG. A capacidade dos LLMs de usar &#8220;cadeias de pensamento&#8221; (Chain-of-Thought) permite que eles separem as perguntas em m\u00faltiplas etapas, definam um plano e utilizem ferramentas externas (como KGs ou APIs de busca) para gerar uma resposta completa.<\/li>\n<\/ul>\n\n\n\n<h4 class=\"wp-block-heading\">Gera\u00e7\u00e3o Aumentada por Recupera\u00e7\u00e3o (Retrieval-Augmented Generation ou RAG)<\/h4>\n\n\n\n<p>O paradigma RAG \u00e9 um exemplo b\u00e1sico de como os modelos realizam um &#8220;fan out&#8221; intencional em fontes de conhecimento externas. Em vez de depender apenas do conhecimento param\u00e9trico &#8220;congelado&#8221; em seu treinamento, os LLMs &#8220;recuperam&#8221; informa\u00e7\u00f5es relevantes de um corpus externo (seja atrav\u00e9s de um mecanismo de busca ou varrendo um Grafo de Conhecimento) e as utilizam como contexto para gerar as respostas.<\/p>\n\n\n\n<p>Esse processo traz in\u00fameras vantagens, entre elas:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Redu\u00e7\u00e3o de alucina\u00e7\u00f5es:<\/strong> essa abordagem mitiga o problema da &#8220;alucina\u00e7\u00e3o&#8221; (gera\u00e7\u00e3o de informa\u00e7\u00f5es falsas ou n\u00e3o verific\u00e1veis) ao aterrar a resposta em fatos recuperados. A capacidade de fazer um &#8220;fan out&#8221; em uma busca mais ampla de documentos que sejam relevantes permite que o modelo forne\u00e7a respostas mais factuais e confi\u00e1veis.<\/li>\n\n\n\n<li><strong>Dados e diversidade:<\/strong> a qualidade e diversidade dos dados recuperados s\u00e3o um fator crucial para um bom desempenho do RAG. Considerando que o  sistema pode &#8220;ramificar&#8221; a recupera\u00e7\u00e3o e incluir documentos com &#8220;ru\u00eddo&#8221; ou informa\u00e7\u00f5es similares, temos um desafio enorme para os LLMs em RAG. A modelagem de documentos longos e a compreens\u00e3o precisa de conceitos s\u00e3o \u00e1reas de melhoria cont\u00ednua para lidar com esse &#8220;fan out&#8221; de informa\u00e7\u00f5es.<\/li>\n<\/ul>\n\n\n\n<h4 class=\"wp-block-heading\">Traversal e extra\u00e7\u00e3o de subgrafos em Grafos de Conhecimento<\/h4>\n\n\n\n<p>Em um KG, uma consulta pode &#8220;ramificar-se&#8221; ou &#8220;espalhar-se&#8221; (<em>fan out<\/em>) ao longo das conex\u00f5es (arestas) para recuperar n\u00e3o apenas entidades diretas, mas tamb\u00e9m suas rela\u00e7\u00f5es e vizinhos. Isso \u00e9 o que torna os Grafos em ferramentas t\u00e3o poderosas para a recupera\u00e7\u00e3o de informa\u00e7\u00f5es contextuais e para a resposta a consultas mais complexas.<\/p>\n\n\n\n<p>Novamente vamos detalhar algumas aplica\u00e7\u00f5es:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Recupera\u00e7\u00e3o detalhada:<\/strong> em vez de uma busca por palavras-chave que apenas encontra n\u00f3s qualificados, uma consulta em um KG pode extrair subgrafos inteiros (Query Sub-graphs) que incluem n\u00e3o apenas o n\u00f3 de interesse, mas tamb\u00e9m seus triplos e os triplos de seus vizinhos at\u00e9 uma certa profundidade. Isso permite obter informa\u00e7\u00f5es associadas a m\u00faltiplos n\u00f3s, eliminando redund\u00e2ncias e aumentando a precis\u00e3o.<\/li>\n\n\n\n<li><strong>Otimiza\u00e7\u00e3o do input para LLMs:<\/strong> frameworks como o Auto-KGQA selecionam &#8220;fragmentos menores do Grafo&#8221; para servir como contexto para o modelo, o que \u00e9 uma forma de &#8220;fan out&#8221; controlado para reduzir o n\u00famero de tokens de entrada para o LLM, mantendo o desempenho.<\/li>\n\n\n\n<li><strong>Agentes de IA e Grafos:<\/strong> a capacidade dos modelos de converter linguagem natural em linguagens de consulta de grafo (como SPARQL ou Cypher) permite que agentes de IA  usem &#8220;fan out&#8221; em suas consultas em Grafos, aproveitando a estrutura para inferir e agregar dados, o que \u00e9 dif\u00edcil com texto n\u00e3o estruturado.<\/li>\n<\/ul>\n\n\n\n<h4 class=\"wp-block-heading\">Refinamento de ontologias e escopo da busca<\/h4>\n\n\n\n<p>O conceito de &#8220;<em>fan out<\/em>&#8221; tamb\u00e9m pode ser aplicado \u00e0 forma como navegamos e refinamos as ontologias para ajustar o escopo de uma busca. As ontologias fornecem uma estrutura hier\u00e1rquica (ex: <code>subClassOf<\/code>) que pode ser utilizada para &#8220;expandir&#8221; (<em>up-posting<\/em>) ou &#8220;reduzir&#8221; (<em>down-posting<\/em>) o escopo de uma consulta.<\/p>\n\n\n\n<p>Vamos novamente a alguns exemplos:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Up-posting e Down-posting:<\/strong> se uma consulta por &#8220;Oracle 8&#8221; n\u00e3o produz resultados, o sistema pode automaticamente &#8220;expandir&#8221; (<em>up-posting<\/em>) a consulta para um termo mais geral, como &#8220;database&#8221;, para encontrar mais informa\u00e7\u00f5es. Inversamente, pode-se &#8220;reduzir&#8221; (<em>down-posting<\/em>) a consulta para termos mais espec\u00edficos, como subconceitos de &#8220;Object-Oriented Programming Language&#8221;, para &#8220;Java&#8221;. Isso permite que os sistemas fa\u00e7am &#8220;<em>fan out<\/em>&#8221; ou &#8220;<em>fan in<\/em>&#8221; na consulta sem\u00e2ntica ao longo da hierarquia do conhecimento.<\/li>\n\n\n\n<li><strong>Otimiza\u00e7\u00e3o da usabilidade:<\/strong> isso melhora a usabilidade, permitindo que os usu\u00e1rios encontrem termos apropriados na ontologia, mesmo que n\u00e3o os conhe\u00e7am inicialmente.<\/li>\n<\/ul>\n\n\n\n<h3 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"aplicacoes_praticas\"><\/span>Aplica\u00e7\u00f5es pr\u00e1ticas<span class=\"ez-toc-section-end\"><\/span><\/h3>\n\n\n\n<p>Umas das perguntas que eu ouvi esses dias sobre esse assunto \u00e9: conseguimos aplicar esses conceitos na produ\u00e7\u00e3o de conte\u00fado? E nos projetos de SEO, fico me perguntando. <\/p>\n\n\n\n<p>Vamos ent\u00e3o a algumas ideias sobre como aplicar <em>fan-out<\/em> em nossos projetos?<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Projetos de SEO:<\/strong> em vez de apenas otimizar para palavras-chave exatas, compreenda as &#8220;redes&#8221; sem\u00e2nticas que as LLMs criam ao expandir as consultas. Construa seu conte\u00fado de forma que cubra um espectro mais amplo de termos e conceitos relacionados, antecipando o &#8220;<em>fan out<\/em>&#8221; de consultas dos usu\u00e1rios. No meu livro <a href=\"https:\/\/amzn.to\/3FNTx9t\" target=\"_blank\" data-type=\"link\" data-id=\"https:\/\/amzn.to\/3FNTx9t\" rel=\"noreferrer noopener\">SEO Sem\u00e2ntico: Fluxo de Trabalho Sem\u00e2ntico<\/a>, eu j\u00e1 falo bastante sobre isso.<\/li>\n\n\n\n<li><strong>Sistemas de Informa\u00e7\u00e3o:<\/strong> projetar sistemas que possam decompor consultas complexas e realizar buscas do tipo multi-hop em Grafos de Conhecimento. A integra\u00e7\u00e3o de LLMs para a reescrita de consultas e a curadoria de fragmentos do Grafo (como no <a href=\"https:\/\/github.com\/CaioViktor\/Auto-KGQA\" data-type=\"link\" data-id=\"https:\/\/github.com\/CaioViktor\/Auto-KGQA\" target=\"_blank\" rel=\"noreferrer noopener\">Auto-KGQA<\/a>) otimizar\u00e1 o desempenho e a relev\u00e2ncia das respostas, especialmente em bases de conhecimento espec\u00edficas de dom\u00ednio, como as que voc\u00ea pode encontrar em sa\u00fade ou finan\u00e7as. A capacidade de fazer &#8220;<em>fan out<\/em>&#8221; em busca de informa\u00e7\u00f5es relevantes (seja em texto ou KG) e de sumarizar resultados de forma naveg\u00e1vel \u00e9 um diferencial.<\/li>\n\n\n\n<li><strong>Cria\u00e7\u00e3o de agentes de Intelig\u00eancia Artificial:<\/strong> seus agentes de IA podem ser projetados para utilizar v\u00e1rios LLMs para planejar e executar buscas em etapas, &#8220;ramificando&#8221; para ferramentas externas (como Mecanismos de buscas para atualizar informa\u00e7\u00f5es ou grafos para fatos incrementados por dados estruturados) quando o conhecimento interno \u00e9 insuficiente ou pode levar a alucina\u00e7\u00f5es. A capacidade de fazer &#8220;<em>fan out<\/em>&#8221; para reunir evid\u00eancias de m\u00faltiplas fontes e integr\u00e1-las de forma coerente \u00e9 uma habilidade fundamental para agentes aut\u00f4nomos.<\/li>\n<\/ul>\n\n\n\n<p>Em suma, o &#8220;<em>Query Fan-Out<\/em>&#8220;, engloba a ideia da <strong>expans\u00e3o estrat\u00e9gica da busca, recupera\u00e7\u00e3o e gera\u00e7\u00e3o de informa\u00e7\u00f5es<\/strong>. Seja atrav\u00e9s da reescrita de consultas por LLMs, da explora\u00e7\u00e3o de rela\u00e7\u00f5es em Knowledge Graphs ou da orquestra\u00e7\u00e3o de buscas multi-hop, a capacidade de &#8220;ramificar&#8221; para obter informa\u00e7\u00f5es mais ricas e contextuais \u00e9 fundamental para construir sistemas de informa\u00e7\u00e3o e agentes de IA verdadeiramente inteligentes e confi\u00e1veis.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<p>Portanto, eu te convido a ler o artigo original do Andrea e testar a ferramenta dele. Siga as pessoas que s\u00e3o citadas aqui l\u00e1 no Linkedin e vamos conversando sobre esse assunto, que parece complexo, mas que na verdade nos trouxe mais certeza de que estamos no caminho certo.<\/p>\n\n\n\n<p><strong>Vamos nos falando!<\/strong><\/p>\n\n\n\n<h4 class=\"wp-block-heading\" id=\"references-\">Refer\u00eancias:<\/h4>\n\n\n\n<p>Para mais informa\u00e7\u00f5es sobre a evolu\u00e7\u00e3o do Modo IA do Google e suas implica\u00e7\u00f5es para pesquisa e SEO, consulte:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><a href=\"https:\/\/www.linkedin.com\/in\/gianlucafiorelli\/\" target=\"_blank\" rel=\"noopener\">Gianluca Fiorelli\u2019<\/a>s&nbsp;<a class=\"\" href=\"https:\/\/www.iloveseo.net\/why-ai-mode-will-replace-traditional-search-as-googles-default-interface\/\" target=\"_blank\" rel=\"noopener\">\u201cWhy AI Mode Will Replace Traditional Search as Google\u2019s Default Interface\u201d<\/a>&nbsp;on I Love SEO<\/li>\n\n\n\n<li><a href=\"https:\/\/www.linkedin.com\/in\/aleyda\/\" target=\"_blank\" rel=\"noopener\">Aleyda Sol\u00eds<\/a>\u2019s breakdown of the&nbsp;<a class=\"\" href=\"https:\/\/www.aleydasolis.com\/en\/ai-search\/google-query-fan-out\/\" target=\"_blank\" rel=\"noopener\">Query Fan-Out approach<\/a><\/li>\n\n\n\n<li><a href=\"https:\/\/www.linkedin.com\/in\/dennisgoedegebuure\/\" target=\"_blank\" rel=\"noopener\">Dennis Goedegebuure<\/a>\u2019s perspective on&nbsp;<a class=\"\" href=\"https:\/\/www.linkedin.com\/pulse\/why-seos-naturalborn-marketers-age-ai-dennis-goedegebuure-bslse\/\" target=\"_blank\" rel=\"noopener\">SEOs as natural-born marketers in the age of AI<\/a><\/li>\n\n\n\n<li><a href=\"https:\/\/www.linkedin.com\/in\/michaelkingphilly\/\" target=\"_blank\" rel=\"noopener\">Michael King<\/a>\u2019s in-depth analysis of the&nbsp;<a class=\"\" href=\"https:\/\/www.linkedin.com\/pulse\/breaking-down-ai-mode-patent-michael-king-izeve\/\" target=\"_blank\" rel=\"noopener\">AI Mode patent<\/a><\/li>\n\n\n\n<li>The official&nbsp;<a class=\"\" href=\"https:\/\/patents.google.com\/patent\/US20240289407A1\/en\" target=\"_blank\" rel=\"noopener\">patent document<\/a>&nbsp;for \u201cSearch with stateful chat\u201d (US20240289407A1)<\/li>\n\n\n\n<li>The&nbsp;<a href=\"https:\/\/patents.google.com\/patent\/WO2024064249A1\/en\" target=\"_blank\" rel=\"noopener\">WO2024064249A1 patent<\/a>&nbsp;\u201cSystems and methods for prompt-based query generation for diverse retrieval\u201d<\/li>\n\n\n\n<li>DAVIES, John; STUDER, Rudi; WARREN, Paul (Org.). <strong>Semantic Web Technologies<\/strong>: Trends and Research in Ontology-based Systems. [S. l.]: Wiley, 2006.<\/li>\n<\/ul>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<p><em>Conte\u00fado traduzido do artigo original escrito por Andrea Volpini em 26 de maio de 2025.<\/em><\/p>\n\n\n","protected":false},"excerpt":{"rendered":"<p>Esse texto vai ser uma tradu\u00e7\u00e3o, an\u00e1lise e coment\u00e1rios Sem\u00e2nticos do fenomenal trabalho coletivo, organizado pelo Andrea Volpini &#8220;Query Fan-Out: A Data-Driven Approach to AI Search Visibility&#8220;. O trabalho que gerou esse artigo e uma ferramenta incr\u00edvel foi sendo constru\u00eddo atrav\u00e9s da an\u00e1lise de muitos profissionais e nos trouxe um conceito que eu percebo que [&hellip;]<\/p>\n","protected":false},"author":2,"featured_media":8663,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"wl_entities_gutenberg":"","episode_type":"","audio_file":"","podmotor_file_id":"","podmotor_episode_id":"","cover_image":"","cover_image_id":"","duration":"","filesize":"","filesize_raw":"","date_recorded":"","explicit":"","block":"","itunes_episode_number":"","itunes_title":"","itunes_season_number":"","itunes_episode_type":"","footnotes":""},"categories":[639,2503,461],"tags":[],"wl_entity_type":[51],"series":[],"class_list":["post-8492","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-classificacao-facetada","category-pesquisas","category-seo-semantico","wl_entity_type-article"],"episode_featured_image":"https:\/\/semantico.com.br\/blog\/wp-content\/uploads\/2025\/06\/visibilidade-na-busca-por-IA.png","episode_player_image":"https:\/\/semantico.com.br\/blog\/wp-content\/uploads\/2026\/03\/Capa-podcast.png","download_link":"","player_link":"","audio_player":false,"episode_data":{"playerMode":"dark","subscribeUrls":{"apple_podcasts":{"key":"apple_podcasts","url":"","label":"Apple Podcasts","class":"apple_podcasts","icon":"apple-podcasts.png"},"google_podcasts":{"key":"google_podcasts","url":"","label":"Google Podcasts","class":"google_podcasts","icon":"google-podcasts.png"},"pocketcasts":{"key":"pocketcasts","url":"","label":"PocketCasts","class":"pocketcasts","icon":"pocketcasts.png"},"podbean":{"key":"podbean","url":"","label":"Podbean","class":"podbean","icon":"podbean.png"},"stitcher":{"key":"stitcher","url":"","label":"Stitcher","class":"stitcher","icon":"stitcher.png"},"iheartradio":{"key":"iheartradio","url":"","label":"iHeartRadio","class":"iheartradio","icon":"iheartradio.png"}},"rssFeedUrl":"https:\/\/semantico.com.br\/blog\/feed\/podcast\/seo-semantico-podcast","embedCode":"<blockquote class=\"wp-embedded-content\" data-secret=\"Hi4z0MRq8w\"><a href=\"https:\/\/semantico.com.br\/blog\/desdobramento-de-consultas-uma-abordagem-orientada-por-dados-para-a-visibilidade-na-busca-por-ia\/\">Desdobramento de consultas: uma abordagem orientada por dados para a visibilidade na busca por IA<\/a><\/blockquote><iframe sandbox=\"allow-scripts\" security=\"restricted\" src=\"https:\/\/semantico.com.br\/blog\/desdobramento-de-consultas-uma-abordagem-orientada-por-dados-para-a-visibilidade-na-busca-por-ia\/embed\/#?secret=Hi4z0MRq8w\" width=\"500\" height=\"350\" title=\"&#8220;Desdobramento de consultas: uma abordagem orientada por dados para a visibilidade na busca por IA&#8221; &#8212; Blog Sem\u00e2ntico\" data-secret=\"Hi4z0MRq8w\" frameborder=\"0\" marginwidth=\"0\" marginheight=\"0\" scrolling=\"no\" class=\"wp-embedded-content\"><\/iframe><script type=\"text\/javascript\">\n\/* <![CDATA[ *\/\n\/*! This file is auto-generated *\/\n!function(d,l){\"use strict\";l.querySelector&&d.addEventListener&&\"undefined\"!=typeof URL&&(d.wp=d.wp||{},d.wp.receiveEmbedMessage||(d.wp.receiveEmbedMessage=function(e){var t=e.data;if((t||t.secret||t.message||t.value)&&!\/[^a-zA-Z0-9]\/.test(t.secret)){for(var s,r,n,a=l.querySelectorAll('iframe[data-secret=\"'+t.secret+'\"]'),o=l.querySelectorAll('blockquote[data-secret=\"'+t.secret+'\"]'),c=new RegExp(\"^https?:$\",\"i\"),i=0;i<o.length;i++)o[i].style.display=\"none\";for(i=0;i<a.length;i++)s=a[i],e.source===s.contentWindow&&(s.removeAttribute(\"style\"),\"height\"===t.message?(1e3<(r=parseInt(t.value,10))?r=1e3:~~r<200&&(r=200),s.height=r):\"link\"===t.message&&(r=new URL(s.getAttribute(\"src\")),n=new URL(t.value),c.test(n.protocol))&&n.host===r.host&&l.activeElement===s&&(d.top.location.href=t.value))}},d.addEventListener(\"message\",d.wp.receiveEmbedMessage,!1),l.addEventListener(\"DOMContentLoaded\",function(){for(var e,t,s=l.querySelectorAll(\"iframe.wp-embedded-content\"),r=0;r<s.length;r++)(t=(e=s[r]).getAttribute(\"data-secret\"))||(t=Math.random().toString(36).substring(2,12),e.src+=\"#?secret=\"+t,e.setAttribute(\"data-secret\",t)),e.contentWindow.postMessage({message:\"ready\",secret:t},\"*\")},!1)))}(window,document);\n\/\/# sourceURL=https:\/\/semantico.com.br\/blog\/wp-includes\/js\/wp-embed.min.js\n\/* ]]> *\/\n<\/script>\n"},"_wl_alt_label":[],"wl:entity_url":"http:\/\/data.wordlift.io\/wl0221\/post\/desdobramento-de-consultas-uma-abordagem-orientada-por-dados-para-a-visibilidade-na-busca-por-ia","_links":{"self":[{"href":"https:\/\/semantico.com.br\/blog\/wp-json\/wp\/v2\/posts\/8492","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/semantico.com.br\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/semantico.com.br\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/semantico.com.br\/blog\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/semantico.com.br\/blog\/wp-json\/wp\/v2\/comments?post=8492"}],"version-history":[{"count":0,"href":"https:\/\/semantico.com.br\/blog\/wp-json\/wp\/v2\/posts\/8492\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/semantico.com.br\/blog\/wp-json\/wp\/v2\/media\/8663"}],"wp:attachment":[{"href":"https:\/\/semantico.com.br\/blog\/wp-json\/wp\/v2\/media?parent=8492"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/semantico.com.br\/blog\/wp-json\/wp\/v2\/categories?post=8492"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/semantico.com.br\/blog\/wp-json\/wp\/v2\/tags?post=8492"},{"taxonomy":"wl_entity_type","embeddable":true,"href":"https:\/\/semantico.com.br\/blog\/wp-json\/wp\/v2\/wl_entity_type?post=8492"},{"taxonomy":"series","embeddable":true,"href":"https:\/\/semantico.com.br\/blog\/wp-json\/wp\/v2\/series?post=8492"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}