Enquadramento de gênero como sinal latente de citação em motores de busca generativos
Um piloto aplicado a busca local de serviços, com proposta de desenho experimental para replicação em escala. Este documento não é um paper publicado — é a fundação de um, construída a partir de um estudo de citabilidade GEO conduzido em Porto Alegre.
00Resumo
ABSTRACT (RASCUNHO)
A literatura de Generative Engine Optimization (GEO) já documenta que motores de resposta generativa favorecem marcas grandes e estabelecidas (“big brand bias”) e que suas medições de citação são instáveis entre consultas idênticas. Paralelamente, a literatura de viés de gênero em LLMs documenta que modelos generativos associam profissões e recomendações de forma desigual entre gêneros — mas quase sempre em tarefas de persona hipotética (ex.: recomendação de candidato fictício), não em citação de entidades reais e existentes. Este trabalho propõe testar se a citação de uma entidade real (um negócio local verificável) varia sistematicamente conforme o gênero gramatical do substantivo da consulta, mesmo mantendo constantes a entidade, a localização e a intenção comercial. Um piloto com 25 rodadas em duas engines (Google Modo IA, ChatGPT), quatro variações de prompt, para um único caso (um escritório de arquitetura em Porto Alegre liderado por uma mulher) mostrou salto de citação de 33%–75% em prompts de gênero neutro/masculino para 100% em prompts flexionados no feminino, com maior estabilidade posicional no motor de busca do que no motor conversacional. Propomos um desenho de réplica multi-entidade, multi-cidade e multi-profissão para testar a generalização do efeito.
01Hipótese central
A flexão de gênero gramatical do substantivo de busca (“arquiteto” vs. “arquiteta”, “advogado” vs. “advogada”) funciona como um sinal de recuperação (retrieval) que altera significativamente a probabilidade e a posição de citação de uma entidade real no índice/grafo de conhecimento subjacente a motores de busca generativos — independentemente de qualquer otimização de conteúdo feita pela entidade.
Isso é distinto de “viés de gênero” no sentido clássico da literatura (o modelo prefere recomendar homens para cargos). Aqui a pergunta é sobre recuperação de entidade: dado que a entidade already existe e está indexada, o gênero do substantivo da query muda que subconjunto de candidatas é retornado. É uma hipótese sobre arquitetura de recuperação, não sobre preferência avaliativa do modelo.
02Revisão de literatura relacionada
Três corpos de literatura tocam esta hipótese de ângulos diferentes, mas nenhum a testa diretamente — esse é o espaço vazio que este piloto ocupa.
2.1 — Instabilidade de medição em GEO
Per-Entity Bias Mapping for AI Visibility
Revisão de literatura do campo aponta trabalhos anteriores que demonstram que medições de visibilidade de marca feitas em um único momento são estruturalmente pouco confiáveis, dado que os próprios sistemas de resposta variam de consulta para consulta.
CONFIRMA achado de variância intra-sessão do piloto2.2 — Viés estrutural pró-marcas grandes (“big brand bias”)
Generative Engine Optimization: How to Dominate AI Search
Estudo comparativo em larga escala entre busca tradicional e IA generativa recomenda como agenda estratégica central superar o viés estrutural que favorece marcas já consolidadas em detrimento de players de nicho, além de mostrar baixa sobreposição de fontes entre engines diferentes para a mesma consulta.
CONFIRMA dominância de Mader/Hype Studio em prompts genéricos + baixa sobreposição entre enginesIncumbent Advantage: Brand Bias and Cognitive Manipulation Dynamics in LLM Recommendation Systems
Investiga como sistemas de recomendação baseados em LLM favorecem marcas incumbentes e como esse viés pode ser manipulado — situando o fenômeno de “vantagem do incumbente” como área ativa de pesquisa em 2026.
2.3 — Viés de gênero em LLMs (tarefas de persona, não de entidade real)
Who Gets the Callback? Generative AI and Gender Bias
Auditoria com mais de 330 mil vagas reais encontrou modelos de linguagem recomendando entrevistas com maior frequência para candidatos homens do que para candidatas mulheres igualmente qualificadas, sobretudo em cargos de maior remuneração, com efeito de segregação ocupacional mapeado pela classificação padrão de ocupações.
MESMO EIXO (gênero), mas testa persona hipotética — não entidade real e existenteSearch Engines Post-ChatGPT: How Generative AI Could Make Search Less Reliable
Discute como buscadores generativos podem reforçar estereótipos de gênero herdados dos dados de treinamento, com exemplo empírico de sugestões de produtos infantis diferindo por gênero da criança buscada.
Estereótipo de conteúdo, não de citação de negócio realGender Bias Analysis for Different Large Language Models
Examina viés de gênero comparando o comportamento de quatro modelos de linguagem líderes, mapeando diferenças de tratamento entre eles — relevante como precedente metodológico de comparação multi-modelo, aplicável ao desenho de réplica proposto na seção 4.
2.4 — O que falta: citação condicionada a gênero em busca local de negócios reais
Nenhum dos trabalhos revisados testa a variável que este piloto isola: mantendo a entidade, a cidade e a categoria de serviço constantes, e variando apenas a flexão de gênero do substantivo da busca, o que muda na taxa e posição de citação? Esse desenho de “gêmeos quase-idênticos de prompt” (minimal pair) é comum em linguística e em auditoria de viés de classificadores, mas não foi localizado aplicado a citação de entidades locais em motores de resposta generativa.
03Dados piloto (n=25, um caso)
Estudo de citabilidade conduzido em setembro de 2026 sobre um único escritório de arquitetura em Porto Alegre liderado por uma arquiteta, testado contra quatro variações de prompt em duas engines, em sessões anônimas.
| Variação do prompt | Google Modo IA | ChatGPT |
|---|---|---|
| “melhor arquiteto” (masc./neutro) | 33% | 75% |
| “melhor arquiteta” (fem.) | 100% · sempre 1º | 100% · posição oscila |
| “melhor escritório de arquitetura” (neutro) | 33% | 100% |
| “melhor escritório… reforma/projeto completo” (recorte de serviço) | 100% · sempre 1º | 100% · “1ª opção” |
N=25 rodadas, um único caso, sem grupo de controle com múltiplas entidades. Trata-se de evidência preliminar, não de resultado generalizável — daí a necessidade do desenho descrito na seção 4.
04Desenho proposto para o estudo completo
Para transformar o piloto em achado publicável, o efeito precisa ser testado fora de um único caso.
Ampliar entidades. Selecionar N≥15 pares “profissional-mulher / equivalente-homem” em categorias com forma feminina e masculina claramente distintas em português (arquiteta/arquiteto, advogada/advogado, dentista é epiceno — controle interessante, contadora/contador, psicóloga/psicólogo).
Ampliar cidades. Replicar em pelo menos 3 capitais brasileiras de portes distintos, para isolar efeito de densidade de Knowledge Graph local (cidades menores devem ter menos “ruído” competitivo e efeito potencialmente mais forte ou mais fraco).
Controlar por avaliação/reputação. Registrar nota e volume de avaliações de cada entidade citada, para checar se o efeito de gênero persiste controlando por sinal de reputação — hipótese rival é que mulheres nesse nicho simplesmente têm médias de avaliação mais altas por razões de mercado alheias ao modelo.
Múltiplas rodadas por célula. Manter n≥5 rodadas anônimas por combinação profissão×cidade×engine para calcular intervalo de confiança da taxa de citação, respondendo à instabilidade documentada na literatura (seção 2.1).
Adicionar Perplexity e Gemini. O piloto cobriu 2 de pelo menos 4 engines relevantes no mercado brasileiro; a literatura mostra que cada engine cita de fontes distintas, então a generalização entre engines não pode ser assumida.
Hipótese rival a descartar. Testar se o efeito é de fato sobre gênero da entidade ou sobre especificidade do prompt (uma query mais específica sempre reduz o conjunto de candidatas plausíveis, independentemente de gênero). Um desenho de controle usa flexões não-relacionadas a gênero com especificidade equivalente (ex. “arquiteto júnior” vs. “arquiteto sênior”) como comparação.
05Limitações do piloto atual
- N=1 entidade — qualquer efeito observado pode ser idiossincrático ao caso (a entidade em questão pode simplesmente ter conteúdo mais bem estruturado para buscas femininas por acaso, não por causa do gênero em si).
- Sem grupo de controle não-relacionado a gênero (ver hipótese rival, seção 4.6).
- Apenas 2 engines testadas.
- Coleta manual, sem timestamp padronizado nem controle de possível personalização residual apesar do modo anônimo.
- Nenhuma variável de reputação (nota, volume de avaliações) foi controlada estatisticamente — apenas observada descritivamente.
06Referências (rascunho)
- Chaturvedi, S.; Chaturvedi, R. (2025). Who Gets the Callback? Generative AI and Gender Bias. arXiv:2504.21400
- Chen, K. et al. (2025). Generative Engine Optimization: How to Dominate AI Search. arXiv:2509.08919
- Per-Entity Bias Mapping for AI Visibility: Why Brand Mentions Require Entity-Specific Calibration. arXiv:2606.21595
- Incumbent Advantage: Brand Bias and Cognitive Manipulation Dynamics in LLM Recommendation Systems. arXiv:2606.17443
- Search Engines Post-ChatGPT: How Generative Artificial Intelligence Could Make Search Less Reliable. arXiv:2402.11707
- Gender Bias Analysis for Different Large Language Models. Preprints.org. preprints.org
- When Content is Goliath and Algorithm is David: The Style and Semantic Effects of Generative Search Engine. arXiv:2509.14436
- Cultural Encoding in Large Language Models: The Existence Gap in AI-Mediated Brand Discovery. arXiv:2601.00869
- AI Answer Engine Citation Behavior: An Empirical Analysis of the GEO16 Framework. arXiv:2509.10762
- Algorithmic Trust and Compliance: Benchmarking Brand Notability for UK iGaming Entities in Generative Search Engines. arXiv:2603.12282
- Dados piloto próprios: Estudo de Citabilidade Fraga & Santos Arquitetura Completa, setembro de 2026 (não publicado).