Como os LLMs estão moldando a forma como os compradores de identidade tomam decisões
Recentemente, conversamos com Evan Bailyn, CEO da First Page Sage, a agência líder em SEO SaaS nos EUA. Com clientes como Salesforce, Verisign, Grammarly e Nerdwallet, a agência de Evan é, há muito tempo, pioneira em visibilidade na busca orgânica e, mais recentemente, em descoberta impulsionada por IA.
No início de 2023, logo após o lançamento do ChatGPT, Evan lançou a disciplina de Otimização de Mecanismos Generativos (GEO) — uma evolução do SEO projetada especificamente para a era da IA generativa. Ele também liderou o primeiro estudo em grande escala do algoritmo do ChatGPT, analisando como os LLMs escolhem quais empresas destacar em suas respostas. A GEO se baseia nessa pesquisa para ajudar as marcas a moldar estrategicamente a forma como aparecem nas respostas geradas por IA.
Em nossa conversa, Evan explicou como os LLMs estão começando a influenciar as decisões de compra em setores regulamentados, como o de serviços financeiros, e o que os responsáveis pela identidade — gerentes de combate à fraude, líderes de conformidade e equipes de compras — devem saber ao utilizar essas ferramentas para avaliar fornecedores.
Microblink: Cada vez mais compradores estão recorrendo a ferramentas como o ChatGPT ou o Perplexity para auxiliar na pesquisa de soluções de verificação de identidade. Do seu ponto de vista, como os profissionais da área de conformidade ou de combate à fraude devem encarar esses resumos gerados por modelos de linguagem de grande escala (LLM)?
Evan: Com cautela, mas também com interesse. Os LLMs são incrivelmente rápidos e, muitas vezes, precisos em termos de orientação. Se você perguntar: “Quais fornecedores de KYC apresentam baixos índices de falsos negativos?” ou “Quais soluções são as melhores para verificação biométrica?”, provavelmente receberá uma resposta coerente e aparentemente útil. Mas o que o modelo oferece é uma síntese de informações disponíveis publicamente — portanto, ele só sabe o que lhe foi ensinado. Se o conjunto de dados sobre uma empresa for escasso ou inconsistente, mesmo um fornecedor de primeira linha pode ser apresentado de forma equivocada ou ficar totalmente de fora.
É por isso que recomendo tratar as respostas dos LLMs como uma ferramenta de análise inicial, e não como um instrumento de tomada de decisão. Elas podem acelerar a identificação de fornecedores e revelar diferenciais úteis, mas sua precisão depende inteiramente de quão bem as empresas informaram o ecossistema sobre o que fazem.
Microblink: Da parte da Microblink, temos investido na publicação de conteúdo técnico, na transparência em relação ao nosso fluxo de verificação e no compartilhamento de dados de desempenho sempre que possível. Esse tipo de esforço realmente influencia o que os modelos aprendem?
Evan: Com certeza. Os modelos generativos aprendem por meio da exposição e da repetição em domínios confiáveis. Portanto, se você estiver publicando artigos explicativos de alto nível técnico, sendo citado em artigos de pesquisa ou mencionado em resumos sobre conformidade, isso cria uma associação entre a sua marca e conceitos específicos, como detecção de autenticidade ou precisão de sinais de fraude. Com o tempo, o modelo passa a considerar sua marca como uma referência nessas áreas.
As empresas com melhor desempenho nas respostas dos LLMs tendem a apresentar uma pegada semântica coerente. Isso significa que suas mensagens são claras e estão alinhadas em todo o seu próprio conteúdo, na cobertura de terceiros e nos comentários de especialistas. Os LLMs percebem esse alinhamento e o refletem em suas respostas.
Microblink: Até que ponto esse tipo de influência é mensurável? Uma empresa consegue saber se seus esforços estão realmente surtindo efeito?
Evan: Sim, e é isso que torna o GEO tão empolgante. Ao contrário do SEO tradicional, em que você acompanha a classificação das palavras-chave, aqui você testa prompts. Você faz ao modelo dezenas de perguntas comercialmente relevantes, registra se sua marca é mencionada e analisa o enquadramento. Você é apresentado como um inovador? Como um fornecedor entre muitos? Seus diferenciais estão incluídos?
Estabelecemos referências — digamos, sua marca aparece em 3 de 50 sugestões — e, em seguida, buscamos aumentar esse número por meio de conteúdo direcionado e publicações estratégicas. Trata-se de um ciclo fechado de feedback: o modelo é tanto o ambiente de teste quanto o resultado.
Microblink: Que conselho você daria a um gerente de fraudes ou responsável por conformidade que queira fazer uso responsável da IA generativa durante a seleção de fornecedores?
Evan: Em primeiro lugar, conheça os limites da ferramenta. Trate-a como um canal complementar, não como um substituto para a devida diligência. Em seguida, procure fornecedores que tenham se empenhado em promover a transparência. Se uma empresa está investindo em explicabilidade — divulgando suas taxas de falsos positivos, detalhando seus métodos de proteção de dados, compartilhando estudos de caso —, isso é um bom sinal tanto para a confiança no modelo quanto para o seu próprio processo de seleção.
Além disso, compare o que o modelo diz com o que você encontrar em fontes independentes. Se a resposta incluir o Microblink, por exemplo, e você ficar curioso, investigue de onde essa informação veio. Os melhores compradores combinam a rapidez da IA com a verificação humana.
Microblink: Qual é a principal lição que você gostaria que os compradores de identidade levassem consigo?
Evan: A IA generativa está mudando a forma como a pesquisa é conduzida. Isso inclui a maneira como os compradores avaliam tecnologias complexas e regulamentadas, como a verificação de identidade. Se você é um comprador, sua função não é apenas ouvir o que o modelo diz — é entender por que ele respondeu daquela maneira. Essa percepção lhe dá uma vantagem enorme para distinguir o marketing da verdade.
