研究可见性人工智能：从传统搜索到生成式引用的信息发现机制演进

执行摘要

研究发现：

1. 可见性范式的转移： AI搜索的可见性已从传统的“关键词匹配和网页排序”范式，转移到基于“检索-理解-生成-引用”的复杂信息处理链条。品牌和内容的可见性不再是单纯的“被索引”，而是“被理解”和“被引用”的能力。
2. 答案结构驱动可见性： AI系统倾向于从页面顶部获取信息，并且更青睐“原子事实”（自包含的、单句的、有明确主张的句子），这表明信息结构对AI检索的权重具有决定性影响。
3. 引用机制的复杂性： 不同的AI模型（如ChatGPT、Gemini、Perplexity）在引用信息上的偏好存在差异，部分模型更依赖于精确的文本片段引用（如#:~:text=*），而另一些则可能更倾向于整体上下文的总结。
4. 实体一致性的关键： 信息的权威性不仅取决于内容本身，还取决于组织在不同数字环境中的“实体一致性”——即AI能否稳定地将一个品牌或概念映射到正确的知识图谱节点上。

解释：

可见性不再是流量的堆砌，而是信息在AI认知体系中的“可被调用程度”。一个信息如果无法被清晰地结构化为一个可引用的“事实”，其在生成式搜索中的可见性将急剧下降。

研究背景

为什么AI搜索成为新的研究对象？

人工智能搜索，特别是生成式搜索（Generative Search），代表了信息发现机制的根本性转变。这不仅仅是搜索界面的迭代，更是信息获取、知识构建和认知形成方式的范式转移。

搜索变化： 传统搜索（Traditional Search）侧重于“找到相关链接”（Click-through），用户通过关键词匹配定位到一系列文档，然后用户自行进行信息整合。而生成式搜索（Generative Search）则旨在“直接提供答案”（Answer-first），它要求系统不仅要检索信息，更要理解用户意图，综合多源信息，并生成一个连贯、准确的答案。

用户行为变化： 用户不再满足于浏览列表，而是寻求即时、综合性的认知输出。Mudanças no Comportamento do Usuário: Os usuários não se contentam mais em navegar por listas, mas buscam uma saída cognitiva imediata e abrangente. A expectativa deles em relação à informação mudou de "ser informado onde encontrar a resposta" para "obter a resposta diretamente". Essa necessidade impulsionou a interação direta com modelos de IA (como ChatGPT, Gemini, Copilot), transferindo a responsabilidade da descoberta de informação do usuário para a capacidade cognitiva da IA.

Mudanças Tecnológicas: A força motriz tecnológica é a capacidade emergente dos Modelos de Linguagem de Grande Escala (LLMs). Os LLMs alcançam a compreensão semântica e o raciocínio lógico de grandes volumes de dados não estruturados através de seus processos internos de treinamento e inferência. Isso permite que a IA extraia entidades, relações e fatos a partir de textos brutos, tornando a "compreensão" o principal motor da descoberta de informação.

Cenário Atual da Busca por IA

O ecossistema atual de busca por IA é dominado por alguns gigantes, que demonstram diferentes focos em mecanismos de descoberta e citação de informação:

• ChatGPT (OpenAI): Com sua poderosa capacidade de conversação e vasta cobertura de conhecimento, a pesquisa sobre seus mecanismos de citação se concentra em como extrair trechos altamente relevantes de seus vastos dados de treinamento.
• Google AI Overviews / AI Mode: O modelo do Google foca em integrar a capacidade de IA perfeitamente aos resultados de busca tradicionais, e seus mecanismos de citação (como marcações de citação embutidas) mostram dependência de trechos de texto precisos.
• Gemini (Google): Como um modelo multimodal e de integração de informações, seu foco de pesquisa está em como processar informações multimodais e construir grafos de conhecimento complexos.
• Perplexity: Como um motor de busca orientado a perguntas, seu mecanismo central reside no equilíbrio entre sua estratégia de recuperação e a integração de informações em tempo real.
• Microsoft Copilot: Integra a capacidade de busca em tempo real do Bing com a capacidade de geração dos LLMs, pesquisando como eles fazem a ponte entre dados em tempo real e compreensão generativa.

Descobertas Chave

Com base na análise das pesquisas existentes, Veerixa resume as seguintes descobertas chave:

**Descoberta de Pesquisa 1: A visibilidade não é mais o ranking, mas a qualidade e a posição da citação.**Phát hiện nghiên cứu 1: Khả năng hiển thị không còn là thứ hạng, mà là chất lượng và vị trí của trích dẫn (Citation).

• Hiện tượng: Các nghiên cứu hiện tại cho thấy hệ thống AI có độ nhạy cảm rất cao với vị trí trích dẫn và việc lựa chọn đoạn văn bản. Ví dụ, một nghiên cứu phát hiện rằng nội dung được trích dẫn trong 1/3 đến 1/2 đầu câu trả lời được trích dẫn nhiều nhất.
• Cơ chế: Điều này cho thấy sự liên kết chặt chẽ giữa lớp truy xuất (Retrieval Layer) và lớp tạo sinh (Generation Layer) của AI. Thông tin phải có đặc điểm liên quan cao và được cấu trúc ở giai đoạn truy xuất thì mới có thể đi vào "ngân hàng trích dẫn" được AI chấp nhận.
• Ảnh hưởng: Người sáng tạo nội dung phải đặt luận điểm hoặc định nghĩa vấn đề cốt lõi ở vị trí nổi bật trên trang, thay vì chôn vùi chúng trong phần giới thiệu dài dòng.

Phát hiện nghiên cứu 2: "Tính nguyên tử" của thông tin là cấu trúc then chốt để AI hiểu và trích dẫn.

• Hiện tượng: Những văn bản được trích dẫn thường là những câu ngắn, tự chứa (các "sự thật nguyên tử"), độ dài thường từ 6 đến 20 từ.
• Cơ chế: Điều này phù hợp với sở thích của các Mô hình Ngôn ngữ Lớn (LLMs) trong việc nén thông tin và trích xuất với độ chính xác cao. Khi tạo câu trả lời, AI có xu hướng sử dụng các câu chính xác và không mơ hồ nhất để xây dựng chuỗi lập luận, tránh các cấu trúc hội thoại dài dòng, mơ hồ.
• Ảnh hưởng: Việc viết nội dung cần chuyển từ "tường thuật toàn diện" sang "tuyên bố chính xác", tức là đưa ra kết luận/sự thật trước, sau đó mới đưa ra sự hỗ trợ.

Phát hiện nghiên cứu 3: Tính nhất quán của thực thể quyết định sự ổn định của thương hiệu trong hệ thống nhận thức của AI.

• Hiện tượng: Mức độ ổn định khi thương hiệu hoặc thực thể cụ thể được đề cập trong câu trả lời của AI phụ thuộc vào tính nhất quán của nó trong đồ thị tri thức (knowledge graph). Nếu một thực thể được gán định nghĩa hoặc tên khác nhau trong các truy vấn AI khác nhau, "tính nhất quán của thực thể" đó sẽ bị phá vỡ, khiến AI không thể neo nó một cách ổn định vào nút tri thức chính xác.
• Cơ chế: Đồ thị tri thức là cách AI hiểu thế giới. Độ chính xác của việc nhận dạng thực thể (Entity Recognition) quyết định trực tiếp liệu thông tin có được ánh xạ chính xác vào nút cụ thể trong đồ thị tri thức hay không, từ đó ảnh hưởng đến việc truy xuất và trích dẫn sau này.
• Ảnh hưởng: Các tổ chức cần xây dựng các định nghĩa thương hiệu và sản phẩm thống nhất, có thể được AI hiểu, để đảm bảo sự đồng bộ nhận thức trên các nền tảng và mô hình khác nhau.

**Phát hiện nghiên cứu 4: Các mô hình AI khác nhau có sở thích trích dẫn riêng biệt.**Descoberta 4: Diferentes modelos de IA possuem preferências de citação únicas.

• Fenômeno: Diferentes plataformas de IA têm nuances na definição e implementação de "citação". Por exemplo, alguns modelos podem depender mais de citações de trechos de frases precisos (como #:~:text=*), enquanto outros podem depender mais da correspondência semântica de toda a resposta.
• Mecanismo: Isso reflete as diferenças na arquitetura dos modelos subjacentes, o foco dos dados de treinamento e os objetivos de design da plataforma. Os objetivos de design da plataforma determinam a forma como o conceito de "citação" é implementado tecnicamente.
• Impacto: A estratégia de conteúdo precisa de "adaptação ao modelo", em vez de otimização "tamanho único", exigindo ajustes personalizados para os mecanismos de citação de cada IA alvo.

Análise Técnica e de Sistema

1. Análise do Mecanismo de Recuperação de IA (AI Retrieval Mechanism Analysis)

O processamento de informações por IA é um pipeline de várias etapas, onde cada etapa tem um impacto decisivo na visibilidade da informação:

Crawler (Web Crawler) $\rightarrow$ Index (Indexação) $\rightarrow$ Embedding (Incorporação/Embedding) $\rightarrow$ Retrieval (Recuperação) $\rightarrow$ Ranking (Classificação/Ranking) $\rightarrow$ Generation (Geração) $\rightarrow$ Citation (Citação)

• Embedding (Incorporação/Embedding): Esta é a etapa crucial de "semantização" da informação.* Embedding (嵌入): Đây là bước then chốt để "ngữ nghĩa hóa" thông tin. Các vector nhúng chất lượng cao đảm bảo thông tin được căn chỉnh chặt chẽ với ý định truy vấn của người dùng trong không gian ngữ nghĩa. Nếu chất lượng nhúng thấp, ngay cả khi nội dung liên quan, nó cũng có thể bị bỏ qua do sai lệch về ngữ nghĩa.
• Retrieval (Truy xuất): Trong tìm kiếm tạo sinh, truy xuất không còn là việc khớp từ khóa đơn giản để trả về danh sách URL, mà là việc thu hồi các đoạn văn bản "giải quyết vấn đề của người dùng tốt nhất" trong không gian vector. Đây là biểu hiện sơ cấp của việc AI hiểu "ý định".
• Ranking (Xếp hạng): Đây là sự mở rộng của SEO truyền thống, nhưng trọng số của nó không chỉ dựa vào mật độ từ khóa, mà là tổng hợp từ mức độ liên quan ngữ nghĩa, tính thẩm quyền (tính nhất quán của thực thể) và tính đầy đủ của câu trả lời. Mô hình xếp hạng của AI rất năng động và phức tạp.
• Generation (Tạo sinh): Ở giai đoạn này, LLM sẽ sắp xếp lại các đoạn văn bản được truy xuất và trau chuốt bằng ngôn ngữ tự nhiên để tạo thành câu trả lời cuối cùng. Giai đoạn này đòi hỏi mức độ cấu trúc hóa của các đoạn đầu vào là cực kỳ cao.
• Citation (Trích dẫn): Đây là biểu hiện cuối cùng của khả năng hiển thị thông tin. Hệ thống AI sẽ đánh dấu phần nào trong câu trả lời dựa trên đoạn văn bản gốc nào, điều này giúp khép kín chuỗi thông tin và tăng tính xác minh của câu trả lời.

2. Phân tích Cơ chế Trích dẫn (Citation Mechanism Analysis)

Tại sao một số nguồn lại được AI trích dẫn? Đây không phải là một quá trình ngẫu nhiên, mà dựa trên một bộ thuật và hệ thống đánh giá chất lượng thông tin phức tạp.

Các yếu tố phân tích:

• Tính đầy đủ của thông tin (Completeness): Thông tin đó có trả lời đầy đủ tất cả các câu hỏi phụ mà người dùng đặt ra không? Một nguồn cung cấp thông tin một phần sẽ có mức độ ưu tiên thấp hơn khi tạo ra câu trả lời hoàn chỉnh.
• Độ tin cậy của nguồn (Credibility): Tính thẩm quyền của lĩnh vực nguồn, tính chính xác lịch sử và mức độ được công nhận trong đồ thị tri thức là những yếu tố phi kỹ thuật quan trọng quyết định trọng số trích dẫn của nó.
• Cấu trúc nội dung (Structure): Như đã đề cập, cấu trúc của các sự kiện nguyên tử rất quan trọng đối với việc trích dẫn. Nội dung có cấu trúc rõ ràng, logic và tiến triển dễ được AI nhận diện là các đơn vị "có thể được trích dẫn trực tiếp".
• Tính nhất quán của thực thể (Entity Consistency): Nếu định nghĩa về các thực thể cốt lõi (người, công ty, sản phẩm) trong thông tin là thống nhất và rõ ràng, AI sẽ dễ dàng ánh xạ chúng chính xác vào các nút trong đồ thị tri thức, từ đó đảm bảo các trích dẫn hướng đến nguồn tri thức chính xác.
• Xác minh bên ngoài (External Validation): Mặc dù AI là hệ thống truy xuất, nhưng dữ liệu huấn luyện và quá trình lặp lại liên tục của nó phụ thuộc vào các nguồn thông tin bên ngoài, có thẩm quyền cao. Nếu thông tin có thể được kiểm chứng chéo với các nguồn thông tin có thẩm quyền khác, trọng số trích dẫn của nó sẽ cao hơn.## Pesquisa de Visibilidade de Marca em IA

Como uma marca entra no sistema cognitivo da IA? Isso exige que as organizações mudem o foco de "produção de conteúdo" para "design de estrutura de conhecimento".

Visibilidade de IA (AI Visibility) refere-se à capacidade das informações de uma organização serem descobertas, compreendidas, citadas e utilizadas no processo de geração de respostas pelos sistemas de busca de inteligência artificial. Mede o grau em que o conhecimento da organização é "consumível pela IA".

Caminhos para Entrar no Sistema Cognitivo da IA:

1. Construção de Entidades (Entity Construction): As organizações devem definir e manter ativamente as definições padrão de suas entidades chave (produtos, tecnologias, líderes) no espaço digital, garantindo a consistência da entidade em todas as saídas externas.
2. Expressão Estruturada (Structured Expression): O conteúdo não é mais texto livre e disperso, mas precisa ser projetado como "unidades de conhecimento" fáceis de serem capturadas e citadas pela IA, ou seja, fatos atômicos.
3. Alimentação de Grafos de Conhecimento (Knowledge Graph Feeding): As organizações precisam fornecer sua estrutura de conhecimento interna e verificada em um formato legível por máquina (como Schema ou RDF) aos sistemas de IA, ajudando a IA a construir uma "visão panorâmica" da marca rapidamente.

Análise da Lacuna de Visibilidade

A lacuna de visibilidade entre a busca tradicional e a busca por IA decorre principalmente das seguintes diferenças:

• Diferença na Estrutura de Conteúdo: A busca tradicional prefere artigos longos e narrativos; a busca por IA prefere declarações de fatos altamente modularizadas e citáveis com precisão.
• Diferença na Compreensão Semântica: A busca tradicional depende da correspondência exata de palavras-chave; a busca por IA depende da inferência semântica profunda da intenção e do contexto.
• Diferença na Escolha da Fonte: O ranqueamento da busca tradicional é baseado no peso da página em si; o ranqueamento da busca por IA é baseado no "potencial de citação" dos fragmentos de informação em toda a cadeia de informação.
• Diferença no Mecanismo de Citação: A visibilidade tradicional é "ser visto" (nível de exposição); a visibilidade de IA é "ser compreendido" (nível de citação).

Análise de Impacto Organizacional

• Equipes de Comunicação Corporativa: Devem mudar de "escrever comunicados de imprensa" para "projetar o blueprint estrutural dos ativos de conhecimento", focando em como construir uma rede de conhecimento compreensível pela IA.
• Equipes de Marca: O foco deve mudar de "construir o volume de marca" para "manter a consistência da entidade", garantindo que a marca tenha uma representação única e precisa no grafo de conhecimento.
• Equipes de Relações com a Mídia: Devem combinar a publicação de informações externas com a construção de grafos de conhecimento de IA, garantindo que o contexto seja claro e autoritário quando a informação é "absorvida" pelo sistema de IA.
• Organizações Setoriais: Precisam estudar como estabelecer uma camada de representação de conhecimento padronizada e interorganizacional para aumentar a confiabilidade de suas informações no ecossistema de IA.

Sinais de Pesquisa Futura## Sinais de Pesquisa Futura

1. Estudo da Estabilidade das Citações de IA: Monitorar as flutuações e tendências de longo prazo na precisão das citações de diferentes modelos de IA para determinar o grau de maturidade e confiabilidade dos mecanismos de citação de IA.
2. Evolução da Forma dos Pontos de Acesso à Busca: Observar como os resultados da pesquisa de IA evoluem de cartões de resposta únicos para visualizações de grafo de conhecimento mais complexas e multimodais.
3. Mecanismo de Formação de Entidades de Marca: Investigar como as organizações projetam sistematicamente seus ativos de conhecimento para guiar e solidificar sua existência em sistemas de cognição de IA.
4. Redefinição Dinâmica da Autoridade da Informação: Explorar como a autoridade da informação, na era da IA, muda de "quem publicou o conteúdo" para "se a informação é confiável para ser invocada pelo sistema de IA".

Perspectiva de Pesquisa Veerixa

A mudança central na era da pesquisa de IA não é a diminuição da informação, mas sim uma mudança fundamental nos mecanismos de seleção e consumo da informação. A informação não é mais um conjunto estático de documentos, mas sim um fluxo de cognição dinâmico impulsionado por algoritmos de IA. Veerixa acredita que o novo alicerce da visibilidade da informação é a "capacidade de ser reconhecida, estruturada e citada de forma estável pelo sistema de IA", e não as técnicas tradicionais de aquisição de tráfego. As organizações devem considerar a "atomicidade" e a "coerência de entidade" do conhecimento como pré-requisitos para sua sobrevivência digital.

Conclusão

A pesquisa de IA está forçando a infraestrutura da informação a mudar de "descoberta de busca" para "construção de cognição". A pesquisa futura sobre visibilidade da informação se concentrará em como projetar estruturas de informação que possam ser ingeridas, compreendidas e citadas de forma confiável por LLMs de maneira eficiente. Isso exige que o foco da pesquisa mude de "como fazer a informação ser vista" para "como fazer a informação ser compreendida e utilizada".