Category-Conditioned Web Exposure Tracks Brand Presence in ChatGPT Fanout Queries

Quando você pede a uma inteligência artificial moderna e conectada à internet as melhores câmeras ou as principais ferramentas de gestão de projetos, a máquina não simplesmente varre a web e escolhe os primeiros resultados que encontra. Antes mesmo de olhar para uma única página da web, a IA escreve sua própria consulta de busca. Este primeiro rascunho, criado em uma fração de segundo, frequentemente inclui nomes de marcas específicas como Canon ou Sony. Isso acontece antes que qualquer humano ou computador tenha visto os resultados reais da busca. A máquina está, essencialmente, decidindo, antecipadamente, sobre quais empresas ela está disposta a falar. Essa decisão inicial é crucial porque o mecanismo de busca irá então procurar por páginas sobre essas marcas específicas, tornando-as muito mais propensas a aparecer na resposta final. Se uma marca é deixada de fora desse primeiro rascunho, ela é quase invisível, mesmo que a máquina saiba que a marca existe.

Isso levanta uma questão intrigante para quem tenta entender como esses sistemas funcionam: se a IA conhece uma marca, por que ela às vezes a deixa de fora desse primeiro rascunho? A máquina está esquecendo a marca ou está fazendo uma escolha deliberada? Um novo estudo do pesquisador independente Antony Deroshan investiga exatamente este momento de decisão. A pesquisa foca em um tipo específico de inteligência artificial que pode pesquisar na web, observando como ela escolhe quais nomes de empresas incluir em seu pedido de busca inicial. O estudo pergunta se a máquina está simplesmente inconsciente de certas marcas ou se está filtrando-as ativamente com base em alguma regra oculta. As descobertas sugerem que a máquina conhece perfeitamente as marcas, mas é forçada a deixá-las de fora porque possui um limite rigoroso de quantos nomes pode listar de uma só vez.

Para entender a mecânica disso, o pesquisador primeiro precisou separar o que a máquina sabe do que ela escolhe dizer. Ele perguntou à IA, com seu acesso à internet desligado, para listar as principais marcas em categorias como marketing de e-mail, software de atendimento ao cliente e câmeras. A máquina foi capaz de nomear muitas marcas, incluindo algumas que ela raramente menciona quando está realmente pesquisando na web. Por exemplo, quando questionada sobre quais marcas vinham à mente para marketing de e-mail, a máquina nomeou "Campaign Monitor" em 49 de 50 tentativas. No entanto, quando a mesma máquina foi solicitada a realizar uma busca ao vivo pelas melhores ferramentas de marketing de e-mail, ela incluiu a "Campaign Monitor" na consulta de busca inicial apenas uma vez em 50 vezes. A máquina claramente conhecia a marca, mas consistentemente a omitia do pedido de busca. Essa lacuna entre conhecimento e ação provou que a omissão não era uma falha de memória.

O pesquisador então construiu uma simulação para descobrir por que isso acontecia. Ele criou uma versão da IA que podia escrever consultas de busca, mas não tinha permissão para procurar quaisquer sites reais. Ele testou esse simulador pedindo que ele listasse marcas sob diferentes restrições. Quando ele disse ao simulador para escrever uma consulta muito curta, o simulador descartava as mesmas marcas que a máquina real descartava. Mas quando ele disse ao simulador para listar o maior número possível de marcas, ele incluía todas elas, inclusive aquelas que eram normalmente deixadas de fora. Isso revelou que a máquina não está excluindo marcas porque não gosta delas ou não as conhece; ela as está excluindo porque tem um orçamento apertado de quantos nomes consegue caber em uma única frase. A máquina é essencialmente um bibliotecário com uma lista muito curta para escrever. Se a lista puder conter apenas três nomes, ela escolherá os três principais, e a quarta melhor marca, não importa o quão famosa seja, ficará totalmente de fora da lista.

O estudo também observou o que determina quais marcas fazem essa lista curta. O pesquisador encontrou uma forte conexão entre a frequência com que uma marca aparece na internet em relação à sua categoria específica e o quão alto ela ranqueia na lista interna da máquina. Por exemplo, se uma marca de câmeras é mencionada frequentemente em sites que também falam sobre câmeras, é mais provável que ela seja incluída na consulta de busca. No entanto, isso só funciona se a contagem for específica para a categoria. Uma empresa que fabrica muitos produtos diferentes, como uma gigante da tecnologia que vende câmeras, telefones e computadores, pode aparecer em milhões de sites. Se você contar cada menção individual, essa empresa pode parecer a marca de câmeras mais popular. Mas se você contar apenas os sites que especificamente mencionam câmeras, uma marca diferente pode ser, de fato, mais proeminente. O estudo mostrou que a máquina presta atenção a essa popularidade específica, focada na categoria. Ela classifica as marcas com base em quão visíveis elas são dentro de seu campo específico, não apenas o quão famosas a empresa é em geral.

Para testar se esse padrão se mantinha para novas categorias, o pesquisador aplicou o mesmo método a softwares de assinatura eletrônica, um grupo de marcas que ele não havia estudado antes. Ele mediu a frequência com que cada marca aparecia em sites relacionados à assinatura de documentos e comparou isso com a frequência com que a máquina as incluía em suas listas de busca simuladas. Os resultados coincidiram quase perfeitamente. As marcas que apareciam com mais frequência em sites relevantes foram as que a máquina escolheu incluir em sua lista curta. Isso sugere que o ranking interno da máquina está profundamente ligado a como as marcas são representadas na web, especificamente no contexto da pergunta que está sendo feita. A máquina não está inventando essas preferências; ela está refletindo a estrutura da informação que aprendeu com a internet.

A pesquisa também descartou outras explicações possíveis. Testou se a máquina simplesmente preferia certas marcas em relação a outras ao ler textos, independentemente da consulta de busca. Em um teste, a máquina recebeu três descrições idênticas de uma empresa fictícia, com apenas o nome da marca alterado. Ela consistentemente escolheu uma marca sobre as outras, mostrando uma leve preferência. No entanto, essa preferência não correspondia às marcas que ela escolhia para suas consultas de busca. A máquina pode gostar de uma marca ao ler uma descrição, mas escolhe marcas diferentes ao decidir o que pesquisar. Isso prova que a decisão de incluir uma marca em uma consulta de busca é um processo separado de simplesmente gostar de um nome de marca. O estudo também verificou se remover sites de baixa qualidade ou duplicados alteraria os resultados. Não alterou. A conexão entre a visibilidade na web e as escolhas da máquina permanuiu forte mesmo após a limpeza dos dados.

No fim, o estudo pinta um quadro claro de como essas máquinas habilitadas para busca operam. Elas não são geradores de texto aleatórios, nem são simples mecanismos de busca que listam tudo o que encontram. São sistemas que fazem uma série de escolhas limitadas. Elas conhecem uma vasta quantidade de informações, mas quando precisam fazer uma pergunta à internet, devem comprimir esse conhecimento em uma lista muito curta. As marcas que conseguem entrar são aquelas que não são apenas conhecidas, mas que também são altamente visíveis no contexto específico da pergunta. Para uma marca ser vista por esses sistemas, não basta apenas existir; ela deve ser proeminente nas conversas certas. O primeiro rascunho da máquina é um porteiro, e a chave para passar por esse portão não é apenas ser famoso, mas ser a opção mais relevante para o tópico específico em questão. Esse insight muda a forma como devemos pensar sobre a visibilidade na era da inteligência artificial, deslocando o foco de simplesmente estar presente online para estar claramente e especificamente associado às perguntas que as pessoas estão fazendo.