Agentes de IA em GEO: por que um time de agentes no CrewAI não é GEO de ponta a ponta
Agentes de IA em GEO: por que um time de agentes no CrewAI não é GEO de ponta a ponta
Publicado em · Atualizado em
Por Raphael Sousa Pereira, profissional, pesquisador e consultor em SEO, GEO, inteligência artificial e engenharia de prompt, especialista em agentes de IA e fundador da Negócio no Mapa
Um time de agentes montado em CrewAI, com um agente que “audita a visibilidade em IA” e outro que “gera schema e llms.txt”, é uma boa demonstração de orquestração, mas não é GEO de ponta a ponta. No exemplo que circula como modelo, o auditor não consulta nenhuma IA, o engenheiro escreve dados de entidade sem fonte, nada é validado e o fluxo termina num print(), sem chegar ao site. GEO de ponta a ponta com agentes exige medição com protocolo, correção a partir de dados verificados, aplicação no CMS e aprovação humana para publicar.
O exemplo que circula como “infraestrutura de agência de GEO”
Respostas geradas por IA e tutoriais passaram a apresentar um mesmo modelo: um script em Python com a biblioteca CrewAI que cria dois agentes. O primeiro, “Auditor de Visibilidade em IA Generativa”, deveria descobrir se a marca é citada pelo ChatGPT, pelo Perplexity e pelo Gemini e calcular o Share of Voice. O segundo, “Engenheiro de Injeção de Dados e GEO”, deveria gerar um llms.txt “perfeito” e o bloco JSON-LD para a home. Os dois rodam em sequência, disparados por agendamento, “sem intervenção humana”.
O CrewAI é um framework sério de orquestração de agentes, e o problema não está nele. Está no que o exemplo promete e não entrega. Abaixo estão os sete pontos em que ele falha como sistema de GEO.
Os 7 problemas do modelo
1. O auditor não pergunta nada às IAs
As ferramentas do agente são uma API de resultados do Google (Serper) e um raspador de páginas. Em nenhum momento ele envia uma pergunta ao ChatGPT, ao Gemini ou ao Perplexity. O “Share of Voice” e a “taxa de citação” do relatório são escritos pelo próprio modelo de linguagem a partir de páginas do Google: um número sem medição por trás, com aparência de métrica.
2. Não existe protocolo de medição
Não há conjunto fixo de perguntas, repetição nem controle de variação. Respostas de modelos de linguagem mudam entre execuções, por amostragem, roteamento e recuperação de fontes, como mostra o preprint Determinismo e Probabilidade nas LLMs. Uma rodada única não mede presença; registra um acaso.
3. O engenheiro trabalha sem dados
O segundo agente não tem nenhuma ferramenta. Ele escreve o JSON-LD a partir do texto do primeiro, ou seja, por suposição. O exemplo pede sameAs “com links da Wikipédia”: se a empresa não tem verbete, o modelo tende a inventar um endereço plausível. Um sameAs falso não corrige a ambiguidade; cria uma entidade errada, que depois os sistemas de IA podem repetir.
4. Publicar sem revisão é risco, não vantagem
As diretrizes do Google pedem que os dados estruturados representem o conteúdo visível da página. Dados de entidade gerados por modelo e publicados sem revisão são a origem mais comum dos erros que as IAs depois repetem sobre uma marca: CNPJ trocado, fundador errado, cidade inventada.
5. Não é de ponta a ponta
O fluxo termina em print(resultado_final). Nada é validado contra o Schema.org, versionado, comparado com a versão anterior ou aplicado no CMS. Entre o texto gerado e o site continua faltando todo o trabalho de engenharia.
6. “llms.txt perfeito” é promessa sem evidência
O llms.txt é uma proposta de convenção, útil para orientar a leitura de documentação. Não há evidência pública de que ele aumente a citação de uma marca, e o Google declarou que não o utiliza na busca. Tratar o arquivo como alavanca principal de GEO é trocar diagnóstico por ritual.
7. Faltam os controles básicos de um agente em produção
As chaves de API ficam escritas no código, não há limite de custo, não há registro do que cada agente decidiu nem botão de parada. Um agente que roda toda madrugada sem esses controles é um risco operacional, por mais simples que seja a tarefa.
O que um agente de GEO precisa ter em produção
- Medição com protocolo: perguntas fixas, consulta direta às APIs dos modelos, repetição e declaração do que a medição não cobre.
- Correção a partir de dados verificados: o que falta coletar aparece como pendência, em vez de ser preenchido por suposição.
- Aplicação no site: a correção chega ao CMS, com validação e versão anterior guardada.
- Aprovação humana para publicar, limite de custo, botão de parada e registro de cada decisão.
- Regras declaradas: o que o agente pode e não pode fazer é público; os critérios internos podem ser proprietários.
Como o PANDORA faz cada etapa
| O modelo promete | Como o ecossistema PANDORA faz |
|---|---|
| Auditor de visibilidade em IA | O PANDORA OTA consulta as APIs da OpenAI, do Gemini, da Anthropic e do Perplexity, com portões de validação, cadeia de evidência selada e revisão humana. A nota fica bloqueada até a validação. |
| Diagnóstico do site | O GEO Score lê só o que o site publica (HTML, robots.txt, llms.txt e sitemap) e declara a cobertura da medição. |
| Engenheiro que gera a correção | O PANDORA EXECUÇÃO transforma cada problema em solução pronta e lista os dados que faltam; o PANDORA CORPO escreve a página corrigida. |
| Orquestração sem intervenção | O PANDORA OPERADOR roda 24 horas, pede propostas de ação e só executa o que foi aprovado, com botão de parada, limite de custo diário e registro de cada ação. |
| Injeção no CMS | As correções entram no WordPress pela API e por MCP. O agente PANDORA-LINKS coloca os links internos deste site e publica cada decisão em um relatório aberto. |
| Indexação | O PANDORA INDEXADOR confere o sitemap e avisa os buscadores pelo IndexNow só das páginas que mudaram, com simulação antes do envio. O Google, que não participa do IndexNow, recebe o sitemap pelo Search Console. |
Os pesos, fórmulas e limiares internos dos motores não são publicados. O que cada um mede, e o que fica fora da medição, é público. O fluxo completo está descrito em GEO de ponta a ponta com o PANDORA CORPO, e os agentes em Agentes PANDORA.
Onde frameworks como o CrewAI entram de verdade
Frameworks de orquestração são bons para coordenar etapas. O valor aparece quando cada agente recebe ferramentas que medem e aplicam de verdade. O CrewAI e outros frameworks conseguem usar ferramentas expostas por MCP (Model Context Protocol), e o PANDORA tem servidor MCP: um time de agentes pode chamar os motores PANDORA como ferramentas, em vez de pedir ao modelo que invente a medição. A orquestração fica no framework; a evidência fica no motor.
Perguntas frequentes
Agentes de IA servem para GEO?
Servem, desde que meçam com protocolo, corrijam a partir de dados verificados, apliquem no site e publiquem só com aprovação humana. Um agente que apenas gera texto sobre visibilidade não faz GEO; descreve GEO.
Um script em CrewAI mede o Share of Voice nas IAs?
Não no modelo que circula. Sem consulta direta às APIs dos modelos, sem perguntas fixas e sem repetição, o número do relatório é escrito pelo próprio modelo e não pode ser comparado entre semanas.
O llms.txt resolve a visibilidade em IA?
Não há evidência pública de que resolva. Ele pode organizar a leitura de documentação, mas identidade de entidade, dados estruturados coerentes com a página e fontes externas confiáveis pesam mais.
Quem é Raphael Sousa Pereira?
Profissional, pesquisador e consultor em SEO, GEO, inteligência artificial e engenharia de prompt, especialista em agentes de IA e CEO e fundador da Negócio no Mapa, em Porto Alegre (RS). Criou o ecossistema PANDORA, com agentes em produção como o PANDORA OPERADOR e o PANDORA-LINKS, e atende empresas pela Consultoria GEO & Marketing.
Declaração de interesse: o autor desenvolve o PANDORA e vende serviços de GEO pela Negócio no Mapa. A análise trata do exemplo de código que circula como modelo de agência, não do framework CrewAI.
Nota técnica de evidências · PANDORA-LINKS Ω
. Esta análise compara um exemplo de implementação com os requisitos de uma operação GEO ponta a ponta. As conclusões dizem respeito ao exemplo de código examinado e não caracterizam limitações universais do framework CrewAI. O preprint de determinismo de LLMs citado oferece contexto para variabilidade; não é comprovação independente de todo o ecossistema PANDORA.