Fundamentos de LLM · Ciência de Mercado em GEO · Negócio no Mapa
Como uma IA sabe que você existe? O mecanismo real, não a especulação
Há poucas páginas nesta série, rejeitei uma hipótese sem fonte sobre “peso de citação virando conhecimento de IA”. A pesquisa técnica mais recente mostra que existe, sim, um mecanismo real por trás disso — só que mais preciso, mais estranho, e mais acionável do que a especulação original.
Na página sobre Citation Half-Life desta série, encontrei o “Paradoxo de Raphael” — a ideia de que frequência de citação de um nome ao longo dos anos “se consolida nos pesos do modelo” — e marquei como hipótese não testada, sem fonte real. A pesquisa desta página encontrou trabalho acadêmico recente que testa exatamente esse tipo de mecanismo, com metodologia controlada. Não valida o “Paradoxo” como formulado — mas mostra que a pergunta de fundo tem resposta científica real, e ela é mais interessante do que a especulação.
Duas formas de “existir” para uma IA — e elas não são a mesma coisa
Você virou peso do modelo
Informação absorvida durante o treinamento, congelada no momento do corte de dado. Não muda entre uma pergunta e outra — é literalmente parte da estrutura interna do modelo.
Você foi encontrado agora
O sistema busca ao vivo (RAG, busca web, índice próprio) e traz seu conteúdo pro contexto da resposta. Já detalhamos essa camada nas páginas de infraestrutura e do índice do ChatGPT desta série.
A pergunta “como a IA sabe que existo” é, na verdade, duas perguntas diferentes — e a pesquisa mais nova mostra que elas interagem de um jeito que a maioria do mercado de GEO não discute.
O mecanismo real do conhecimento paramétrico: frequência, e um detalhe estranho
He et al. (Oxford, Cambridge, LMU, Bosch, Meta, Manchester — arXiv:2503.22362) usaram o OLMo, uma das poucas famílias de modelo com dado de treino totalmente aberto, indexando o dataset Dolma pra medir frequência real de entidade, cruzado com triplas do Wikidata5M. O achado central: existe assimetria no reconhecimento de fatos logicamente equivalentes, dependendo de qual entidade é o sujeito e qual é o objeto da frase.
O padrão se inverte quando a frequência é baixa-para-alta, e desaparece quando as duas entidades são igualmente frequentes. Isso significa que a posição gramatical em que sua marca aparece nos dados de treino importa — não só quantas vezes ela aparece.
Frequência de treino também prediz o quanto o modelo “confia” no que já sabe
Estudo com os modelos Pythia, cruzando o dataset Pile, mediu correlação entre frequência de co-ocorrência de entidade-resposta (numa janela de 50 palavras) e a “suscetibilidade” do modelo — quão fácil é fazer ele mudar de ideia quando um contexto novo contradiz o que já sabia. Correlação significativa (Spearman ρ = -0,23): quanto mais frequente a entidade no treino, menor a suscetibilidade — o modelo resiste mais a ser convencido do contrário.
Um proxy melhor que contar menção: grau no grafo de conhecimento
O mesmo estudo aponta que contar co-ocorrência em texto bruto é caro e impreciso — o grau da
entidade num grafo de conhecimento (quantas relações diferentes ela tem registradas, ex. no
Wikidata) é alternativa mais precisa e barata de medir a mesma coisa. Isso conecta direto com o que já
estabelecemos sobre sameAs e entidade estruturada nesta série — não é só sinal de
identidade, é proxy mensurável de familiaridade do próprio modelo.
NanoKnow: conhecimento paramétrico e busca não competem — se somam
Um estudo da Universidade de Waterloo usou o nanochat — outra família de modelo com dado de treino público — pra separar, com precisão, perguntas cuja resposta estava ou não nos dados de treino. Quatro achados diretos:
O achado 3 é o mais importante pra GEO: ser recuperável (bom GEO técnico) e ser “conhecido” (presença consolidada em dado de treino) não são substitutos — são complementares. Uma marca que só existe via busca ao vivo, sem nunca ter entrado em corpus de treino relevante, está numa posição mais frágil do que uma marca com as duas camadas.
O limite honesto desta pesquisa
Todos os estudos citados usam modelo de treino aberto (OLMo, Pythia, nanochat) — pequenos e transparentes por desenho, exatamente para permitir esse tipo de medição. Nenhum resultado foi replicado, até onde a pesquisa localizou, em modelo fechado de escala de produção (GPT, Gemini, Claude) com o mesmo nível de controle experimental. A direção do efeito é bem fundamentada; a magnitude exata em modelo de produção permanece inferência razoável, não medição direta.
O que fazer com esse mecanismo
- 01 Escreva sua marca como sujeito ativo da frase, não só como objeto de outra entidade — a assimetria sujeito-objeto sugere que isso muda reconhecimento, não é só estilo de escrita.
- 02 Aumente o grau da sua entidade no grafo de conhecimento, não só a contagem de menção — mais relações estruturadas (Wikidata, sameAs, schema) é proxy mais barato e mais forte que volume de texto.
- 03 Não trate GEO técnico (recuperação) como substituto de presença consolidada (parâmetro). As duas camadas se reforçam; nenhuma sozinha é suficiente segundo o NanoKnow.
- 04 Trate qualquer estimativa de magnitude em modelo de produção como inferência, não medição. A pesquisa de base é em modelo aberto pequeno — a direção vale, o número exato não foi testado no que você usa de verdade.
A resposta honesta pra “como a IA sabe que você existe”: frequência de menção importa, mas não sozinha — a posição gramatical em que você aparece, o grau da sua entidade num grafo estruturado, e se você soma presença paramétrica com boa recuperação técnica formam, juntos, o mecanismo real. Nenhum atalho único resolve isso — é engenharia em camadas, não truque isolado.
Fontes: He, Y. et al., “Supposedly Equivalent Facts That Aren’t? Entity Frequency in Pre-training Induces Asymmetry in LLMs” (Oxford/Cambridge/LMU/Bosch/Meta/Manchester, arXiv:2503.22362); “Context versus Prior Knowledge in Language Models” (arXiv:2404.04633), modelos Pythia e dataset Pile; Gu, L., Jedidi, N., Lin, J., “NanoKnow: How to Know What Your Language Model Knows” (Universidade de Waterloo, arXiv:2602.20122); “LLMAEL: Large Language Models are Good Context Augmenters for Entity Linking” (arXiv:2407.04020), sobre entidade de cauda longa. Consultado e verificado em 20 de agosto de 2026.