Principais destaques
- Um ranking diferente: pesquisadores do Google DeepMind propõem usar um LLM para substituir a arquitetura tradicional de duas etapas na classificação de resultados.
- Resultados mais precisos: o método melhorou métricas de ranking e reduziu a presença de documentos irrelevantes acima dos relevantes nos testes.
- SEO pode sentir o impacto: a mudança ainda é pesquisa, mas aponta para uma possível transformação na forma como mecanismos de busca organizam resultados.
A busca pode estar prestes a trocar de motor 🚗
O Google publicou uma pesquisa sobre uma arquitetura que pode mexer justamente na parte menos visível de um mecanismo de busca: a escolha e a ordem dos resultados.
A proposta vem de pesquisadores do Google DeepMind, da University of Massachusetts Amherst e da University of Texas at Austin. O trabalho apresenta o Autoregressive Ranking (ARR), um sistema baseado em LLM que poderia substituir a atual arquitetura de duas etapas usada para recuperar e classificar documentos.
Ainda não estamos falando de uma mudança confirmada no Google Search.
Mas o experimento chama atenção porque ataca diretamente uma peça central do mecanismo que decide o que aparece primeiro.
🔎 O ponto central: em vez de usar modelos diferentes para encontrar candidatos e depois classificá-los, o ARR tenta fazer o trabalho de ranking de maneira autoregressiva, produzindo a lista ordenada de documentos.
Primeiro vem a busca. Depois, o ranking 📚
Para entender por que isso é relevante, é preciso olhar para o funcionamento tradicional desses sistemas.
Em termos simplificados, mecanismos de busca costumam trabalhar com duas etapas principais: Dual Encoder (DE) e Cross Encoder (CE).
O Dual Encoder transforma consultas e documentos em vetores. Isso permite encontrar rapidamente um conjunto de páginas potencialmente relevantes.
A vantagem é a velocidade.
O problema é que essa representação não consegue capturar com a mesma precisão todas as relações entre uma consulta e um documento.
É aí que entra o Cross Encoder.
Ele recebe os candidatos selecionados na primeira etapa e faz uma análise mais sofisticada para determinar a ordem dos resultados. Só que existe um preço: esse processamento é muito mais caro.
É como procurar uma vaga de estacionamento.
Você não analisa detalhadamente todas as vagas da cidade. Primeiro encontra algumas opções próximas. Depois compara cuidadosamente apenas aquelas que sobraram.
E se um único modelo fizesse tudo? 🤔
É justamente essa separação que o ARR tenta questionar.
Em vez de manter a divisão entre recuperação rápida e ranking mais sofisticado, a proposta usa um modelo autoregressivo para produzir diretamente uma lista ordenada de documentos.
O artigo, chamado Autoregressive Ranking: Bridging the Gap Between Dual and Cross Encoders, descreve essa abordagem como uma possível alternativa à arquitetura tradicional.
💡 A virada da pesquisa: o objetivo não é apenas usar IA para gerar uma resposta. É usar um modelo de linguagem para decidir a própria ordem dos documentos.
Isso é importante porque ranking não é simplesmente uma questão de encontrar documentos relacionados a uma consulta.
É necessário decidir qual é mais relevante, qual vem depois e quais devem ficar abaixo dos demais.
O treinamento também mudou 🧠
Para ensinar o modelo a fazer isso, os pesquisadores desenvolveram uma técnica chamada SToICaL, sigla para Simple Token-Item Calibrated Loss.
A ideia é incorporar a posição esperada dos documentos diretamente no treinamento do LLM.
Na prática, o sistema aprende de duas maneiras.
• Documentos que deveriam aparecer mais acima recebem maior peso no treinamento.
• As probabilidades dos tokens também são ajustadas para favorecer escolhas que conduzam aos documentos considerados mais relevantes.
O objetivo é fazer o modelo aprender não apenas qual documento é relevante, mas também como distribuir os resultados em uma ordem coerente.
🧩 O detalhe técnico importante: a técnica usa reponderação no nível dos itens e uma estrutura chamada prefix-tree marginalization para distribuir a probabilidade entre tokens válidos associados aos documentos.
É uma mudança sutil na forma de treinar o modelo, mas com uma consequência bastante concreta: reduzir a chance de que documentos irrelevantes apareçam em posições superiores.
E nos testes? A resposta foi interessante 📊
Os pesquisadores avaliaram o ARR usando dois conjuntos de dados, WordNet e ESCI Shopping Queries.
Também fizeram uma comparação específica com Dual Encoders e Cross Encoders no WordNet.
Os resultados não foram simplesmente “IA ganhou”.
O quadro foi mais interessante.
O treinamento com SToICaL melhorou a capacidade do ARR de organizar os resultados, principalmente além da simples tarefa de colocar um único resultado em primeiro lugar.
No experimento com WordNet, os pesquisadores também observaram uma redução expressiva nos erros em que documentos irrelevantes eram classificados acima dos relevantes.
E houve outra comparação importante.
| Modelo | Característica | Resultado observado |
|---|---|---|
| Dual Encoder | Rápido e eficiente | Ficou abaixo do ARR no teste do WordNet |
| Cross Encoder | Mais sofisticado e caro | ARR teve desempenho semelhante |
| ARR | Ranking autoregressivo | Superou o DE e se aproximou do CE no WordNet |
Mas há uma ressalva.
No teste envolvendo buscas de compras, uma das versões do método piorou na capacidade de colocar o resultado mais relevante em primeiro lugar, apesar de melhorar o ranking geral.
Ou seja: melhorar a organização da lista inteira não significa necessariamente acertar o campeão da primeira posição.
A parte mais ousada está na matemática 📐
A pesquisa não apresenta apenas resultados experimentais.
Os autores também desenvolveram uma justificativa teórica para explicar por que o ARR poderia ter uma vantagem sobre Dual Encoders quando o número de documentos cresce.
O problema está na própria representação vetorial.
Segundo os pesquisadores, para um Dual Encoder conseguir representar qualquer ordenação possível de k documentos, a dimensão do embedding precisaria crescer linearmente com k.
Isso cria uma limitação estrutural conforme o conjunto de documentos aumenta.
O ARR seguiria outro caminho.
Com uma dimensão oculta constante, o modelo poderia, em teoria, classificar uma quantidade arbitrária de documentos, desde que determinadas condições relacionadas aos embeddings dos tokens de identificação dos documentos sejam atendidas.
📌 Mas atenção ao “em teoria”: esse resultado matemático não significa que um mecanismo de busca real já consiga fazer isso em escala.
É uma demonstração das capacidades expressivas do modelo sob determinadas condições, não uma prova de que o Google Search possa simplesmente substituir sua infraestrutura atual amanhã.
Então o Dual Encoder vai desaparecer? Não é isso 🛑
Esse talvez seja o ponto mais fácil de interpretar errado.
A pesquisa não demonstra que o Google abandonou Dual Encoders e Cross Encoders.
Na verdade, os próprios experimentos mostram que essas arquiteturas continuam sendo referências importantes para comparação.
O que o trabalho mostra é que existe uma alternativa potencial para a forma como o ranking pode ser realizado.
Isso também coloca uma vírgula importante em uma ideia recorrente no mercado de busca: a de que a IA já teria transformado completamente o funcionamento dos mecanismos de pesquisa.
Na camada de ranking, a história é mais gradual.
🗣 A mudança pode estar vindo por baixo do capô: pesquisas como essa indicam que o Google está investigando maneiras de incorporar modelos de linguagem em componentes fundamentais da recuperação e classificação.
Ainda é pesquisa.
E o que isso significa para SEO? 🔍
Aqui está a parte que interessa diretamente a quem trabalha com SEO e AEO.
Se uma arquitetura como essa algum dia for aplicada em sistemas de busca de produção, a maneira de interpretar relevância poderia mudar de forma significativa.
Mas é importante separar o que a pesquisa realmente demonstra do que seria especulação sobre o futuro do Google Search.
O estudo não apresenta uma nova regra de ranking do Google.
Também não diz que determinado fator de SEO perdeu importância ou que algum tipo específico de conteúdo será favorecido.
O que ele apresenta é uma arquitetura experimental capaz de melhorar determinadas métricas de ranking nos conjuntos de dados avaliados.
Isso é diferente.
💡 A verdadeira novidade não é “o Google mudou o algoritmo”. É que pesquisadores estão explorando uma arquitetura em que o próprio modelo de linguagem participa diretamente da construção do ranking.
Essa distinção importa porque, entre uma pesquisa acadêmica e uma mudança de produção, existe uma distância enorme: custo computacional, latência, infraestrutura, estabilidade, qualidade em diferentes idiomas e tipos de consulta e segurança operacional são apenas alguns dos desafios.
A busca ainda está usando dois motores ⚙️
Por enquanto, a conclusão mais segura é justamente a menos cinematográfica.
O sistema tradicional continua sendo uma referência importante. O Dual Encoder oferece eficiência na recuperação, enquanto o Cross Encoder oferece uma análise mais sofisticada para os candidatos selecionados.
O ARR tenta reduzir essa separação.
Nos experimentos apresentados, conseguiu resultados competitivos e, em alguns aspectos, melhores. Também oferece uma propriedade teórica interessante: não teria a mesma dependência entre dimensão do embedding e quantidade de documentos que limita o Dual Encoder.
Mas os próprios resultados mostram que ainda existem pontos a investigar.
Especialmente quando a prioridade é colocar o resultado mais relevante em primeiro lugar, uma melhoria no ranking global não garante uma melhoria equivalente na posição número um.
E, em uma busca real, essa diferença pode ser enorme.
A próxima mudança pode acontecer onde ninguém vê 👀
A discussão sobre IA em buscas costuma se concentrar na interface: respostas geradas, resumos, chatbots e mecanismos que conversam com o usuário.
Esta pesquisa olha para outro lugar.
Para o motor que decide o que merece aparecer antes do quê.
Se arquiteturas autoregressivas conseguirem combinar a capacidade de representação dos modelos de linguagem com os requisitos de velocidade e escala de uma busca global, a mudança seria bem mais profunda do que simplesmente colocar um chatbot ao lado dos resultados.
Por enquanto, o ARR é uma proposta de pesquisa, não uma confirmação de que o Google Search adotará essa arquitetura.
Mas existe uma ironia interessante nisso tudo: enquanto o usuário olha para a página de resultados, pesquisadores estão tentando reinventar justamente a engrenagem que decide a ordem daquela página.
E, nesse caso, a próxima grande mudança na busca talvez não apareça primeiro na tela. Pode começar no motor que fica escondido atrás dela.
