RAG e SEO na prática da recuperação por passagem

Onde o RAG encontra o SEO?

O RAG, descrito por Patrick Lewis e coautores em 2020, gera texto a partir de passagens recuperadas de um índice externo. No artigo original, o índice era um conjunto vetorial da Wikipédia consultado por um recuperador neural. Nas superfícies de busca com IA, o índice é a web, ou uma fatia dela. A definição curta do mecanismo está no verbete de RAG da agência; aqui interessa o encaixe com o trabalho de SEO.

O encaixe ficou documentado. O guia de IA generativa do Google Search Central, atualizado em julho de 2026, descreve o RAG das AI Overviews e do AI Mode como grounding. Os sistemas centrais de ranking recuperam páginas do índice da Busca, e o modelo escreve a resposta a partir delas, com links para as fontes. O mesmo guia diz que, na visão do Google, otimizar para busca generativa continua sendo SEO.

As etapas do pipeline e o que o SEO controla

O pipeline de RAG em busca tem quatro etapas, e o SEO pesa mais nas duas primeiras. A tabela resume onde cada decisão técnica entra.

O guia do Google fixa a porta de entrada. Para aparecer em AI Overviews e AI Mode, a página precisa estar indexada e apta a ser exibida na Busca com snippet. Uma diretiva nosnippet ou uma página fora do índice encerra o assunto antes de qualquer discussão sobre conteúdo.

O que a Anthropic mediu sobre contexto no trecho?

A Anthropic publicou em setembro de 2024 um teste que mostra bem por que um trecho sem contexto se perde na recuperação. Em RAG tradicional, o documento é quebrado em pedaços de algumas centenas de tokens, e cada pedaço vira um vetor. O exemplo do próprio texto é uma frase sobre receita que cresceu 3% no trimestre sem dizer qual empresa nem qual período. Isolada, ela não casa com a pergunta certa.

A técnica testada, Contextual Retrieval, acrescenta a cada trecho de 50 a 100 tokens de contexto antes de gerar o vetor e o índice BM25. O resultado, medido como falha de recuperação entre os 20 primeiros trechos:

O resultado, medido como falha de recuperação entre os 20 primeiros trechos:

Lucas Ferraz, especialista em SEO

• Só embeddings contextuais: falhas caíram 35%, de 5,7% para 3,7%.
• Embeddings e BM25 contextuais: queda de 49%, para 2,9%.
• Com reranking somado: queda de 67%, para 1,9%.

O teste roda sobre bases de conhecimento, e não sobre a busca aberta. A leitura que levo para o texto de site é de direção. O trecho que já traz a entidade, o período e o número dispensa o contexto que o sistema teria de adivinhar.

Por que o Google diz para não fatiar o texto?

O mesmo guia do Google que documenta o RAG diz que não é preciso quebrar o conteúdo em pedaços pequenos para a IA. Os sistemas entendem uma página com vários tópicos e mostram a parte relevante. As duas ideias convivem. O corte em trechos é feito pelo sistema, e o trabalho de quem escreve é garantir que cada bloco continue verdadeiro e completo depois do corte, em prosa normal, sem versão paralela para máquina. Detalhei esse ponto em chunking de conteúdo para IA.

O guia também afasta a ideia de escrever uma página para cada variação de pergunta ou de subconsulta do fan-out. Produzir páginas em escala para manipular respostas geradas entra na política de abuso de conteúdo em escala. A cobertura das subintenções cabe melhor em seções de uma página forte do que em dezenas de páginas rasas.

Como eu testo a recuperação de uma página?

A recuperação só se prova quando a URL aparece entre as fontes da resposta, e por isso meço em rodadas datadas. Repito as mesmas perguntas em cada superfície, em conversa isolada, e anoto quais URLs foram citadas. Uma execução só engana, porque o query fan-out muda a cada execução, e as superfícies discordam entre si sobre quem citar.

No lado do Google, cruzo as rodadas com o relatório de desempenho de IA generativa do Search Console. No estudo com DOI sobre quatro sites de pequenas empresas, a IA do Google expôs sobretudo páginas informacionais, de 74% a 94% das impressões conforme o site. Esse tipo de achado só aparece quando a medição separa superfície e tipo de página.

Nos dois sites que mantenho, a camada de leitura para agentes inclui uma versão em Markdown de cada página, em /md/ e por Accept: text/markdown. O Google diz que a Busca não usa arquivos ou Markdown especiais, então trato essa camada como conveniência para agentes e ferramentas, sem expectativa de efeito no ranking nem na recuperação do AI Mode.