ChatGPT Search: os quatro robôs da OpenAI e qual decide a citação

Quem quer aparecer nas respostas do ChatGPT costuma procurar uma técnica nova. O que existe é mais simples e mais chato: a OpenAI documenta quatro robôs, com nomes e versões, e diz quais respeitam o robots.txt.

Escolher errado o token a bloquear é o erro que fecha a porta da citação e deixa aberta a que se queria fechar.

Os quatro agentes, com token e função

A documentação de robôs da OpenAI lista quatro agentes, cada um com o nome e a versão embutidos no cabeçalho.

O OAI-SearchBot é usado para exibir sites nos resultados das funções de busca do ChatGPT. Respeita o robots.txt. É o robô que decide se a sua página pode aparecer como fonte com link.

O GPTBot é usado para tornar os modelos generativos mais úteis e seguros, o que em linguagem direta significa recolher material de treino. Respeita o robots.txt, e a documentação registra que proibir o GPTBot indica que o conteúdo do site não deve ser usado em treinamento.

O ChatGPT-User aparece quando alguém pergunta algo e o produto precisa abrir uma página naquele momento. A documentação diz que, por serem ações iniciadas por um usuário, as regras do robots.txt podem não se aplicar.

O OAI-AdsBot verifica a segurança de páginas enviadas como anúncio dentro do produto, e só visita páginas submetidas nesse contexto.

Qual deles traz visita

Só um dos quatro devolve leitor: o robô de busca. Ele alimenta a lista de fontes que aparece ao lado da resposta, e o clique nessa lista chega ao seu site como qualquer outra visita de referência.

O robô de treino não devolve nada no curto prazo. O que ele faz é de outra natureza e de outro prazo.

O buscador de pedido devolve visita ocasional, quando a pessoa clica no endereço que o produto abriu, e o volume costuma ser pequeno.

O de anúncio não é canal de conteúdo, e a visita dele só acontece quando alguém submete a página em campanha dentro do produto.

A conclusão operacional é curta: quem quer distribuição mantém o robô de busca liberado, decide treino em separado e não perde tempo com os outros dois.

Vale ainda separar o efeito no tempo. A citação com link produz visita hoje e aparece no relatório desta semana. O treino produz efeito difuso, sem retorno mensurável para o site, e é por essa assimetria que as duas decisões precisam ser tomadas em separado, com critérios diferentes.

O que a decisão de bloquear custa

Bloquear o robô de treino é decisão de política de conteúdo. Não afeta a Busca do Google, não afeta o índice da Microsoft e não afeta a citação dentro do próprio ChatGPT, porque o robô de busca é outro.

Bloquear o robô de busca tem custo imediato: some a chance de aparecer como fonte citada com link, que é a visita que sobra quando a pergunta é respondida por conversa em vez de por lista de resultados.

Bloquear tudo com uma regra genérica é o pior dos dois mundos, porque atinge o robô de busca sem impedir a leitura ao vivo, que nasce de pedido humano e segue outra regra.

A decisão correta é por token, empresa por empresa, e ela cabe numa tabela de duas colunas na sua documentação interna: token e decisão, com a data em que a escolha foi feita.

Como conferir no seu log

Três consultas no log respondem tudo que importa.

A primeira é a contagem por token nos últimos trinta dias, separando os quatro nomes. Ela mostra quem está passando e com que frequência.

A segunda é o código de resposta por token. Sequência de 403 ou 429 indica bloqueio por camada de proteção, e o efeito é sumir das fontes sem que ninguém tenha decidido.

A terceira é a lista de páginas mais pedidas por cada robô, que mostra o que o produto considera relevante no seu site.

Vale conferir também a origem: o nome no cabeçalho é declaração, e a verificação séria compara o endereço da requisição com as faixas publicadas pela empresa. A ficha do OAI-SearchBot no acervo de robôs traz o token, a doc oficial e a data da conferência.

O que a página precisa ter

A régua é a mesma dos outros motores de resposta, e ela não tem segredo.

• Conteúdo no HTML servido. Texto que só existe depois do script chega vazio para boa parte dos robôs.
• Resposta explícita cedo. O sistema recorta trecho, e trecho que responde a pergunta inteira tem vantagem estrutural.
• Afirmação com fonte e data na mesma frase. É o que sustenta a citação e o que separa material verificável de opinião.
• Seção com título honesto. Facilita achar o trecho certo sem ler a página inteira.
• Autor e datas visíveis. Quem escreveu, quando publicou e quando revisou.

Nenhuma empresa publica requisito além dos cinco itens acima, e qualquer promessa de técnica específica para entrar em resposta gerada é venda de previsão sobre sistema fechado.

Leitura ao vivo muda o que importa na página

Quando o produto abre a sua URL naquele instante, a régua deixa de ser o índice e passa a ser a página como ela está agora.

Três consequências saem daí. A primeira é que conteúdo atrás de autenticação não é lido, e o resumo que aparecer virá do que estiver público. A segunda é que página lenta pode ser abandonada antes de responder, porque existe uma pessoa esperando do outro lado. A terceira é que a versão atual manda, e correção publicada hoje vale hoje.

A diferença em relação ao índice é grande. O índice guarda uma foto da página tirada em algum momento; a leitura ao vivo tira a foto na hora.

Para quem publica, a recomendação é chata e barata: manter a página rápida e o conteúdo essencial fora de qualquer barreira. Quem trabalha com material pago escolhe o que deixar aberto, e a escolha é comercial, não técnica.

Decisão por tipo de site

A resposta certa muda conforme o modelo de negócio, e vale escrever a sua antes de mexer no arquivo.

Site que vive de audiência e publicidade quer distribuição máxima: robô de busca liberado em todas as empresas, treino decidido conforme a política de conteúdo da casa.

Publicação com assinatura paga costuma liberar a busca para as páginas abertas e proteger o material fechado com autenticação, porque instrução de texto não protege conteúdo.

Documentação de produto quase sempre quer ser lida por tudo, inclusive treino, porque o objetivo é que o assistente saiba explicar o produto para o cliente.

Loja tem cálculo próprio: descrição de produto lida por assistente pode virar recomendação, e a decisão depende de quanto do catálogo é diferencial e quanto é commodity.

Em todos os casos, a decisão vale mais escrita que improvisada, com data e motivo, porque daqui a um ano ninguém lembra por que aquele token foi bloqueado.

Medir o que chega, enquanto o volume é pequeno

A visita vinda de produto de IA aparece no seu relatório como origem de referência, com o domínio do produto no lugar do buscador.

O trabalho que rende é isolar essas origens num relatório próprio agora, com volume baixo. Daqui a um ano, a comparação existe; sem o relatório, não existe.

Três perguntas ficam respondidas com o tempo: quais páginas suas são citadas, se o volume cresce e se a visita citada se comporta diferente da visita de busca.

Do lado de dentro, a contagem por token no log responde a metade que o analytics não vê: quantas vezes o robô passou, em que páginas e com que resposta do servidor.

Bing, Google e o resto do mapa

Vale evitar uma simplificação comum. Cada produto de IA decide de onde tira as fontes, e a arquitetura pode mudar sem aviso.

O que se pode afirmar com base em documentação é o seguinte: a OpenAI mantém um robô próprio de busca, a Microsoft mantém o robô do índice dela, o Google mantém o da Busca dele, e a Anthropic e a Perplexity mantêm os seus.

O que não se pode afirmar é qual produto consulta qual índice num dado momento, porque nenhuma das empresas publica esse desenho de forma estável.

A consequência prática é conservadora e barata: manter o site legível e liberado para os robôs de busca das principais empresas, em vez de apostar numa arquitetura específica.

O erro mais comum, e a correção

O erro mais comum é copiar de um artigo um bloco de robots.txt com todos os agentes de IA negados, achando que a decisão é sobre proteção de conteúdo.

Metade da decisão é sobre treino, e é legítima. A outra metade é sobre distribuição, e fechá-la por engano é o mesmo movimento de tirar o site do índice de busca.

A correção leva vinte minutos. Abrir o robots.txt, listar os tokens negados, conferir na documentação de cada empresa o que cada token faz, e reescrever com um bloco por token e uma decisão consciente para cada um.

Depois, uma semana de log confirma o efeito: quem voltou a passar, quem sumiu e quem continua tomando bloqueio de outra camada.

Vale guardar a versão anterior do arquivo antes de mexer, com data. Se o tráfego mudar de comportamento nas semanas seguintes, a comparação entre as duas versões responde em minutos o que a discussão sobre algoritmo não resolve em dias.

O segundo erro mais comum é o oposto: nunca revisar o arquivo. Token muda de nome, empresa lança agente novo e o arquivo escrito há dois anos governa uma lista que já não corresponde à realidade. Uma leitura por trimestre resolve.

Perguntas frequentes

Qual robô da OpenAI decide se meu site é citado?

O robô de busca, que é usado para exibir sites nos resultados das funções de busca do ChatGPT e respeita o robots.txt. O robô de treino é outro, e bloqueá-lo não impede a citação.

Bloquear o GPTBot tira meu site das respostas?

Não das respostas com fonte citada, que dependem do robô de busca. Bloquear o robô de treino indica que o conteúdo do site não deve ser usado no treinamento dos modelos, o que é uma decisão de política de conteúdo.

O ChatGPT-User respeita o robots.txt?

A documentação da OpenAI registra que, por serem ações iniciadas por um usuário, as regras do robots.txt podem não se aplicar a esse agente. É o mesmo desenho adotado por outras empresas para buscadores acionados por pedido humano.

Preciso fazer algo diferente para aparecer no ChatGPT?

Não existe requisito publicado além do básico: robô de busca liberado, conteúdo servido no HTML, resposta clara perto do topo, afirmação com fonte e data, autor identificado. Quem promete técnica específica está vendendo previsão sobre sistema fechado.

Como sei se a visita veio mesmo de um robô da OpenAI?

Comparando o endereço de origem da requisição com as faixas publicadas pela empresa. O cabeçalho de user agent é texto livre, então o nome sozinho não prova nada, e a verificação séria olha sempre para a origem.

Vale bloquear robô de IA para proteger conteúdo?

Depende do modelo de negócio. Quem vive de audiência perde distribuição ao fechar o robô de busca. Quem licencia arquivo tem o cálculo invertido, e desde 1º de julho de 2025 existe caminho de infraestrutura para cobrar por rastreio, com a Cloudflare bloqueando robôs de IA por padrão na rede dela.