Embeddings e busca semântica em SEO na prática

Como um embedding representa uma passagem?

Um embedding é um vetor de números que representa o significado de um texto, e a busca semântica compara esses vetores em vez de comparar palavras. O modelo lê a frase inteira e devolve uma lista de centenas de valores. Textos com sentido parecido caem perto um do outro nesse espaço, mesmo sem vocabulário em comum. A medida mais usada de proximidade é a similaridade de cosseno, que olha o ângulo entre dois vetores e ignora o tamanho deles.

Na prática de busca, a consulta vira um vetor, cada passagem indexada já tem o seu, e o sistema devolve as passagens mais próximas. "Quanto custa migrar um site" e "preço de migração de domínio" ficam vizinhas sem repetir termo algum.

O que o Google documenta sobre significado e sinônimo?

O Google descreve em público uma sequência de sistemas de linguagem que tiraram da palavra exata o papel de condição. A tabela junta o que a empresa afirmou em cada anúncio.

O texto de 2022 sobre esses sistemas chama o neural matching de motor de recuperação. É a descrição mais próxima de busca densa que o Google publicou para a Busca. O guia de 2026 fecha o ciclo com uma instrução direta: não escrever de um jeito especial para a IA, porque ela conecta a pessoa a conteúdo que não usa as mesmas palavras.

O guia de 2026 fecha o ciclo com uma instrução direta: não escrever de um jeito especial para a IA, porque ela conecta a pessoa a conteúdo que não usa as mesmas palavras.

Lucas Ferraz, especialista em SEO

Por que a repetição exata perdeu peso e o termo exato ficou?

A busca densa premia proximidade de significado, e a busca lexical continua no mesmo pipeline para o que o vetor erra. No artigo Dense Passage Retrieval, de 2020, um recuperador treinado com vetores superou o BM25 do Lucene por 9 a 19 pontos percentuais na taxa de acerto dos 20 primeiros trechos. O ganho veio de perguntas cuja resposta usava outras palavras.

O limite aparece do outro lado. A Anthropic mostra que um embedding pode achar textos sobre códigos de erro em geral e perder o código exato que o usuário digitou, caso em que o BM25 acerta. Por isso a recomendação dela é híbrida, com os dois sinais fundidos. Para quem escreve, a divisão prática é:

• Termo exato em título, H1, heading e em identificadores como nomes de produto, siglas e números de norma;
• Variação natural no corpo, com sinônimos, paráfrases e as subintenções que a consulta carrega;
• Densidade como teto, porque repetir o termo depois do casamento lexical não aproxima o vetor da intenção.

Como uso similaridade de cosseno em auditoria de conteúdo?

A similaridade de cosseno serve de régua interna para ver quais blocos de uma página estão longe da intenção que ela disputa. O teste que uso compara a consulta-alvo com cada bloco H2 da página e com os blocos equivalentes dos concorrentes, sempre com o mesmo modelo.

from sentence_transformers import SentenceTransformer, util

modelo = SentenceTransformer("paraphrase-multilingual-MiniLM-L12-v2")
consulta = "embeddings e busca semântica em SEO"
blocos = {
    "h2-1": "texto do primeiro bloco",
    "h2-2": "texto do segundo bloco",
}
q = modelo.encode(consulta, normalize_embeddings=True)
for nome, texto in blocos.items():
    v = modelo.encode(texto, normalize_embeddings=True)
    print(nome, round(float(util.cos_sim(q, v)), 3))

Leio o resultado em ordem, nunca como nota absoluta. Bloco com valor muito abaixo dos outros costuma ser desvio de assunto. Duas páginas do mesmo site com valores altos e parecidos para a mesma consulta indicam risco de canibalização. Bloco quase idêntico ao do concorrente sinaliza texto sem ganho de informação, tema do post sobre information gain em SEO.

A calculadora de similaridade de cosseno da agência faz a versão lexical dessa comparação, entre dois textos colados ou duas URLs, sem modelo de linguagem. Ela devolve três números lado a lado, o cosseno por frequência de termo, o cosseno TF-IDF e o Jaccard de trechos de 8 palavras. Rodo esse trio antes do teste com embeddings, porque a tabela de termos mostra o vocabulário que aproxima as duas páginas e o Jaccard acusa a cópia literal, que o vetor denso não separa de uma paráfrase.

O limite do que o vetor explica

O vetor de um modelo aberto é uma aproximação, e o ranking real combina muitos sistemas que ninguém fora do Google enxerga. O próprio guia de 2026 alerta que nenhuma ferramenta de terceiros tem acesso aos sistemas internos de ranking. Uso o cosseno para decidir revisão de texto, e a decisão final vem de medição: posição, relatório do Search Console e rodadas datadas nas IAs.

O mesmo mecanismo explica o lado de negócio que a agência trata no texto sobre a escolha de empresas pela IA. A passagem que responde à intenção exata fica mais perto da pergunta no espaço vetorial. O pipeline completo, da recuperação à citação, está em RAG e SEO.