Algoritmo de recomendação: como funciona na Amazon, nas redes e na IA

Como funciona um algoritmo de recomendação?

No modelo que a Amazon descreveu em público, em 2003, a recomendação trabalhava pelo comportamento, e não pelo conteúdo do livro: o que decidia era quem comprou o quê junto.

A empresa contou como fazia isso num artigo assinado por três engenheiros dela, Greg Linden, Brent Smith e Jeremy York. O método se chama filtragem colaborativa item a item: para cada livro que a pessoa comprou ou avaliou, o sistema procura os livros parecidos, e parecido quer dizer o que os clientes costumam comprar junto, numa tabela calculada com antecedência. É a mecânica por trás do "quem comprou também comprou".

O mesmo artigo julga fraca a recomendação por conteúdo, a que monta uma busca com o autor, o gênero ou as palavras do que a pessoa comprou: sai geral demais, como os mais vendidos de um gênero, ou estreita demais, como todos os livros do mesmo autor.

Do leitor, o método pede pouco: bastam dois ou três itens comprados ou avaliados, segundo a Amazon de 2003. Do livro, parte de compras conjuntas: um livro que ninguém comprou junto com outro não tem vizinho nessa tabela. A empresa mexeu na conta depois. Num texto de Larry Hardesty publicado em 2019 no Amazon Science, o canal de pesquisa da própria Amazon, a contagem bruta de compras conjuntas aparece como o que faria uns poucos campeões, como os livros de Harry Potter, virarem a principal recomendação para todo cliente, e Brent Smith diz que acertar essa conta melhorou muito as recomendações. O mesmo texto conta que, a partir de 2014, no Prime Video, uma rede neural treinada em ordem cronológica superou o item a item por dois para um.

Há dois começos frios (o cold start) nessa máquina. O do leitor novo: no mesmo texto de 2019, Vijai Mohan, que cuidava das recomendações do Prime Video, diz que, para quem não se conhece, o melhor a recomendar é o mais popular. O do livro novo: os pesquisadores Daniel Fleder e Kartik Hosanagar mostraram em simulação, em 2009, que os recomendadores comuns, por se basearem em vendas e avaliações, não conseguem recomendar o produto com pouco histórico, mesmo que ele fosse bem avaliado (no original, "cannot recommend products with limited historical data"). Lidos juntos, os dois achados sugerem que a máquina, sozinha, leva o leitor sem histórico ao livro que já vende, e o livro que ainda não vendeu fica sem vizinho.

O recomendador do Goodreads, lançado em 2011, tem o mesmo começo frio do lado do leitor: só sugere depois que o usuário avalia uma quantidade mínima de livros.

Como funciona o algoritmo da Amazon para livros, e o que pesa no ranking?

Pelo que a própria Amazon escreveu, o ranking pesa a venda recente comparada à dos outros livros, e categorias e palavras-chave decidem a prateleira; fórmula não há na Ajuda da KDP, e o nome "A10", que circula entre autores, não aparece nela, e quem o usa não cita documento da empresa.

O que a Amazon KDP, a plataforma de autopublicação da empresa, diz na própria Ajuda é que três categorias e até sete palavras-chave dizem à Amazon onde pôr o livro na prateleira, e que as palavras-chave relevantes podem melhorar a posição na busca da loja. O guia sobre palavras-chave e categorias na Amazon detalha o que pôr e o que não pôr em cada campo.

O ranking de mais vendidos, segundo a mesma Ajuda, é relativo aos outros livros e pesa a venda recente mais que a antiga, e a própria KDP avisa que ele não é forma precisa de acompanhar as vendas. O guia sobre o ranking de mais vendidos da Amazon detalha o que o número mede.

O que circula vai além do que a Amazon escreveu. Em outubro de 2025, a ALLi, a associação de autores independentes, noticiou um novo algoritmo A10 que a Amazon estaria usando, descreveu o diagnóstico como uma caixa-preta e se apoiou na investigação de Dave Chesson, do site Kindlepreneur, que vende ferramenta para autores, sem comunicado da Amazon. A página oficial do ranking também não fala de página lida no Kindle Unlimited.

A avaliação do leitor entra nessa máquina pelo começo: o método de 2003 parte do que o cliente comprou ou avaliou, e o recomendador colaborativo, na descrição de Fleder e Hosanagar, se baseia em vendas e avaliações. Como o leitor pesa nota e número de avaliações está no guia sobre Skoob, Goodreads e clube do livro.

O Rufus, assistente de compras com IA da Amazon, foi treinado no catálogo, nas avaliações de clientes, nas perguntas e respostas da comunidade e em informação da web, e responde na página do produto a partir da ficha, das avaliações e dessas perguntas; em 13 de maio de 2026 foi renomeado Alexa for Shopping. A página da Amazon sobre ele não fala de livros e o descreve só para os Estados Unidos.

Como funciona o algoritmo do TikTok e do Instagram, e o que ele não decide sozinho?

O ranking das redes prevê o que cada pessoa vai fazer com um post, mas não decide sozinho: regra de variedade, promoção manual, filtro de quem pode ser recomendado e o botão do próprio usuário mexem no resultado.

Os sinais que cada rede diz pesar para o post do autor ficam com o guia sobre BookTok, Bookstagram e BookTube. A Meta descreveu o seu mecanismo em junho de 2023, quando publicou 22 "system cards" sobre o Facebook e o Instagram: a IA prevê quanto um conteúdo vale para a pessoa, combinando a previsão do que ela vai fazer com respostas a pesquisas feitas aos usuários. Nick Clegg, presidente de Assuntos Globais da Meta, escreveu no mesmo texto que a empresa guarda parte dos sinais para não ajudar quem tenta burlar o sistema.

Primeiro desvio do ranking: a variedade. O TikTok disse em 2020 que o feed For You, em geral, não mostra dois vídeos seguidos com o mesmo som ou do mesmo criador, para que o usuário descubra criadores e assuntos novos.

Segundo desvio: a mão humana. Em janeiro de 2023, segundo documento interno revelado pela Forbes e relatado pelo Tubefilter, funcionários do TikTok empurravam vídeos ao For You por intervenção da equipe de operação (no original, "operation intervention") para bater uma meta de visualizações, o chamado heating; os vídeos esquentados eram de 1% a 2% de todas as visualizações do TikTok, e houve abuso: há quem tenha esquentado a própria conta e a do cônjuge. A porta-voz do TikTok Jamie Favazza respondeu que poucas pessoas, nos EUA, podem aprovar a promoção ali e que esse conteúdo era cerca de 0,002% dos vídeos nos feeds For You. Os dois números não brigam, na nossa leitura: poucos vídeos podem somar muita audiência.

Terceiro desvio: o filtro de quem pode ser recomendado a quem não segue. Desde abril de 2024, a conta do Instagram que reposta 10 ou mais vezes em 30 dias conteúdo que não criou sai das recomendações a quem não a segue, e o repost ganha rótulo com link para o criador original. Sobre o chamado shadowban, Adam Mosseri, chefe do Instagram, disse em 2023 que esconder conteúdo sem explicação não é a intenção da plataforma e apontou o Status da conta como o lugar para ver se algo ficou menos visível.

Quarto desvio: o usuário. O botão "Não tenho interesse" existe na Meta desde 2021.

Quem posta sente esses desvios de jeitos diferentes. Pesquisadores descreveram criadores do BookTok que questionam ou tentam subverter o algoritmo e outros que se acomodam a ele (Low, Ehret e Hagh, 2023); numa entrevista de 2024 com cinco usuários, eles se descrevem agindo para, com e contra o algoritmo (Jerasa e Burriss).

O algoritmo ajuda o livro pequeno ou só o best-seller?

Os estudos, lidos juntos, sugerem que depende de como o livro está ligado aos outros: na Amazon, a rede de "quem comprou também comprou" se associou a venda mais espalhada entre os livros; num experimento de varejo, o recomendador concentrou as compras nos mesmos produtos.

O otimismo tem dono e número. Chris Anderson, então editor da Wired, escreveu em 2004 que uma Barnes & Noble média tinha 130 mil títulos e que um quarto das vendas de livros da Amazon já vinha de fora dos seus 130 mil mais vendidos; ele atribuiu o efeito à recomendação. O caso que contou foi Touching the Void, de Joe Simpson, de 1988: esquecido, voltou a vender quando Into Thin Air, de Jon Krakauer, estourou e a Amazon passou a sugeri-lo junto, e a nova edição ficou 14 semanas na lista do New York Times. A conta é dele, a partir de dados da Amazon.

A medição independente veio em 2012. Os pesquisadores Gal Oestreicher-Singer e Arun Sundararajan acompanharam a rede de "quem comprou também comprou" da Amazon em mais de 200 categorias e mais de 250 mil títulos: dobrar a influência média da rede numa categoria se associou a cerca de 50% a mais na receita relativa dos 20% de livros menos populares e a cerca de 15% a menos na dos 20% mais populares. O efeito era maior nas categorias em que as recomendações ficavam dentro da própria categoria, em que a rede formava menos grupos fechados e em que a influência se distribuía de modo mais uniforme entre os livros. É observação, não experimento.

O pessimismo também tem número. Na simulação de Fleder e Hosanagar, a filtragem colaborativa cria um efeito de rico fica mais rico (no original, "rich-get-richer effect"): cada pessoa descobre coisa nova para ela, mas o sistema muitas vezes empurra todos para os mesmos produtos, e a diversidade de vendas do conjunto pode cair. Um experimento de campo do pesquisador Dokyun Lee com Hosanagar, publicado em 2019, achou o mesmo numa loja real: segundo a Carnegie Mellon University, os 80% de produtos de menor venda eram 37% das vendas no grupo sem recomendador e 27% no grupo com ele.

Na nossa leitura, os dois lados medem coisas diferentes: o estudo da Amazon olha a rede de livros parecidos, categoria por categoria; o experimento compara a mesma loja com e sem recomendador. Juntos, sugerem que o livro pequeno ganha quando está ligado aos livros certos, comprados pelos mesmos leitores, e que, sem essa vizinhança, o recomendador alimenta quem já está no topo. E, no método que a Amazon descreveu em 2003, a máquina só liga livros que alguém já comprou ou avaliou; na nossa leitura, o ponto de partida vem de fora dela.

Como o ChatGPT e o Google escolhem que livro recomendar?

A IA com busca monta a resposta com páginas que encontra e julga relevantes, e, num teste sem busca, o ChatGPT puxou para o livro popular e podia inventar título.

O Google diz que não há requisito extra para aparecer nos AI Overviews e no AI Mode: a página precisa estar indexada e poder aparecer na busca com trecho, e as boas práticas de SEO continuam valendo. A resposta é montada por query fan-out, várias buscas relacionadas disparadas por subtema, o que pode trazer um conjunto de links mais variado que a busca clássica. No guia de 2026, o Google diz que não é preciso arquivo novo para máquinas nem picotar o texto em pedaços; por que ele trata AEO e GEO como SEO está no termo AEO / GEO.

A OpenAI separa dois robôs. O OAI-SearchBot decide se um site pode aparecer nas respostas de busca do ChatGPT; o GPTBot coleta conteúdo que pode treinar os modelos. Nas compras, a OpenAI diz que o produto entra no carrossel quando o ChatGPT o julga relevante para a intenção, que esses resultados não são anúncios e que os resumos de avaliação são gerados a partir de avaliações em sites públicos, que ela não verifica.

Sem busca, o resultado puxa para o conhecido. Um estudo do Politecnico di Bari apresentado num workshop do SIGIR 2025 testou o ChatGPT, sem usuário real, numa base de livros do Facebook com 1.398 usuários: numa medida de popularidade média do livro recomendado em que a lista que só recomenda o mais popular marca 138 e um recomendador por atributo, 7, o GPT-3.5 deu 46 e o GPT-4, 40. O mesmo estudo achou o ChatGPT melhor que os recomendadores clássicos com o usuário novo, e registrou que o modelo pode inventar item.

A invenção já saiu impressa. Em maio de 2025, o Chicago Sun-Times publicou uma lista de leitura de verão gerada por IA em que 10 dos 15 livros não existiam; Tidewater Dreams era atribuído a Isabel Allende e The Last Algorithm, a Andy Weir. O caderno tinha sido licenciado de um parceiro de conteúdo que usou um freelancer, e o autor da lista admitiu não ter conferido.

No Brasil, a Ranqia, empresa de visibilidade em IA, analisou 13.200 respostas do ChatGPT sobre a Bienal do Livro de São Paulo de 2026, segundo a Fast Company Brasil: na pergunta sobre que autores ver, Alice Oseman apareceu em 100% das respostas, e Conceição Evaristo e Itamar Vieira Junior, em 99,9%. A métrica é presença no texto, não mérito nem venda, e mudar o enunciado da pergunta mudava os livros: não existe lista universal. A matéria não traz os prompts nem a versão do modelo.

O que se vende como técnica para aparecer nessas respostas tem nome, GEO ou AEO, e o artigo que propôs a sigla GEO, de Pranjal Aggarwal e colegas (KDD 2024), testou o que funciona. Num banco de testes, e não no ChatGPT ou no Google reais, citar fontes, pôr citações e pôr estatísticas aumentaram a visibilidade na resposta, e encher o texto de palavra-chave ficou pior que não mexer em nada; no Perplexity, motor real também testado, a citação rendeu 22% a mais e a palavra-chave em excesso, 10% a menos.

No mesmo teste, o site que estava em 5º no Google ganhou 115% de visibilidade com fontes citadas, e o 1º perdeu 30% em média. O artigo mede um banco de testes, e o Google diz que não há otimização especial para a busca com IA: na nossa leitura, as duas coisas convivem porque o que funcionou no artigo é conteúdo com prova, e o que o Google descarta é formato e arquivo especial.

Como fazer o livro aparecer na Amazon, nas redes e no ChatGPT?

O autor trabalha o que a máquina lê, os metadados, a página do livro, o texto que outros escrevem sobre ele e os primeiros leitores, e não o peso que ela dá a cada coisa; regra com número exato e sem dono é palpite.

Na Amazon, a parte do autor são as categorias e as palavras-chave, escolhidas pensando no leitor que procura o livro. O "comprado junto" nasce de compra: o livro entra nele quando leitores o compram com outros, e, na nossa leitura, esse primeiro grupo tem de vir de fora do algoritmo. Como trazer esse tráfego orgânico é assunto do guia sobre como divulgar e vender seu livro.

Nas redes, o que a regra publicada pede é conteúdo próprio: quem reposta vídeo alheio com frequência perde a recomendação a estranhos no Instagram. As regras de horário, de número de hashtags e de primeiros minutos não aparecem no texto do TikTok de 2020 nem no do Instagram de 2023, e o detalhe fica com o guia sobre BookTok, Bookstagram e BookTube.

Na IA, o que o Google e a OpenAI dizem é: página indexada e elegível a trecho, conteúdo importante em texto e robôs de busca liberados. O que pôr nessa página (sinopse, gênero, onde comprar, quem escreveu) é leitura nossa. O Google acrescenta que não há marcação especial nem arquivo de IA, que o dado estruturado deve bater com o texto visível e que é preciso desconfiar de ferramenta que promete ranking.

No Brasil, a livraria online vendia menos que a física. Em 2019, era o lugar de compra de 12% de quem comprava livro, atrás das livrarias físicas, com 35%, e das bancas, com 14%; entre os que compraram literatura por vontade própria, chegava a 20%. A pesquisa não mede quanto desse canal vem de recomendação automática. A rede social como origem do último livro lido e o peso dela por idade estão no guia sobre BookTok, Bookstagram e BookTube.

O que cada máquina lê do seu livro

A tabela junta o que as seções mostraram: o que cada empresa disse, com a data do texto, o que fica na mão do autor e o que circula sem documento. Comece pela terceira coluna, a do que o autor controla.

Perguntas frequentes

O que fazer com isso

Trabalhe o que a máquina lê: categorias e palavras-chave pensando no leitor que procura o livro, uma página do livro com o essencial em texto e robôs de busca liberados, vídeo próprio nas redes. Traga os primeiros leitores por fora do algoritmo, porque, na nossa leitura, é a compra deles que cria a vizinhança que a recomendação amplia. E desconfie de regra com número exato e sem dono, e de versão com nome sem documento da empresa: o que as empresas escreveram cabe na tabela acima.

Os guias vizinhos tratam de onde vem essa primeira reação: BookTok, Bookstagram e BookTube, onde o leitor fala do livro em vídeo, e Skoob, Goodreads e clube do livro, onde nasce a prova social.