Durante anos, a maioria das pessoas em SEO presumiu que o ChatGPT funcionava da mesma maneira simples: enviava uma consulta ao Bing, recebia alguns resultados e gerava uma resposta a partir daí. A Peec AI, uma empresa que trabalha com análises de busca geográfica e de IA, publicou um novo relatório afirmando que essa suposição já estava errada. Aparentemente, o ChatGPT vinha desenvolvendo silenciosamente seu próprio índice de recuperação internamente, chamado Labrador, e isso já fazia anos.
Esta pesquisa, conduzida por Tomek Rudzki da Peec AI, demonstra como o ChatGPT obtém informações através de uma combinação de sinais técnicos vazados, anúncios de emprego da OpenAI e depoimentos judiciais. O resultado dessa investigação é muito mais complexo e ambicioso do que se poderia esperar.
Labrador não é apenas um índice, é uma família deles.
Entre 21 de maio e 21 de julho de 2026, os eventos do lado do servidor do ChatGPT continham o campo `result_source`, que indicava exatamente a fonte da informação usada para gerar uma resposta. Havia apenas quatro valores possíveis: Labrador, Bright, Oxylabs e SERP. Labrador pertence à OpenAI, enquanto os outros três são provedores de raspagem de dados de terceiros. Pesquisadores afirmam que Labrador não é apenas um tipo de índice. Ele é dividido em diferentes categorias, assim como o Google fez com sua infraestrutura de busca ao longo de vinte anos, com o índice principal da web e verticais adicionadas como camadas separadas. As categorias encontradas foram: web geral, PDFs, YouTube, notícias (divididas em versões do último dia, dos últimos 7 dias e versões mais antigas), arXiv, Wikipedia, finanças locais (com seu próprio índice específico para PDFs), jurídico, médico, compras e imagens. Todas elas possuem o mesmo tipo de dados de índice, como texto da página, datas de rastreamento da web e datas de publicação.
Os anúncios de emprego apontam para um investimento sério e de longo prazo.
A Peec AI também cita vários anúncios de emprego da OpenAI como prova do que seus pesquisadores vinham dizendo. Um anúncio de vaga para Engenheiro de Software trabalhando no Foundations Search afirma que a experiência do candidato na construção e suporte de “sistemas de indexação, pipelines de recuperação e camadas de serviço” será avaliada. Outra vaga para Gerente de Engenharia na equipe de Sistemas de Dados Online da OpenAI descreve as tarefas de construir e manter o banco de dados principal e os serviços de indexação que dão suporte a aplicativos da OpenAI, como o ChatGPT, em uma escala que o anúncio chama de exabyte. Um exabyte equivale a cerca de um bilhão de gigabytes, e esse tipo de infraestrutura não pode ser construído por uma empresa que simplesmente utiliza o índice de terceiros para processar consultas.
Há ainda uma outra vaga, focada principalmente em recuperação de embeddings, que exige que o candidato tenha experiência comprovada na criação de novos objetivos de treinamento de embeddings, arquiteturas de armazenamento vetorial e indexação dinâmica, além de experiência com métodos de representação densa, esparsa e híbrida. A representação esparsa é, na verdade, uma técnica de classificação lexical, como TF-IDF e BM25, na qual o mecanismo de busca original do Google foi baseado. Combinando a busca esparsa com embeddings vetoriais densos, obtém-se um método conhecido como Fusão de Classificação Recíproca (RCF), que combina os dois tipos de resultados, algo que o pesquisador de IA da Peec, Metehan Yesilyurt, já havia observado anteriormente nos mecanismos do ChatGPT.
A história remonta a uma audiência antitruste de 2024.
A Peec AI relaciona essa história ao caso antitruste do Google, no qual Nick Turley, líder do ChatGPT, prestou depoimento sob juramento afirmando que a estratégia de busca da OpenAI era um dos seus principais argumentos. Turley teria declarado que a OpenAI enfrenta consideráveis problemas de qualidade no uso de dados de busca provenientes de parceiros de API que não são do Google, e que a OpenAI estava disposta a firmar parceria direta com o Google mesmo durante o período em que o Google, infelizmente, recusou a proposta.
Conforme descrito nas provas apresentadas à imprensa durante o processo judicial, a mudança da OpenAI para o uso de seu próprio índice foi motivada, em parte, por essa recusa. Turley indicou que a OpenAI começou a trabalhar em seu próprio índice de busca em 2023, com o ambicioso objetivo inicial de resolver apenas 80% das consultas dos clientes por meio desse índice até o final daquele ano. Além disso, Turley ressaltou que, mesmo se a OpenAI tivesse a oportunidade de usar todos os dados do índice do Google, ainda levaria pelo menos cinco anos apenas para descobrir se seria possível responder a todas as consultas com seu próprio índice. Em resumo, tornar-se totalmente independente em termos de fontes de dados é uma jornada lenta. É um processo gradual, passo a passo, de testes em cada categoria de consulta, uma a uma.
As compras são onde o índice está mais visível neste momento.
A Peec AI destaca que a demonstração mais evidente do funcionamento natural do sistema de indexação do ChatGPT ocorre nos resultados de busca de produtos. Segundo a equipe de pesquisa, um teste A/B realizado em meados de agosto de 2026, denominado “prefer-index-over-serp-v3”, comprovou sua operação em aproximadamente 8% dos chats. Em 2 de setembro de 2026, pelo menos cinco experimentos distintos de compras ainda estavam em andamento, cada um testando diferentes combinações de recursos de dados internos da OpenAI versus buscas de fontes externas.
Um estudo detalhado, acessível a especialistas, integra três etapas principais: uma etapa de busca lexical utilizando o algoritmo BM25, que reduz o conjunto de itens a dez fontes; uma etapa de classificação entre 400 produtos candidatos; e uma busca vetorial aproximada por vizinho mais próximo, executada em duas dimensões distintas. Um sistema de classificação em múltiplas etapas como este, submetido a dados de compras reais, implica que a equipe da OpenAI realiza regularmente um processo de validação para garantir que o índice gerado esteja pronto para ser utilizado, pelo menos em um nível de produção experimental.
O ChatGPT também parece armazenar páginas em cache.
Recuperação em tempo real significa que o sistema obtém a versão mais recente do site sempre que necessário. No nível de escalabilidade do ChatGPT, recuperar todas as páginas da web em tempo real a cada vez é praticamente impossível, já que muitas páginas levam mais de um segundo para carregar. A Peec AI, uma empresa de inteligência artificial, afirma que esse é um argumento muito convincente para supor que o ChatGPT mantenha um cache de páginas da web visitadas com frequência. A ideia é muito semelhante à que o Google apresentou em suas próprias patentes.
O pesquisador da Peec AI publicou evidências na forma de um site de teste com 1 bilhão de páginas, especificamente para estudar o que o rastreador da ChatGPT estava fazendo nessas páginas. Em setembro de 2026, o ChatGPT havia rastreado cerca de 6 milhões delas, uma fração bastante pequena considerando a escala gigantesca. Mesmo assim, o rastreador ainda processava 35,000 páginas por hora. A Peec AI também testou uma das configurações do ChatGPT, o "modo de bloqueio", no qual não é possível navegar em tempo real, mas sim obter resultados em cache ou offline. Surpreendentemente, eles descobriram que o ChatGPT conseguia exibir conteúdo atual da página inicial de alguns dos principais editores de SEO, mesmo no modo de bloqueio, o que indica que o conteúdo provavelmente não foi baixado recentemente, mas sim armazenado em cache.
Google e Microsoft ainda desempenham um papel.
Embora construa seu próprio índice, o ChatGPT não se dissociou completamente de mecanismos de busca externos. Por exemplo, Malte Landwehr, CPO da Peec AI, realizou um experimento com um site que não gerava tráfego orgânico, consultando o ChatGPT sobre ele por alguns dias. Como esperado, o tráfego do site aumentou consideravelmente durante esses dias, conforme demonstrado pelo Google Search Console. Isso é considerado uma prova concreta de que o ChatGPT consulta o Google diretamente para aprimorar suas respostas.
Entretanto, o Bing também aparece e, mais importante, durante as sessões de Pesquisa Aprofundada, o Bing é mencionado como uma referência direta à fonte de dados do chatGPT em seus eventos do lado do servidor. Além disso, a Microsoft possui sua própria plataforma Web IQ, que, segundo a empresa, oferece latência inferior a 165 milissegundos e inclui o ChatGPT, com produtos já baseados no Web IQ, como o Microsoft Copilot, e clientes corporativos como a Nasdaq.
No total, a Peec AI afirma que existem pelo menos oito fornecedores de dados adicionais, além do rastreador do ChatGPT, que contribuem com conteúdo para os resultados do ChatGPT. Entre eles, estão a Bright Data, a Oxylabs, um canal separado de extração de SERP, o Yelp, o TripAdvisor, dois pipelines de dados internos usados para listas de empresas e dados do Google Maps, e o Web IQ da Microsoft.
O que isso significa para os proprietários de sites
O ponto principal do estudo foi deixar claro que usar a visibilidade do Bing como um indicador da visibilidade do ChatGPT não é mais seguro, se é que algum dia foi completamente confiável. O ChatGPT está criando seu próprio rastreador e índice, utilizando sinais de diversas fontes externas; em seguida, testa diferentes combinações com tráfego real e, com o tempo, dá mais peso aos seus próprios sistemas.
Para lojas online, onde os clientes podem ver e comparar preços, a diferença mais drástica nessa transição parece ser visível, já que é nesse segmento que a OpenAI realiza os experimentos mais elaborados. Enquanto isso, para aqueles que dependem da presença local para seus negócios, seus perfis em sites de avaliação como Yelp e TripAdvisor são diretamente afetados e parecem ser os mais importantes, visto que essas avaliações são tratadas como licenças de dados, ao passo que os dados do Google Maps entram no ChatGPT independentemente da escolha das empresas. Além disso, observar como um site é apresentado no modo de bloqueio do ChatGPT pode dar uma ideia preliminar sobre sua visibilidade. Ainda assim, tudo está acontecendo em ritmo acelerado. A própria Peec AI já comentou sobre esses fatos e vem fazendo alterações em partes do sistema semanalmente; portanto, alguns detalhes aqui podem já estar desatualizados quando você ler este texto.
Perguntas Frequentes
Pergunta 1: O que é Labrador?
É o nome interno do índice de busca próprio do ChatGPT, desenvolvido pela OpenAI para complementar suas capacidades de busca e servir como uma alternativa ao uso do Google e do Bing.
Pergunta 2: O ChatGPT depende do Google e do Bing?
Sim, como revelado pela investigação da Peec AI, que descobriu evidências diretas do ChatGPT acessando o Google e o Bing, sendo este último usado intensivamente durante as sessões de Pesquisa Profunda.
Q 3: Que dados o Labrador indexa?
As categorias de dados incluem páginas da web em geral, PDFs, vídeos do YouTube, notícias, arXiv, Wikipédia, listas locais, finanças, assuntos jurídicos, saúde, compras e imagens.
Q 4: Qual foi a data em que a OpenAI começou a construir seu próprio índice?
Documentos do tribunal, que incluem o depoimento do chefe da ChatGPT, Nick Turley, confirmam que o processo começou em 2023.
Pergunta 5: Por que a OpenAI sentiu a necessidade de construir seu próprio índice de busca?
A gigante dos chatbots estava frustrada com a qualidade dos resultados de busca fornecidos por plataformas de terceiros. Depoimentos revelaram que a empresa pretendia estabelecer uma parceria direta com o Google, que recusou a proposta.
Q 6: Onde posso ver o índice auto-hospedado do ChatGPT?
Isso pode ser observado nos resultados de compras, onde vários testes A/B foram realizados para comparar os resultados de índices externos com aqueles gerados pela OpenAI.
P 7: O ChatGPT armazena páginas da web em cache em vez de buscá-las em tempo real?
As evidências da pesquisa sugerem que sim, com base no comportamento de rastreamento observado em um site de teste e nos resultados retornados no modo de bloqueio do ChatGPT.
P 8: Quais outros provedores de dados de pesquisa o ChatGPT utiliza?
Além do Google e do Bing, existem oito fornecedores de dados diferentes, incluindo Bright Data, Oxylabs, Yelp, TripAdvisor e Web IQ da Microsoft.
