1.1. A Ruptura do Paradigma Léxico
Por mais de duas décadas, a otimização para motores de busca operou sob um pressuposto mecânico elementar: os mecanismos de busca indexavam cadeias de caracteres (strings) e calculavam a relevância em função de frequências estatísticas ponderadas, representadas matematicamente por variantes do algoritmo TF-IDF (Term Frequency-Inverse Document Frequency) e BM25. Nesse ecossistema arcaico, posicionar um documento exigia repetir iterativamente uma sequência exata de palavras-chave em títulos, subtítulos e parágrafos.
“Um mecanismo de busca semântico não lê palavras para contar repetições; decodifica proposições para verificar se um documento expande ou contradiz o grafo de conhecimento universal.” — Eduardo Peiro
1.2. Transição para Grafos de Entidades e Espaços Vetoriais
A introdução do Hummingbird (2013), RankBrain (2015), MUM e a adoção universal de modelos baseados na arquitetura Transformer transformaram radicalmente a fase de recuperação de informação. Os motores de busca já não recuperam documentos por correspondência textual literal; projetam tanto a consulta do usuário quanto o conteúdo do site em espaços vetoriais contínuos de alta dimensionalidade.
Nesse espaço latente, dois documentos com zero palavras em comum podem ser classificados como sinônimos conceituais exatos se seus predicados ontológicos descreverem os mesmos atributos de uma entidade. Pelo contrário, um texto que repete uma palavra-chave dez vezes sem estruturar predicados fatuais é prontamente descartado pelos classificadores de baixa qualidade e Scaled Content Abuse.