Quando um assistente de IA recomenda um produto, ele usa conhecimento paramétrico (o que ficou gravado nos pesos do modelo durante o treinamento) ou recuperação (páginas e dados buscados no momento da pergunta). Quase sempre há uma mistura dos dois. Distinguir os caminhos explica por que a mesma pergunta rende respostas tão diferentes.
O que significa "conhecimento paramétrico"?
Pense no modelo como um bibliotecário que leu uma biblioteca inteira e fechou o prédio. Tudo o que ele sabe vem daquela leitura: está "nos parâmetros". Pergunte qual notebook é bom para edição de vídeo e ele responde de memória, com a fluência de quem já viu mil comparações.
Essa memória tem duas propriedades que importam para marcas. A primeira: ela é datada. Um lançamento posterior ao treinamento simplesmente não existe ali. A segunda: ela é comprimida. O modelo não guarda a ficha técnica do seu produto; guarda uma impressão estatística dele, e impressões se misturam com as de produtos parecidos.
O artigo que deu nome à ideia no campo de recuperação é Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, de Patrick Lewis e colegas, de 2020. Os autores descrevem uma memória paramétrica (um modelo seq2seq pré-treinado) combinada a uma memória não paramétrica (um índice vetorial da Wikipédia, acessado por um recuperador neural). Eles partem de um limite que ainda vale: modelos puramente paramétricos têm capacidade limitada de acessar e manipular conhecimento com precisão.
E o que é recuperação?
Recuperação é o bibliotecário saindo da cadeira e indo à estante. Em vez de confiar na memória, o sistema busca documentos e responde com eles na mão. É isso que um assistente com busca na web faz.
A OpenAI descreve o mecanismo no ChatGPT assim: o ChatGPT pode pesquisar na web automaticamente quando a pergunta se beneficiaria de informação atual. A empresa também diz que ranqueia os resultados com vários fatores pensados para encontrar informação relevante e confiável, sem detalhar o algoritmo, e que os resultados podem ser incompletos, desatualizados ou incorretos.
Repare no "pode". A decisão de buscar ou não é do sistema, pergunta a pergunta. Nós não controlamos esse interruptor e a marca também não.
Por que isso muda a recomendação de produto?
Perguntas de compra misturam dois tipos de conteúdo.
O primeiro tipo é estável: "o que diferencia um monitor IPS de um VA?". Isso a memória resolve bem. O segundo é volátil: preço, disponibilidade, o modelo que saiu mês passado, a nota de avaliação de hoje. Para esse segundo tipo, a memória está sempre atrasada, e uma resposta honesta depende de recuperação.
Um exemplo com o produto fictício Aurora Pro 14, usado aqui só para ilustrar. Se alguém pergunta "qual notebook de 14 polegadas tem melhor tela?", a IA pode responder de memória citando marcas que ficaram bem registradas no treinamento. Se a pergunta é "o Aurora Pro 14 está em estoque e por quanto?", memória não ajuda; ou há uma página recuperada, ou há uma resposta vaga, ou, no pior caso, um número inventado.
Isso gera duas frentes distintas de trabalho:
- Presença na memória: depende de ser mencionado de forma consistente e reconhecível na web ao longo do tempo. É lenta e não há botão para acelerar.
- Presença na recuperação: depende de a página existir, poder ser rastreada, ter dados claros e bater com o que o resto da web diz. É a frente em que a marca consegue agir com mais previsibilidade.
Sobre a segunda frente, veja como a resposta "pousa" em páginas reais em Grounding em IA: como respostas citam páginas reais.
Como saber de qual caminho veio a resposta?
Nem sempre dá para saber. Algumas pistas ajudam: se a resposta traz links ou citações, houve recuperação; se menciona "até minha última atualização" ou fala em termos genéricos sobre preço, provavelmente veio da memória. Mas ausência de link não prova ausência de busca, e a presença de link não prova que a página citada pesou na decisão.
Por isso, no método da Citoriq, nós tratamos cada resposta como um evento e registramos a evidência, em vez de tirar conclusões de uma resposta só. Há mais sobre isso em Variância de resposta: por que a IA muda de opinião e na nossa metodologia.
Um aviso de honestidade: o diagnóstico gratuito da Citoriq é uma análise experimental feita por API e não replica a interface de consumidor do ChatGPT. Os dois caminhos, memória e busca, podem se comportar de forma diferente na API e no aplicativo. Resultados variam por modelo, prompt e dia.
Como testar os dois caminhos separadamente?
A ideia é montar duas baterias de perguntas.
- Perguntas de categoria, sem nome de marca: "qual fone com cancelamento de ruído vale a pena até R$ 1.000?". Aqui você mede se a marca aparece de memória e em que posição relativa aos concorrentes.
- Perguntas de fato atual, com o produto nomeado: preço, estoque, compatibilidade, lançamento. Aqui você mede se a IA recupera uma página sua, ou do marketplace, e se os números batem.
- Repetição: rode cada pergunta várias vezes, em dias diferentes, antes de tirar qualquer conclusão.
Para ver como separar menção de recomendação nessas baterias, leia Citação, menção e recomendação: as três diferenças.
O que levar daqui
- Respostas de IA misturam memória do modelo (paramétrica) e recuperação de páginas; a proporção varia por pergunta e por sistema.
- A memória é datada e comprimida; para preço, estoque e lançamentos, só a recuperação é confiável.
- A marca age melhor na frente da recuperação: página rastreável, dados claros e consistentes com o resto da web.
- Teste separadamente perguntas de categoria e perguntas de fato atual, com repetição.
- Nenhuma ação garante aparecer; o objetivo é reduzir a distância entre o que a IA encontra e o que é verdade.
Perguntas frequentes
A IA sempre busca na web antes de recomendar um produto?
Não. Segundo a OpenAI, o ChatGPT pode pesquisar automaticamente quando a pergunta se beneficiaria de informação atual, ou seja, a decisão é caso a caso. Outros assistentes têm lógicas próprias.
Ter um bom site garante que a IA me recomende?
Não. Um bom site ajuda na recuperação, mas a recomendação depende também do que o modelo "lembra" e de como compara concorrentes. Prontidão de página não é o mesmo que ser recomendado.
Dá para atualizar o que a IA sabe de memória sobre meu produto?
Não diretamente. O que a marca controla é a clareza e a consistência das informações públicas, que alimentam tanto futuros treinamentos quanto a recuperação do dia a dia.
Quer ver como seus produtos aparecem hoje nas perguntas de categoria e nas de fato atual? Rode o diagnóstico gratuito e use o resultado como ponto de partida, lembrando que ele é uma leitura experimental, não um ranking.