Atua na interseção entre SEO técnico, schema.org e stacks headless para AI search.
Rafael trabalha com modelagem de dados, llms.txt, sitemaps segmentados e pipelines editoriais voltados para extração por mecanismos de busca e modelos generativos.
Ele revisa materiais que dependem de implementação técnica, tags estruturadas e integração CMS-site.
Revisa publicações com claims técnicos e marcação estruturada.
AEO é a prática de estruturar conteúdo para virar resposta citável em mecanismos como ChatGPT, Perplexity e AI Overviews. Ele complementa SEO, que busca ranking e cliques, e GEO, que amplia visibilidade da marca em experiências generativas. Na prática, AEO prioriza respostas diretas, contexto confiável e páginas fáceis de extrair.
Um llms.txt é um arquivo em Markdown, publicado em /llms.txt, que resume o site para modelos de linguagem e aponta para páginas realmente úteis. Para um site brasileiro de conteúdo, ele deve listar hubs, guias evergreen, metodologia editorial e autores, sempre com links canônicos e descrições curtas.
Para sites editoriais, as marcações mais úteis hoje são Article, FAQPage, BreadcrumbList, Organization e Person. Elas não garantem citação por IA sozinhas, mas reduzem ambiguidade, reforçam autoria e ajudam buscadores e answer engines a interpretar tipo de página, hierarquia e confiança editorial.
O benchmark só vira moat quando o time o converte em backlog: primeiro separar gaps de resposta, depois gaps de fonte, depois páginas de prova e por fim ciclos de refresh. Sem essa decomposição, benchmark vira peça de awareness sem impacto operacional.
SEO resolve descoberta e tráfego, AEO melhora a clareza e a extração da resposta, e GEO mede como a marca aparece em experiências generativas. A disciplina certa depende do problema principal: ser encontrado, ser entendido ou ser recomendado em contextos competitivos de AI search.
AI visibility só é útil quando a equipe acompanha métricas acionáveis: share of answer, primeira menção, fontes citadas, recorrência por modelo e evolução por prompt. Métricas vagas, como menções agregadas sem contexto, ajudam pouco a decidir backlog e prioridade editorial.
No benchmark inicial de bancos digitais, Nubank lidera em share of answer, mas a diferença entre modelos é grande: ChatGPT privilegia cobertura comparativa, Gemini puxa fontes institucionais e Google AI aproxima respostas de fontes jornalísticas e páginas utilitárias. O ganho real vem de combinar presença, primeira menção e fonte citada.
ChatGPT e Gemini divergem menos na lista de marcas e mais no framing da resposta: ChatGPT sintetiza vantagem competitiva em linguagem de escolha, enquanto Gemini puxa sinais institucionais, clareza de produto e páginas oficiais. Isso muda quais ativos o time precisa construir para melhorar presença.
Em março de 2026, o cluster de fintechs mostrou rotação nas fontes mais citadas: páginas utilitárias e reviews aprofundados ganharam espaço, enquanto comparativos genéricos perderam tração. A mudança sugere que o mercado está premiando páginas mais específicas e melhor mantidas.