llms.txt, chunking e densidade de entidades: a infraestrutura real por trás da citação em IA

O mito do llms.txt, resolvido com dado de servidor

llms.txt é um arquivo de texto na raiz do domínio, proposto como um “robots.txt para IA”: uma lista curada do que o site considera mais importante. A ideia pegou rápido — e os dados de log de maio de 2026 mostram por que a adoção não é o mesmo que efeito.

A explicação é estrutural: robôs como GPTBot, ClaudeBot e PerplexityBot continuam fazendo scraping tradicional do HTML renderizado — eles não estão procurando um arquivo secundário isolado na raiz do domínio. O Google já afirmou publicamente, em documentação de otimização para IA de maio de 2026, que llms.txt, chunking especial de conteúdo e schema dedicado não são necessários para visibilidade em seus recursos generativos.

Query fan-out: seu conteúdo não compete pela pergunta do usuário

Antes de citar qualquer fonte, o modelo decompõe o prompt original em várias sub-consultas simultâneas — um processo que o Google nomeou de query fan-out. A escala varia muito por modelo: um modelo “instantâneo” pode disparar uma única consulta, enquanto um modelo em modo de raciocínio profundo chega a rodar mais de oito, em duas fases — primeiro consultas restritas ao domínio da marca, depois validação cruzada em plataformas de review.

Isso muda o alvo de otimização: sua página não precisa rankear para a pergunta que o usuário digitou. Precisa rankear para a sub-consulta que o modelo gera internamente — que muitas vezes é mais específica e comparativa do que a pergunta original.

Você compete no nível do parágrafo, não da página

O modelo não lê a página inteira. Ele processa o conteúdo recuperado em três etapas: chunking (divisão em passagens semanticamente coerentes), embedding (transformação em vetores) e dense retrieval (busca por similaridade entre esses vetores). Uma citação sobrevive a cada uma dessas etapas — decomposição da consulta, ranking de busca, extração do chunk, similaridade de embedding e pontuação de relevância — antes de aparecer na resposta final.

Na prática: se a seção de preços da sua página está enterrada sob dois mil palavras de texto institucional, o chunk relevante pode nunca sobreviver ao pipeline — mesmo que a página inteira rankeie bem no Google.

O que texto muito citado tem em comum

Reddit não é um número único — varia por plataforma

Um erro comum é citar “participação do Reddit nas citações de IA” como se fosse uma constante. Não é:

A implicação prática: uma estratégia de presença em comunidade que funciona para visibilidade no Google AI Overviews pode ser quase irrelevante para o ChatGPT — e vice-versa. Medir “citação por IA” sem separar por plataforma esconde justamente a informação mais decisória.

O limite que todo esse pipeline tem: a citação nem sempre sustenta a afirmação

Mesmo quando um modelo cita uma fonte real, isso não garante que a afirmação esteja de fato apoiada por ela. Um estudo publicado na Nature Communications avaliando sete modelos em oito mil perguntas médicas e 58 mil pares afirmação-fonte encontrou algo relevante: entre 50% e 90% das respostas não são totalmente sustentadas pelas fontes citadas — mesmo em modelos com RAG habilitado, cerca de 30% das afirmações individuais ficam sem apoio real na fonte.

O que priorizar com esse mapa

• 01 Não gaste orçamento tratando llms.txt como fator de ranking. Publique se fizer sentido para agentes/API, mas não espere efeito em citação de busca por IA.
• 02 Estruture cada seção como unidade autocontida. Cada H2 precisa responder algo completo por si só — é a unidade que compete no pipeline de chunking.
• 03 Escreva com densidade de entidade, não com volume. Números, nomes próprios, dados verificáveis por frase — não parágrafos de contexto antes do fato.
• 04 Trate cada plataforma de IA como canal separado. O que funciona para o Google AI Overviews não necessariamente funciona para o ChatGPT — meça por plataforma, não em agregado.