Antes de qualquer página ser aberta, o ChatGPT já escreveu para si mesmo uma lista de nomes. Foi isso que Suganthan Mohanadasan, consultor de busca baseado em Dubai, encontrou ao capturar o tráfego de rede de 57 conversas reais no assistente, mapeando 3.554 páginas recuperadas: na maior parte dos casos, a primeira busca que o próprio modelo gerou já continha marcas que o usuário nunca tinha mencionado.
E este achado incomoda, porque contraria uma premissa comum entre quem trabalha com GEO hoje: a de que aparecer na resposta final depende, acima de tudo, do que o modelo encontra ao buscar na web.
Os dados de Mohanadasan sugerem que parte da disputa já está definida antes disso, o que nos convida a ampliar o olhar para a importância das marcas aparecerem ainda no momento de treinamento destas IAs. Para entender o desenrolar do estudo e como ele afeta sua estratégia de GEO, acompanhe abaixo.
O experimento que capturou o ChatGPT escrevendo sua própria shortlist
Mohanadasan analisou a chave JSON que carrega as buscas que o ChatGPT gera para si mesmo antes de consultar qualquer página, renomeada de “search_model_queries” para “search_queries” no início de agosto de 2026. O procedimento de captura roda no DevTools do navegador, na própria conta, mas os resultados variam conforme personalização e histórico de cada usuário.
O teste central usou 27 conversas, com 12 categorias de consulta novas mais três repetições. Em uma delas, a pergunta era sobre o melhor aplicativo de anotações com IA, sem citar nenhuma marca. Antes de abrir qualquer site, o ChatGPT já tinha buscado por Granola, Notion AI, Otter, Fireflies, Fathom, Mem e Limitless.
O escopo do grupo de estudo do artigo é limitado, e o próprio autor destaca isso. Mas a escala do ChatGPT (que havia ultrapassado 900 milhões de usuários ativos semanais em fevereiro de 2026, e cruzou a marca de 1 bilhão de usuários semanais em agosto do mesmo ano) torna qualquer viés embutido na primeira busca do modelo um fator relevante, que merece ser olhado com atenção.
Marcas citadas na busca interna do modelo têm 33 vezes mais chance de aparecer na resposta
O número central do estudo é direto. Marcas presentes na primeira busca que o próprio ChatGPT escreveu chegaram à resposta final em 68,9% dos casos, num grupo de 119 marcas. Marcas apenas recuperadas ao longo da conversa, sem nunca aparecer em nenhuma query, chegaram à resposta final em só 2,1% dos casos, num grupo de 515 marcas.
A diferença equivale a 33 vezes. O estudo também registrou 86 casos em que uma marca foi recomendada sem que o site dela tivesse sido buscado naquela conversa: presença na resposta final não depende necessariamente de rastreamento de página.
O que essa “busca interna” revela sobre a memória do modelo
A leitura dos dados sugere que a primeira busca feita pelo operador reflete o que o modelo já associa àquela pergunta a partir do próprio treinamento, antes de qualquer recuperação de página acontecer.
Esta hipótese ainda não foi confirmada de forma independente pelo próprio estudo de Mohanadasan, mas já vem sendo apontada por outros analistas da comunidade, como a AYAN, que descreve o mesmo mecanismo de memória paramétrica formada no treinamento, e um levantamento independente da Refinea, que mediu estatisticamente esse efeito em respostas do Gemini.
Ela reforça também o peso estratégico que pode haver quando as marcas conseguem ter o seu material utilizado para estudo e treinamento dos modelos de IA.
A citação de páginas recuperadas segue sendo rara e cai com a posição
O segundo filtro do estudo é mais severo que o primeiro. Das 3.554 páginas recuperadas ao longo das 57 conversas analisadas, apenas 110 foram citadas na resposta final, uma taxa de 3,1%.
A chance de citação cai conforme a posição do resultado dentro de um grupo de domínio: 5,2% para o primeiro colocado, 4,6% para o segundo, 2,4% para o terceiro, 1,7% para o quarto, 0,6% para o quinto, e 0,3% do sexto em diante.
E para nossa conversa vale separar dois conceitos que costumam ser tratados como sinônimos: citação e tráfego. Um levantamento da Similarweb já mostrou um descompasso entre citação e tráfego de IA, reforçando que aparecer numa resposta gerada não garante visita real ao site.
Os limites do estudo
Vamos ressaltar aqui: a amostra deste estudo é pequena e concentrada. O autor usou uma única conta ChatGPT Plus, logada em Dubai, entre 24 e 25 de julho de 2026, com forte presença de consultas sobre software e ferramentas de IA. O próprio Mohanadasan classificou os percentuais como direcionais, não definitivos, e pede replicação com múltiplas contas antes de tratá-los como regra fixa do sistema.
Mas, nem tudo pesa contra a credibilidade do estudo. Uma segunda matéria da própria Search Engine Journal, assinada por Lily Ray, também analisou o comportamento das consultas fan-out do ChatGPT e discutiu os achados de Mohanadasan alguns dias depois. Além disso, o mecanismo em si, o modelo escrevendo nomes de marca na própria busca antes de consultar qualquer página, também é verificável por qualquer pessoa no DevTools do navegador, o que torna a pesquisa de Mohanadasan checável.
O que muda para quem estrutura estratégia de GEO
Se estiver correta a hipótese de que a memória inicial do modelo favorece certas marcas, ela abre uma porta que a maior parte do mercado de GEO ainda não está olhando. A questão deixa de ser só como aparecer melhor numa busca feita agora e passa a incluir como se tornar parte do material que treina a próxima versão do modelo.
Isso muda o horizonte de tempo do investimento. Otimizar uma página para ser recuperada hoje mira no segundo filtro do estudo (aquele com taxa de citação de 3,1%), mas construir presença consistente em fóruns, portais de comparação, imprensa especializada e avaliações de usuários pode contribuir para o primeiro filtro, aquele que, segundo a hipótese, molda a memória que o modelo já carrega antes de abrir qualquer página.
Vale marcar o limite dessa leitura: o estudo de Mohanadasan não testa como o treinamento incorpora esse tipo de menção, nem quanto peso cada fonte carrega nesse processo. É uma extrapolação plausível a partir do achado, não uma conclusão do próprio estudo, e é um terreno que muda a cada novo ciclo de treinamento dos grandes modelos.
Ainda assim, é uma mudança de mentalidade que vale carregar daqui para frente: menções de marca em lugares que não pertencem à própria empresa podem valer tanto quanto o site otimizado, porque nem toda influência sobre uma IA acontece no momento da busca.
Separar o que já é evidência do que ainda é hipótese, sinal por sinal, é o tipo de trabalho que a EducaSEO faz todo mês para quem constrói estratégia de GEO com dados, não com achismo. Continue acompanhando o blog e faça parte da maior comunidade de SEO e GEO do Brasil.
Referências
- Suganthan.com. ChatGPT Already Knows Who’s In The Running Before It Searches. Disponível em: https://suganthan.com/blog/chatgpt-decides-before-it-searches/
- Search Engine Journal. ChatGPT Already Knows Who’s In The Running Before It Searches. Disponível em: https://www.searchenginejournal.com/chatgpt-already-knows-who-itll-recommend-before-it-searches/585162/
- Search Engine Journal. What We Can Learn From Evolving ChatGPT Fan-Out Queries. Disponível em: https://www.searchenginejournal.com/what-we-can-learn-from-evolving-chatgpt-fan-out-queries/586254/
- Suganthan Mohanadasan no LinkedIn. Anúncio do estudo com o resumo dos achados. Disponível em: https://www.linkedin.com/posts/suganthan-mohanadasan_a-few-days-ago-i-posted-chatgpt-naming-its-activity-7492513393988231168-zx5Q
- PPC Land. Brands named in ChatGPT’s own query win mentions 33x more often. Disponível em: https://ppc.land/brands-named-in-chatgpts-own-query-win-mentions-33x-more-often/
- Relevant Audience. ChatGPT picks brands before it searches. Disponível em: https://www.relevantaudience.com/en/geo/chatgpt-picks-brands-before-it-searches
- AYAN Labs. How LLMs “Choose” Which Brands to Cite. Disponível em: https://ayanlabs.ai/blog/how-llms-choose-which-brands-to-cite
- Refinea. When an LLM Cites a Brand, Where Does It Come From? An Analysis of 21,170 Grounded Answers. Disponível em: https://refinea.io/blog/brand-citation-vs-source-citation-gemini-study-2026
