Por que isso importa agora
A forma como as pessoas descobrem produtos e serviços na internet está mudando. Se antes a batalha era pelo topo do Google — o famoso SEO —, agora ela começa a ser travada dentro das respostas dos agentes de inteligência artificial. Quando um usuário pergunta ao Astra, ao Claude ou ao Grok “qual é a melhor ferramenta de X?”, a recomendação que aparece vale ouro. O nome disso é AEO (Agentic Engine Optimization, ou otimização para mecanismos de agentes), e a Latent Space acaba de lançar um tracker público que mede exatamente o que os modelos de fronteira escolhem recomendar.
O que o tracker mede
O Frontier AEO Tracker roda seis variações de prompt sobre sete modelos de fronteira (com busca ativa) em 161 categorias — de agentes de codificação a podcasts de IA, de bancos de dados gerenciados a folhas de pagamento. A extração das respostas foi feita pelo próprio Astra, e cada recomendação recebe uma pontuação proprietária que dá peso a primeiras escolhas, alternativas e menções — e penaliza “antirrecomendações” (raras, mas acontecem).
O projeto se inspira no estudo “What Claude Code Actually Chooses”, da Amplifying AI, e expande a metodologia para o ecossistema inteiro de modelos de fronteira.
O que os dados revelam
O achado mais imediato é o viés de autopreferência: modelos tendem a recomendar ferramentas da própria empresa. Fable e Opus (Anthropic) preferem o Claude Code; Sol e Astra (OpenAI) preferem o Codex; o Grok ama o Cursor; o Muse ama o Muse Code; e o SWE-1.7 ama o Devin. Mas há exceções notáveis — incluindo modelos GPT recomendando o Claude, o que os autores celebram como um sinal de não viés.
De 161 categorias, 28 têm uma escolha primária “universalmente dominante” — ou seja, todos os modelos de fronteira pesquisados concordam. O restante é campo de batalha, com disputas acirradas e categorias em que nenhum player se destaca de forma clara.
Eficiência vs. confiança
Um dos achados mais surpreendentes é a variação na quantidade de fontes que cada modelo consulta. O Sol (GPT-5.6) tem mediana de 9 fontes; o Astra (GPT-6), 5; o Opus, 11; e o Fable, 15. A Anthropic, ao que tudo indica, está enviesando seus modelos para buscar mais fontes. O Astra, por outro lado, é muito mais “confiante” — e bem menos propenso a mudar de ideia quando a pergunta é levemente parafraseada.
Isso tem uma consequência direta para quem faz AEO: quanto menor a aleatoriedade das escolhas, maior o valor de estar entre as recomendações estáveis. O AEO fica mais valioso à medida que os modelos se tornam mais determinísticos.
O que funciona (e o que afasta os modelos)
O tracker também valida práticas concretas de AEO — como a negociação de conteúdo em Markdown (content negotiation), medida por ferramentas como Ora e Vercel. E mostra o inverso: quando um modelo tenta ler um conteúdo e falha, ele desiste. Falhas de leitura desencorajam os modelos de voltar.
Os autores reconhecem limitações: tentaram incluir Gemini/Antigravity, GLM/Zcode e DeepSeek/DeepCode, mas erros e limites de taxa os tornaram inviáveis nesta primeira rodada.
O que isso significa para você
Se a sua empresa depende de ser recomendada, descoberta ou citada por assistentes de IA, o AEO deixou de ser uma curiosidade e virou uma disciplina. Assim como o SEO transformou a web em uma competição por páginas bem estruturadas, o AEO tende a transformar a forma como produtos e conteúdos se apresentam aos agentes — com dados estruturados, conteúdo legível por máquina e reputação construída entre as fontes que os modelos mais citam.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
