---
title: "A Inteligência Não Observada dos LLMs"
description: "Todos observam a pergunta e a resposta. A inteligência está no meio, e ninguém está a olhar para ela. Dez dias na Hexa, um mercado real, e a camada da stack que ainda ninguém possui."
canonical: https://www.askgib.com/pt/articles/the-unobserved-intelligence-of-llms
last-updated: 2026-08-17
lang: pt
---
# A Inteligência Não Observada dos LLMs
> Todos observam a pergunta e a resposta. A inteligência está no meio, e ninguém está a olhar para ela. Dez dias na Hexa, um mercado real, e a camada da stack que ainda ninguém possui.
By Gibril Bachouchi. Filed 2026-08-17. 8 min read. Web page: https://www.askgib.com/pt/articles/the-unobserved-intelligence-of-llms
Languages: [en](https://www.askgib.com/articles/the-unobserved-intelligence-of-llms.md) · [fr](https://www.askgib.com/fr/articles/the-unobserved-intelligence-of-llms.md) · [ar](https://www.askgib.com/ar/articles/the-unobserved-intelligence-of-llms.md) · [es](https://www.askgib.com/es/articles/the-unobserved-intelligence-of-llms.md) · [ru](https://www.askgib.com/ru/articles/the-unobserved-intelligence-of-llms.md) · [pt](https://www.askgib.com/pt/articles/the-unobserved-intelligence-of-llms.md) · [it](https://www.askgib.com/it/articles/the-unobserved-intelligence-of-llms.md) · [de](https://www.askgib.com/de/articles/the-unobserved-intelligence-of-llms.md) · [ja](https://www.askgib.com/ja/articles/the-unobserved-intelligence-of-llms.md) · [ko](https://www.askgib.com/ko/articles/the-unobserved-intelligence-of-llms.md) · [hi](https://www.askgib.com/hi/articles/the-unobserved-intelligence-of-llms.md) · [he](https://www.askgib.com/he/articles/the-unobserved-intelligence-of-llms.md) · [zh](https://www.askgib.com/zh/articles/the-unobserved-intelligence-of-llms.md) · [tr](https://www.askgib.com/tr/articles/the-unobserved-intelligence-of-llms.md) · [kab](https://www.askgib.com/kab/articles/the-unobserved-intelligence-of-llms.md)
As marcas estão a ser descritas aos seus clientes por uma máquina, num parágrafo que nunca veem ser escrito, construído a partir de fontes que nunca escolheram. A maior parte delas está agora a pagar a alguém para medir isto.
Todos estão a observar a pergunta e a resposta. A inteligência está no meio, e ninguém está a olhar para ela.
Antigamente as pessoas escreviam palavras-chave numa caixa e recebiam dez links azuis. Isso conseguia medir-se. Posição 3 para «sapatilhas de corrida», posição 8 para «sapatilhas de trail running». Aborrecido, mas honesto.
Agora as pessoas escrevem uma frase. Um modelo lê-a, decide o que realmente queriam dizer, parte-a em pedaços, vai à procura de coisas, deita fora a maior parte, e escreve um parágrafo. A marca ou aparece nesse parágrafo, ou não.
Tudo o que importa acontece no meio. E o meio é uma caixa negra.
Cada uma dessas setas é um ponto onde uma marca entra, ou é excluída. Ninguém que venda GEO hoje consegue dizer-te qual foi a seta que te matou. Só conseguem dizer-te que não estavas no parágrafo final.
Aqui está o que parte a cabeça a quem vem do SEO.
Fazes a mesma pergunta duas vezes, obténs duas respostas diferentes. Fazes de forma ligeiramente diferente, obténs um conjunto diferente de fontes. Fazes amanhã, diferente outra vez. Não há posição 3. Há uma distribuição.
Por isso o trabalho é trabalho de amostragem:
- **Não corres um prompt. Corres-o n vezes.** Uma resposta é uma anedota. Cem respostas são uma medição. Uma taxa de menção de 34% ± 6 significa alguma coisa. «Aparecemos» não significa nada.
- **Agrupas os prompts por intenção, não por string.** «Melhor CRM para uma equipa pequena» e «que CRM deve usar uma startup de 5 pessoas» são a mesma pergunta vestida de forma diferente. Se as tratares como duas palavras-chave, vais contar em dobro e enganar-te a ti próprio.
- **Medes mais do que a presença.** Taxa de menção. Share of voice face a concorrentes nomeados. Posição na resposta. Sentimento quando mencionada. Que fonte foi citada para justificar a menção.
- **Observas a variância, não só a média.** Uma marca mencionada 90% das vezes num modelo e 10% noutro não tem um problema de 50%. Tem dois problemas diferentes.
- **Precisas de um controlo.** Caso contrário não consegues saber se foi o teu conteúdo que fez alguma coisa ou se o modelo foi só atualizado na terça-feira.
Essa é a espinha analítica de toda a categoria: desenho de amostragem, clustering, atribuição, intervalos de confiança. Está mais perto da investigação por inquérito do que do SEO.
### A matemática que realmente compensa
Quatro ferramentas fazem a maior parte do trabalho aqui.
**Intervalo de Wilson: para «temos a certeza?»**
A taxa de menção é uma proporção, e a aproximação normal desmorona-se com n pequeno e em taxas perto de 0 ou de 1, que é exatamente onde as marcas vivem. O de Wilson não. E diz-te logo à partida a dimensão da amostra: para medir uma taxa de menção a ±5 pontos com 95% de confiança precisas de cerca de 400 execuções desse cluster de prompts. A ±10 pontos, cerca de 100. Se o teu dashboard reporta um número tirado de 20 execuções, está a reportar ruído.
**Atualização Beta-Binomial: para «isto mexeu-se?»**
Modela a taxa de menção de cada cluster de prompts como uma posterior Beta. Prior do mês passado, verosimilhança das execuções desta semana, posterior à saída. Lida com amostras pequenas de forma honesta, acumula evidência ao longo do tempo em vez de deitar fora a semana passada, e dá-te diretamente P(a taxa subiu) em vez de um p-value que ninguém sabe interpretar.
**Bayes: para «qual foi a alavanca que mexeu nisto?»**
Esta é a que as pessoas saltam. Observas uma menção. O que queres é P(a nossa página nova causou isto | menção), e o que consegues medir é P(menção | a página foi citada). Bayes inverte isto, e o prior é a taxa base de seres mencionado mesmo sem a página. Aplica-o e a maior parte das alegações de «o nosso conteúdo funcionou» desmorona-se. A taxa base já era alta e ninguém verificou. O mesmo truque serve para a cadeia de fontes: dada uma menção, qual das tuas propriedades foi citada, ponderada pela frequência com que essa propriedade é citada em geral.
**Divergência KL: para «a que distância está o nosso conjunto sintético da realidade?»**
Agrupa os prompts por intenção, obtém uma distribuição sobre clusters para o teu conjunto sintético e uma distribuição sobre clusters para o tráfego real, e mede a diferença. A KL (ou Jensen–Shannon, que é simétrica e limitada, logo mais fácil de reportar) dá-te um único número para o quão errado está o teu conjunto de prompts simulado. Sem prompts reais não a consegues calcular de todo, e esse é o problema silencioso de toda a plataforma exclusivamente sintética. Não conseguem medir o seu próprio erro.
Mais duas, em breve: **difference-in-differences** contra um conjunto de controlo de marcas concorrentes, para que uma atualização do modelo na terça-feira não fique registada como a tua vitória; e uma **correção para comparações múltiplas**, porque se testares 200 clusters de prompts a `p<0.05`, obténs dez resultados «significativos» por puro acaso.
Usei os dez dias para falar mesmo com pessoas. Empresas com o problema, e empresas a vender a cura. A Profound e o resto dessa malta.
O mercado é real. A dor é real. As marcas estão a observar um canal que não conseguem ver, e ele está a crescer.
Mas quase toda a gente funciona com **prompts sintéticos**. Um modelo gera uma lista de perguntas que os clientes «poderiam» fazer, e a plataforma mede essas. É inteligente. Funciona o suficiente para se vender. Eu também construí com dados sintéticos, e obtive sinal útil rapidamente.
Continua a ser um palpite. Um palpite muito bem vestido sobre o que os humanos realmente escrevem. E o segundo problema é pior: mesmo com prompts perfeitos, só estás a observar a entrada e a saída. O meio continua às escuras. Não obténs as subperguntas. Não obténs as queries que dispararam. Não obténs as fontes que foram consideradas e descartadas.
Desenha o ciclo e vês onde ele parte.
Duas quebras, e elas somam-se. A quebra 1 significa que estás a otimizar para perguntas que ninguém fez. A quebra 2 significa que, mesmo quando ganhas, não consegues dizer qual das tuas alterações foi a responsável. Por isso a próxima decisão também é um palpite. Um ciclo sem feedback limpo não é um ciclo. É uma passadeira rolante com um dashboard aparafusado.
O prémio são os dados em bruto. Prompts reais, sessões reais, passos intermédios reais. Quem tiver isso não está a adivinhar o meio. Consegue vê-lo.
Toda a indústria de dados acaba com as mesmas três camadas, e vale a pena saber em qual estás.
**Camada 1: recolha.** Possui os dados em bruto na fonte. Painéis, crawlers, clickstream, recibos, registos de telecomunicações. Lenta a construir, cara, pouco glamorosa. As melhores margens, a mais difícil de copiar.
**Camada 2: analytics.** Licencia ou compra dados em bruto, limpa-os, normaliza-os, transforma-os em métricas e benchmarks, vende um dashboard. A maior parte das startups vive aqui porque é o sítio mais fácil para começar.
**Camada 3: ativação.** Pega nas métricas e faz o trabalho. Agências, ferramentas, produtoras de conteúdo. Mais perto do orçamento do cliente, margem mais baixa.
Costuma também existir um intermediário entre a 1 e a 2: a LiveRamp, a Snowflake Marketplace, os revendedores de dados de cartões. O único trabalho deles é mover dados de quem os tem para quem os quer.
O SEO antigo encaixa nisto com toda a limpeza. A recolha eram crawlers mais painéis de clickstream vendidos discretamente por extensões de browser e ISPs. A analytics era a Semrush e a Ahrefs, e repara que construíram os seus próprios crawlers, por isso possuem as camadas 1 e 2, que é exatamente a razão por que cresceram tanto. A ativação era todas as agências de SEO da Terra.
Daqui saem duas regras, e são elas que decidem quem sobrevive:
- **A camada 2 sozinha torna-se uma commodity.** Se dez empresas licenciam o mesmo feed, todas reportam os mesmos números e acabam a competir em UI e preço.
- **A camada 1 pode subir para a 2 e a 3 quando quiser. Nunca funciona ao contrário.**
Agora olha para o GEO hoje. Quase todos os jogadores são negócios de camada 2 sem nenhuma camada 1 por baixo. Não há feed nenhum para licenciar, porque os dados vivem dentro dos registos de conversa de outra pessoa. Por isso fabricam o input em falta, prompts sintéticos, e vendem analytics em cima de dados que inventaram.
Prompts reais e sessões reais são a camada 1 desta indústria, e ainda ninguém a possui.
Não daria. É esse o jogo todo, e é onde a maior parte das ideias neste espaço morre em silêncio.
Ninguém acorda a querer vender-te o seu histórico de prompts. Só há duas formas honestas de entrar:
1. **Constrói algo que as pessoas queiram por uma razão completamente diferente.** Um serviço que se sustenta sozinho, que usariam mesmo que nunca tocasses nos dados. Os dados são um subproduto do valor que já entregaste. É assim que funcionou todo o negócio de dados que alguma vez funcionou.
2. **Paga por eles.** Diretamente. Compra os dados a quem os possui, e sê claro sobre o que estás a comprar e porquê.
Tudo o resto ou é um problema de privacidade ou é um desejo.
Essa restrição não é uma nota de rodapé do negócio. *É* o negócio. Qualquer empresa de GEO que chegue a dados comportamentais reais antes dos concorrentes não ganha por 10%. Deixa de adivinhar enquanto todos os outros continuam a adivinhar.
O agente já destila a intenção a partir do teu prompt. Já decide o que pesquisar. Já decide o que guardar. Essa maquinaria está a ser construída agora mesmo, por toda a gente, muito depressa.
Perceber o que acontece entre o prompt e a resposta, que ações levam a que resposta, e obter isso a partir de dados reais em vez de dados simulados, vai importar a toda a empresa que venda alguma coisa.
E agora a parte discreta, porque a maior parte das pessoas a vender para este espaço não a vai dizer. Este é um bom lugar para estar por tempo limitado.
Duas coisas fecham a janela.
A primeira é a lei. Os direitos sobre dados estão a mexer-se em todas as jurisdições ao mesmo tempo, e estão todas a mexer-se na mesma direção. Recolher dados comportamentais, usá-los e revendê-los ficam cada um mais difícil, mais lento e mais caro. Um negócio cuja vantagem inteira é deter prompts reais e sessões reais é um negócio cuja vantagem inteira está a um regulamento de distância de se tornar um passivo.
A segunda é que os dados deixam de ser especiais. O que eu disse antes, que os prompts sintéticos são um palpite muito bem vestido, é verdade hoje e cada vez menos verdade a cada trimestre. Olha outra vez para a anatomia do meio. Destilação da intenção, decomposição, recuperação, seleção. Cada uma dessas coisas é um passo que um modelo executa, o que significa que é um passo que se pode pedir a um modelo para executar outra vez, a pedido. Assim que um modelo conseguir reconstruir uma distribuição realista do que as pessoas realmente perguntam, o prémio de teres observado isso desmorona-se.
O custo de o fazeres tu próprio cai ao mesmo tempo. Correr um cluster de prompts algumas centenas de vezes e fazer a estatística sobre isso não é uma computação cara, e fica mais barato todos os anos. Hoje compras uma plataforma para isso. Em breve é uma tarefa agendada dentro da tua própria stack, e ninguém compra um dashboard para uma tarefa agendada.
Depois o último aperto, e é esse que eu observaria. Os laboratórios possuem a única parte genuinamente inobservável disto tudo. À medida que o próprio modelo se torna commodity, e está a tornar-se, precisam de receita que não seja tokens. Vender visibilidade estruturada sobre o que aconteceu entre o prompt e a resposta é a diversificação óbvia, e são os únicos que a conseguem vender sem pedir autorização a ninguém. Nesse dia, toda a empresa de GEO independente está a revender algo que o seu próprio fornecedor pode oferecer diretamente.
Por isso espera ruído. Rondas grandes, títulos grandes, uma categoria que parece o próximo Semrush durante uns três anos. Parte desse dinheiro é real. A maior parte dos fossos não é.
Continuo a achar que é um dos melhores lugares para estar. Estou menos certo de que seja um bom lugar para ficar.
Descobri tudo isto durante dez dias na incubadora Hexa. Apareces, entregam-te um problema, e o teu trabalho é provar que a ideia deles tem mérito. É esse o acordo.
Não é uma experiência mental. A ideia saiu desses dez dias com o suficiente por trás dela para que a Hexa vá investir cerca de 750.000€ na sua construção, e está a levá-la adiante com o meu parceiro.
Não fui selecionado para continuar, mas mesmo assim foram dos melhores dez dias que tive em muito tempo. Problema real, utilizadores reais ao telefone, mercado real, sem teatro. O trabalho aguentou-se.
Fá-lo-ia outra vez amanhã (mas desta vez com a YC 🤣).