Como o ChatGPT realmente escolhe as fontes (análise do tráfego de rede)

• A análise de cerca de 1.240 registros de fontes coletados ao longo de alguns dias em uma única conta Pro logada mostrou, no JSON do navegador, o pipeline de fontes, a classificação das consultas, os termos de busca e os modelos executados — coisas que não aparecem só na resposta final
• Todos os resultados da web vêm com um result_source que pode ser serp, labrador, bright ou oxylabs; em consultas comerciais, de compras, finanças e clima, bright, da Bright Data, foi o mais observado
• As consultas são classificadas em um dos 6 turn_use_case, e, se for text, responde sem busca na web, usando apenas dados de treinamento. Entre 10 consultas que exigiam atualidade, 3 também não acionaram busca, embora sejam resultados limitados de uma única conta
• O modelo Thinking expande uma única comparação de produtos em cerca de 15 a 40 subconsultas, faz buscas site: em páginas oficiais de preço ou estima preços e depois os valida procurando strings como $ e €
• Busca, citação e menção de marca são coisas diferentes; se o preço e as especificações da página oficial estiverem escondidos em JavaScript ou imagens, uma fonte terceirizada como o G2 pode acabar sendo citada no lugar. Os fatos precisam estar em HTML puro, e as avaliações também precisam ser obtidas em reviews, Reddit e conteúdos comparativos

---

Escopo da investigação e como interpretar os resultados

• Em alguns dias, foram executadas dezenas de buscas em uma conta ChatGPT Pro logada de uma única pessoa, reunindo cerca de 1.240 registros de fontes
  • A maioria das consultas estava concentrada em SaaS e tecnologia
  • Não é um estudo para medir a frequência de fontes em toda a população, mas um registro observacional dos campos internos e comportamentos enviados ao navegador
• Estudos amplos de visibilidade contam a frequência de exposição de marcas nas respostas finais de milhares de prompts, mas o processo interno precisa ser inferido a partir dos resultados
• Esta análise verificou diretamente, no JSON das respostas de rede, os rótulos internos do mecanismo
  • result_source por resultado
  • turn_use_case por consulta
  • nome do fornecedor de busca
  • termos de busca gerados pelo ChatGPT
  • modelo realmente executado
• O nível de confiança dos resultados deve ser separado em dois tipos
  • Fatos estruturais: existência dos campos e valores, ausência de busca na web em consultas text, múltiplas buscas site: e validação de preços no modelo Thinking — estruturas confirmadas repetidamente no tráfego real
  • Observações de frequência: participação de bright, ranking de citações do Reddit, ausência de citações do YouTube — números e rankings que podem variar conforme a conta única analisada e a seleção limitada de consultas
• Foi observada uma diferença mecânica que reforça essa direção: o Reddit permite capturar texto do corpo da página, enquanto nos resultados do YouTube o sistema normalmente recebe só metadados. Ainda assim, é necessária uma amostra maior para medir proporções exatas

Inspeção HTTP no navegador, não captura de pacotes

• Só com pacotes do Wireshark não dá para ler consultas e respostas, porque o conteúdo real das mensagens é criptografado por TLS
  • Dá para ver metadados como o nome do host de destino, o IP e que o app do ChatGPT usa HTTP/3 baseado em QUIC, e não TCP
  • O primeiro pacote QUIC é ofuscado com uma chave fixa definida na especificação, então a ferramenta consegue desfazer isso e mostrar o nome do servidor sem criptografia incluído no ClientHello
  • Depois disso, os corpos de requisição e resposta ficam protegidos no payload e não podem ser lidos
• O JSON com consulta, resposta e metadados precisa ser visto no painel Network do DevTools do navegador, depois da descriptografia
• No processo de automação, surgiram dois problemas
  • Ao rodar outro motor em um Chrome limpo de automação, a tela de verificação humana do Cloudflare começou a reaparecer depois de algumas consultas, então foi preciso mudar para um Chrome com sessão real
  • As respostas do ChatGPT são transmitidas por uma conexão longa aberta no carregamento da página, então um hook instalado no meio da sessão não conseguiu capturar tudo desde o início

O result_source anexado a cada fonte

• Ao ativar Preserve log no DevTools e pesquisar nas respostas, dá para ver que todos os resultados web buscados pelo ChatGPT vêm com result_source
• Mark Williams-Cook compartilhou 3 desses valores, e Metehan possivelmente já havia encontrado o valor restante
• Foram observados quatro valores
  • serp: camada padrão da web aberta, aparecendo principalmente em notícias como Yahoo e StreetInsider
  • labrador: parece ser uma allowlist de editoras tradicionais como Reuters, The Guardian, WSJ, FT, Wikipedia e arXiv, com snippets de até cerca de 1.080 caracteres
  • bright: aponta para a empresa de scraping comercial Bright Data e se destaca em consultas de compras, finanças, clima e buscas locais
  • oxylabs: aponta para a concorrente Oxylabs e aparece mais em mídia local e parte dos resultados da web aberta
• labrador inclui vários veículos que têm acordos de conteúdo com a OpenAI, então parece uma camada licenciada, mas não dá para confirmar relações contratuais só pelo tráfego
• Também não é possível saber, no caso de bright e oxylabs, se há contrato ou pagamento. Mas parece que a coleta da web aberta passa pelos dois, e o campo mostra qual deles trouxe cada resultado
• Na amostra coletada, bright foi responsável pelo maior volume de coleta
  • Reuters, WSJ, Wikipedia e TechRadar vieram via labrador
  • Reddit, Forbes e rtings vieram via bright
  • veículos do Golfo como Khaleej Times e Gulf News vieram via oxylabs
• Em uma consulta sobre o clima em Dubai, os papéis se dividiram até dentro da mesma resposta
  • metoffice.gov.uk, accuweather.com e timeanddate.com vieram via bright
  • khaleejtimes.com, gulfnews.com e whatson.ae vieram via oxylabs
• Para aparecer numa camada de scraping realmente acessível, fatos e números precisam estar em HTML puro, sem ficarem escondidos atrás de scripts, PDFs ou imagens
• Em vez de depender só da camada de editoras de acesso mais difícil, também é preciso aparecer em reportagens de terceiros, PR, menções de marca, links e Reddit — ou seja, em páginas que os scrapers realmente conseguem ler

Consultas text que não pesquisam a web

• Antes de buscar, o ChatGPT classifica a pergunta em um turn_use_case, e os valores observados foram 6
  • instant search
  • shopping
  • text
  • local
  • thinking
  • image generation
• Se a consulta for classificada como text, ele não faz busca na web e responde só com dados de treinamento
  • “como trocar um pneu furado”
  • “escreva uma função em Python que mescle duas listas ordenadas”
  • “traduza esta frase para 4 idiomas”
• Até “diretrizes mais recentes de tratamento para diabetes tipo 2”, que exige atualidade e tem implicações de segurança, foi classificada como text e processada sem busca na web
• Entre 10 perguntas feitas de propósito para exigir informação recente, 3 foram tratadas sem busca, mas o teste é limitado e não deve ser lido como uma taxa geral
• A classificação muda não só pelo tema, mas também pela forma de escrever a consulta
  • “o melhor café perto de mim” muda para o pipeline local
  • “a melhor TV 4K para comprar” ativa shopping
  • “a melhor TV 4K com reviews” permanece em busca geral
  • perguntas de matemática vão para o modelo de raciocínio thinking
  • “ação da Tesla esta semana” fica em instant search
• Antes de produzir uma página, é preciso verificar se a consulta-alvo realmente aciona busca na web
  • Se consultas de uso ou definição forem tratadas como text, sua página não entrará nos resultados, independentemente da qualidade atual
  • Para a marca aparecer nesses casos, o caminho é construir autoridade no longo prazo e permitir que crawlers como o Common Crawl vejam o site, aumentando a chance de entrar em futuros dados de treinamento

Como uma pergunta vira dezenas de buscas

• Ao recuperar toda a conversa pela própria API do ChatGPT, dá para ver as consultas em fan-out executadas pelo modelo
  • Modelos rápidos normalmente fazem apenas um termo reescrito
  • O modelo Thinking gera cerca de 15 a 40 subconsultas para uma única pergunta de comparação de produtos, dependendo da complexidade
• No processo de comparação, vários padrões de busca se encadeiam
  • faz busca site: diretamente na página de preços do fornecedor
  • primeiro estima o preço e depois pesquisa se aquele valor está correto
  • encontra durante a investigação ferramentas que não estavam no prompt, como Scrunch AI, e amplia o escopo da comparação
  • em seguida, verifica em cascata o preço dessas ferramentas recém-encontradas
• Não se limita a buscar resultados: também executa no servidor os comandos find, open, click da ferramenta de navegação
  • procura diretamente strings como $, €, 99, Agency
  • não é um agente manipulando a tela do usuário, mas uma ferramenta do lado do servidor explorando os resultados da página
• Na consulta “keyword insights pricing”, ele executou site:keywordinsights.ai/pricing, estimou valores como “Starter $58, Pro $145, Advanced $299” e depois confirmou procurando símbolos monetários no HTML
• Preços e métricas centrais devem ser fornecidos como texto HTML, não como imagem, e convém evitar toggles em JavaScript ou carregamento dinâmico de dados
• Não basta otimizar só para a frase digitada por uma pessoa; a informação também precisa ser encontrável pelos termos que o modelo reorganiza e executa, além de verificações diretas como site:yourdomain.com/pricing

Busca, citação e menção produzem resultados diferentes

• Há três estados independentes nas fontes
  • Busca (Fetched): a página entra no contexto do modelo, mas não fica visível para o leitor; isso aparece no objeto result_source
  • Citação (Cited): aparece como fonte clicável ligada a uma frase específica
  • Menção (Mentioned): o nome da marca ou o chip do site aparece na resposta, mas não como origem daquela afirmação
• Na amostra limitada de consultas técnicas e comerciais, Reddit e YouTube foram buscados 278 e 201 vezes, respectivamente
  • o Reddit foi citado 11 vezes
  • o YouTube não foi citado nenhuma vez
• Nos resultados do YouTube, o sistema parece buscar mais os metadados do que a transcrição dos vídeos; já threads do Reddit têm texto do corpo da página, o que facilita ligar uma fonte a uma frase específica
• Análises externas em grande escala mostram a mesma direção
  • a Ahrefs verificou, em 1,4 milhão de prompts do ChatGPT, taxa de citação de 1,93% para o Reddit e 0,51% para o YouTube
  • a Profound também encontrou a mesma diferença entre os dois serviços
• Na amostra pequena, o Reddit foi o domínio individual mais citado, seguido de citações dispersas entre sites de review como rtings e TechRadar e páginas de fornecedores
• Páginas de fornecedores são citadas como fonte de preço e especificações próprias
  • Zoho, Semrush e empresas de VPN foram usadas para sustentar informações sobre si mesmas
  • avaliações sobre qual produto é o melhor vieram principalmente de páginas de terceiros
• Como a citação se liga a uma frase específica, e não à resposta inteira, relevância temática por si só não basta: a página precisa sustentar muito bem uma afirmação exata
• Os resultados são desduplicados no nível do domínio, então 20 páginas fracas do mesmo site podem acabar virando uma só
• Em vez de produzir muitas páginas fracas para cada termo do fan-out, tende a funcionar melhor ter uma página forte por afirmação
• Afirmações avaliativas sobre sua própria empresa costumam se apoiar não na sua página, mas em reviews de terceiros, Reddit e conteúdo comparativo; e texto costuma ser citado de forma mais direta do que vídeo

Quando a página oficial não pode ser lida, a fonte muda

• No tráfego enviado ao navegador, não dá para ver pontuações ocultas de ranking como autoridade de domínio, peso de confiança ou fórmula de ordenação
  • essa lógica permanece nos servidores da OpenAI
  • não há base, com dados só do navegador, para cravar e vender “fatores de ranking do ChatGPT”
• O raciocínio salvo do modelo Thinking deixa em texto o processo de escolha das fontes
  • fatos como preço e especificações priorizam páginas oficiais
  • numa comparação da Ahrefs, ele confirmou Lite $129, Standard $249 e Advanced $449 na página oficial e escolheu citar a página de preços mais recente
• Em Profound e Peec, os preços não apareciam diretamente no resultado de busca, e ficou registrado que talvez fossem carregados por JavaScript
• Quando a página oficial não pode ser parseada, o modelo muda para fontes terceiras como o G2
  • ele tentou confirmar o preço oficial, mas não conseguiu encontrá-lo na página
  • como resultado, os números da própria empresa foram citados com base em páginas de outros sites
• Preços e especificações de produto não devem ser carregados por JavaScript nem colocados em imagens; devem estar em texto rastreável
• Uma página de preços fácil de ler aumenta a chance de os fatos da própria empresa serem citados diretamente, mas recomendações e avaliações ainda precisam ser conquistadas separadamente em reviews, Reddit e comparativos honestos

Personalização, busca local e áreas que não dá para verificar

• O motivo exato de uma fonte ser escolhida em vez de outra pertence à lógica do lado do servidor, exceto pela descrição textual que o próprio modelo deixa salva, então não dá para confirmar
• A personalização não se aplica a todas as consultas, mas seletivamente a algumas consultas relevantes
  • em perguntas que se sobrepunham ao trabalho anterior do usuário, apareceu personal_sources: ["convo_search", "gmail", "files"]
  • em 1 das 3 conversas analisadas, que batia com o histórico do usuário, conversas passadas foram usadas numa resposta genérica sobre “melhores ferramentas”
• Algumas respostas são compostas com dados pessoais que não podem ser otimizados externamente, então os resultados podem variar por usuário e até mexer em métricas de visibilidade
• Na busca local, o valor de local_results_limit é 2
  • ao perguntar pelo melhor café por perto, ele retorna 2 lugares, não 10
  • se você não estiver entre os 2 primeiros, não aparece na resposta local
• No pipeline shopping, só foi observada uma consulta, e ela conflita diretamente com o que outro pesquisador viu em uma única consulta, então ainda não dá para fechar como essa composição funciona
• A estrutura foi observada repetidamente em cerca de 1.240 registros, mas as proporções extraídas de um pequeno conjunto de consultas comerciais focadas em SaaS e tecnologia ainda precisam ser validadas em escala maior e em outros setores
• Como o sistema pode mudar toda semana, os números devem ser vistos como um snapshot, mesmo que a estrutura continue parecida

Como verificar por conta própria e extensões

• Dá para verificar o pipeline básico no próprio navegador, sem permissões extras
  • no ChatGPT, abra o DevTools com Cmd+Option+I
  • em Network, ative Preserve log
  • execute a consulta e depois pesquise result_source na resposta com Cmd+Option+F
• Para ver fan-out, citações e raciocínio, digite uma vez allow pasting no Console e então leia os dados de /backend-api/conversation/ em uma conversa que tenha usado busca web
• O script fornecido usa o token de acesso da sessão atual para ler apenas os dados das suas próprias conversas e exibe em tabela os domínios-fonte e pipelines
  • techradar.com e whathifi.com aparecem como labrador
  • soundguys.com e rtings.com aparecem como bright
  • khaleejtimes.com aparece como oxylabs
  • streetinsider.com aparece como serp
• Se você mudar os campos coletados, também dá para extrair termos de busca, citações e raciocínio salvo da mesma forma
• FanoutFox é uma extensão gratuita para Chrome que automatiza esse processo
  • mostra o pipeline result_source de cada fonte
  • distingue os estados de busca, citação e menção
  • exibe todas as consultas em fan-out geradas a partir de uma pergunta, além das buscas site: e das verificações de preço
  • os dados não saem do navegador
  • pode ser instalada pela Chrome Web Store, e há análise adicional na Part 2
• A extensão gratuita de Olivier de Segonzac também lê dados da sessão local e exporta para Excel
  • mostra o turn_use_case, permitindo ver se antes da busca a consulta foi encaminhada para shopping, local ou text
  • separa, nos tokens de citação, a proporção de tipos de referência entre produto, resultado de busca, notícia e imagem
  • exibe em gráficos a composição de result_source por conversa
  • está disponível na Chrome Web Store e na explicação da atualização

Um princípio de projeto diferente de SEO para buscadores

• Na amostra limitada, várias recomendações já conhecidas foram em grande parte confirmadas, especialmente a influência de Reddit, conteúdo em lista e sites de review
• Mesmo um bom conteúdo só funciona nas partes que o modelo realmente consegue ler; fatos que ele não consegue ler podem ser buscados em outros sites
• O ChatGPT lê fatos parseáveis nas páginas da própria empresa, pega avaliações nas páginas de outras pessoas e só executa esse processo quando a consulta é classificada como elegível para busca
• Em vez de mirar apenas ranking em buscadores, é preciso projetar também para execução da busca, capacidade de parsing em HTML, adequação de citação por afirmação e fontes terceiras de avaliação