Busca Semântica
A busca semântica recupera resultados pelo significado, não pela correspondência exata de palavras-chave: converte a consulta e os documentos em embeddings (vetores numéricos) e classifica pelo grau de proximidade entre esses vetores, permitindo que uma página corresponda a uma pergunta mesmo sem compartilhar nenhuma palavra com ela.
A antiga busca por palavra-chave contava a sobreposição de termos: uma página ranqueava porque repetia as palavras pesquisadas. A busca semântica mede a similaridade conceitual, de forma que uma consulta como "tênis que aguenta trilha" pode trazer um produto descrito como "tênis off-road resistente" sem nenhum termo em comum. Isso acontece porque tanto a consulta quanto o documento são convertidos em embeddings, vetores que codificam significado, e o sistema classifica pela distância entre eles. É por isso que o keyword stuffing perdeu a força: encher uma página de frases repetidas quase não move o vetor, enquanto uma escrita clara e específica que nomeia o conceito diretamente tende a ficar mais próxima das consultas que importam.
A lição prática é escrever como o cliente realmente perguntaria, e definir o assunto em linguagem direta perto do início do conteúdo, não enterrado no meio. Especificidade ajuda o embedding a carregar significado real: "resistente a 50 metros de profundidade" fica mais próximo da pergunta de um mergulhador do que "ótimo para a água", porque nomeia um atributo concreto que o modelo consegue localizar. Frases vagas e promocionais tendem a derivar para o centro do espaço vetorial, perto de tudo e próximo de nada.
Considere uma loja Shopify que vende panelas de ferro fundido. Um cliente pergunta a um assistente: "qual panela posso levar direto do fogão para o forno sem empenar?" A página de produto não usa essas palavras. Mas diz "frigideira completamente temperada, própria para forno até 260 graus, peça única sem cabo plástico". Com a busca por palavras-chave, essas frases poderiam se perder. Com a busca semântica, ficam próximas, porque "própria para forno", "peça única" e "sem cabo plástico" codificam coletivamente o conceito de passar do fogão para o forno com segurança. A loja vence a correspondência descrevendo o atributo com honestidade, não tentando adivinhar a consulta exata. A mesma lógica se aplica às avaliações: um cliente que escreve "deixei no forno a 220 graus por uma hora e não empenou" reforça o conceito em linguagem que nenhum profissional de marketing escreveria, o que explica em parte por que textos de avaliações genuínas são um material útil para sistemas de recuperação.
A recuperação semântica também sustenta a maioria das respostas com IA. Quando ChatGPT, Perplexity ou Google AI Overviews reúnem fontes antes de responder, normalmente recuperam por similaridade de embeddings, não por palavras-chave literais, e depois resumem o que encontram. Esses sistemas conseguem recuperar e citar com mais facilidade uma escrita que nomeia atributos com clareza. Vale mencionar uma ressalva: similaridade não é precisão. Uma página pode ser recuperada por estar topicamente próxima e ainda assim estar errada, o que é um motivo pelo qual os motores de resposta dependem da corroboração entre fontes independentes, e por que descrições de produtos consistentes e factuais tendem a ser citadas com mais frequência do que as criativas.