Claude agora insere marcas d'água no conteúdo que processa. Mas isso não é o que vai te fazer perder uma publicação.

Um cliente nos fez recentemente uma pergunta que talvez você esteja prestes a fazer ao seu próprio fornecedor de conteúdo: a Anthropic começou a marcar as saídas do Claude com uma espécie de “marca d’água” — vocês monitoram isso? Isso muda o que vocês produzem para nossas publicações?

É a pergunta certa, e a maioria dos fornecedores vai tropeçar na resposta. Aqui está a versão pública da nossa resposta, escrita para quem estiver pensando em perguntar o mesmo ao seu fornecedor.

A versão curta: a marca existe, ela importa, mas ainda não é isso que vai te custar uma publicação.

O detalhe que quase todo mundo perde está numa frase da política da Anthropic sobre como o Claude marca conteúdo gerado por IA¹: a partir de agosto de 2026, o gatilho para marcar é “processado pelo Claude” — não “gerado pelo Claude”. A pergunta que todo mundo faz — “isso foi escrito por IA?” — já parte do pressuposto errado.

Mas o gatilho e o sinal são coisas diferentes, e é o segundo que realmente importa. A marca não é carimbada no texto; ela está espalhada nas escolhas de palavras que o próprio Claude faz — quanto mais do texto o Claude escreveu, mais sinal existe para ser detectado. Essa distinção é o que a maioria das análises ignora, e é aí que estão as respostas práticas. O resto deste post é sobre as perguntas certas.

Agosto de 2026: o que mudou e onde está a detecção

Tudo nesta seção tem data de propósito: a política é nova, e esses fatos vão evoluir.

O que a Anthropic anunciou

A partir de agosto de 2026, a página da Anthropic descreve duas técnicas complementares: uma marca d’água imperceptível embutida no texto gerado, e metadados de procedência C2PA assinados em arquivos gerados, como imagens. A mesma página afirma que a marca d’água textual é aplicada no nível do modelo — presente independentemente de qual produto ou interface do Claude gerou o texto — e que a marcação vale para qualquer lugar onde o Claude é oferecido, no mundo todo, não só na União Europeia. A Anthropic justifica o alcance global como provisório: está aplicando a marcação em todos os lugares no lançamento “porque ainda não temos uma forma durável de limitar por região”, e diz que vai continuar avaliando alternativas.

Um dia depois, a Anthropic publicou um segundo documento, bem mais detalhado, explicando como funciona a marca d’água textual², e isso muda o que pode ser dito honestamente aqui. O método tem nome: é uma versão do SynthID-Text, a técnica publicada pelo Google DeepMind na Nature³ em 2024, parte de uma família de abordagens que remonta a uma proposta de Scott Aaronson em 2022. Nada é inserido no texto e não há caracteres ocultos. Em vez disso, quando a escolha da próxima palavra é realmente aberta — o exemplo da Anthropic é “o tempo hoje estava frio e…”, onde “nublado” e “cinzento” seriam igualmente válidos — a marca só altera a fonte da aleatoriedade usada para decidir, derivando a escolha de uma chave secreta e das palavras anteriores. Lendo a sequência com a chave, é possível atribuir uma probabilidade de que o Claude a produziu. Duas consequências que clientes perguntam imediatamente: a marca não carrega nenhuma informação identificável e, segundo a Anthropic, não pode ser rastreada até uma pessoa, organização ou chat; e não gera custo extra, já que não adiciona tokens.

O gatilho, na mesma data, é conteúdo processado pelo Claude, não apenas conteúdo escrito por ele. A página cita revisão, tradução, sumarização e conversão de arquivos como exemplos. Mas o segundo documento deixa claro que esses casos não são equivalentes, e a diferença importa mais do que o gatilho — as ressalvas no fim deste post tratam disso, incluindo uma conclusão que erramos na primeira versão.

O contexto regulatório explica a data. Pelo AI Act da União Europeia⁴, provedores de sistemas de IA generativa devem garantir que as saídas sejam marcadas em formato legível por máquina e detectáveis como artificialmente geradas; a Anthropic diz que assinou o Código de Prática do Artigo 50(2). A Comissão Europeia⁵ confirma que essas regras de transparência valem a partir de 2 de agosto de 2026 — a data que a Anthropic usa como corte para a marcação — e que a recente simplificação “AI Omnibus” mudou os prazos de alto risco, não estes.

Um detalhe importante: modelos lançados antes de 2 de agosto de 2026 não estão isentos. Em agosto de 2026, a Anthropic afirma que a lei prevê um período de transição para esses modelos e que está trabalhando para adicionar suporte à marcação neles também — ainda não marcados, mas não é um porto seguro.

O estado da detecção

Em 17 de agosto de 2026, a descrição técnica existe e a ferramenta não. O segundo documento da Anthropic diz que uma API de detecção de marca d’água está a caminho — “Em breve ofereceremos uma API de detecção de marca d’água. Estamos finalizando os detalhes da implementação” — o que é um compromisso, não um produto lançado, e será a única forma de verificar uma marca do Claude.

A Anthropic é direta sobre o que tal verificação pode provar, e é menos do que as pessoas supõem. Com a chave, “só é possível responder à pergunta ‘Qual a probabilidade de isso ter sido parcialmente escrito pelo Claude?’” Não é possível confirmar que o texto foi escrito por um humano, nem dizer se outra IA o escreveu, e “não é possível distinguir ‘Claude escreveu’ de ‘Claude editou fortemente’”. A ausência de marca também não prova nada: a detecção “não funciona bem em amostras pequenas”, e uma reescrita completa, trocando todas as palavras, remove a marca d’água totalmente.

A regulação define o mínimo exigido. Pelo Código de Prática final, segundo a análise da Bird & Bird⁶, marcação imperceptível é obrigatória para qualquer texto livre com mais de 200 tokens — cerca de 150 palavras — sendo a única exceção textos “muito curtos” abaixo desse limite. Texto livre também é o único caso permitido a ter apenas uma camada de marcação, já que não pode carregar metadados. E a obrigação de detecção é mais branda aqui: provedores devem, em geral, oferecer detecção gratuita, mas para marcas d’água em texto livre — “por serem inerentemente menos confiáveis” — podem restringir a detecção a usuários especialistas verificados. A interoperabilidade entre provedores só passa a ser exigida em 2 de fevereiro de 2027.

A ferramenta pública mais próxima também não cobre texto: na mesma data, o portal SynthID Detector do Google DeepMind⁷ aceita imagens, vídeo e áudio — não texto — e ainda está em testes limitados.

E a pergunta que realmente importa para quem compra publicações: em 16 de agosto de 2026, não encontramos nenhuma declaração de buscador ou plataforma de IA — para nenhum dos lados — de que sinais de procedência influenciam ranking, indexação ou filtragem. É um “nenhum encontrado” datado, não uma promessa sobre o ano seguinte.

Procedência e qualidade são eixos diferentes

Aqui está o novo enquadramento que esse tema precisa: procedência — qual ferramenta tocou o texto — e qualidade — se o texto merece existir — são eixos diferentes. Buscadores sempre disseram agir sobre o segundo.

O Google nunca descreveu procedência como fator de ranking. Isso não é o mesmo que dizer que não é; não há declaração pública para nenhum lado. Mas os usos que o Google descreveu são exatamente dois. No post sobre integração C2PA⁸, de 2024, metadados de procedência alimentam o rótulo “Sobre esta imagem” na Busca e, nos Anúncios, o objetivo de “usar sinais C2PA para informar como aplicamos políticas-chave”. Rotulagem e aplicação de políticas em anúncios — e a integração na Busca é só para imagens. Até o momento, não há superfície de procedência textual na Busca.

O que o Google aplica está no eixo da qualidade, e é escrito para ser agnóstico à ferramenta. As políticas de spam do Google⁹ definem abuso de conteúdo em escala como muitas páginas geradas “com o objetivo principal de manipular rankings de busca e não de ajudar usuários” — acrescentando que isso vale “independentemente de como é criado”. O primeiro exemplo listado é “Usar ferramentas de IA generativa ou similares para gerar muitas páginas sem agregar valor para os usuários”, e a orientação do Google sobre uso de conteúdo de IA¹⁰ repete essa frase como linha principal.

O blog Search Central do Google, em 2023¹¹, já traçava o limite na intenção (“Usar automação — incluindo IA — para gerar conteúdo com o objetivo principal de manipular ranking nos resultados de busca viola nossas políticas de spam”), e isso deve ser lido como a posição de 2023; a orientação atual é mais restrita. E no anúncio da atualização de spam de março de 2024¹², a empresa retirou a ferramenta da política: abuso de conteúdo em escala vale “seja por automação, humanos ou uma combinação”.

A escala da publicação assistida por IA reforça o mesmo ponto. O estudo em larga escala da Graphite¹³ mostrou que artigos gerados por IA superaram os escritos por humanos em novembro de 2024 e, desde então, mantêm-se em paridade — e, segundo a mesma página, “esses artigos em geral não aparecem no Google nem no ChatGPT”. Cerca de metade dos novos artigos são gerados por IA, e os de baixo valor continuam não aparecendo. Isso é seleção por qualidade, não detecção de procedência — e qualidade é o eixo que você realmente pode gerenciar. Escrevemos sobre como produzimos conteúdo na era da IA generativa — o lado prático desse argumento.

O que realmente te faz perder uma publicação

Se procedência não é o risco principal, o que é? Duas coisas, e ambas vieram antes da marcação.

A rejeição editorial veio antes

Os publishers não esperaram marcas d’água para policiar conteúdo de IA — eles colocaram isso na política editorial. A política da WIRED para IA generativa¹⁴, atualizada em maio de 2023, afirma: “Não publicamos matérias com texto gerado por IA, exceto quando o fato de ser gerado por IA é o próprio tema da matéria” — e trata texto de IA não revelado como “equivalente a plágio”. As diretrizes de submissão da Clarkesworld Magazine¹⁵ recusam trabalhos já na entrada: “não consideraremos submissões traduzidas, escritas, desenvolvidas ou assistidas por essas ferramentas”, e alertam que tentar submeter esse tipo de trabalho “pode resultar em banimento de futuras submissões”.

Quando conteúdo de IA passou mesmo assim, as consequências foram editoriais, não algorítmicas. A investigação do Futurism¹⁶ encontrou a Sports Illustrated publicando resenhas de produtos sob autores falsos com fotos geradas por IA — uma fonte envolvida disse “O conteúdo é absolutamente gerado por IA” — após o que o publisher The Arena Group declarou que estava “removendo o conteúdo enquanto nossa investigação interna continua e encerrou a parceria” com o responsável. A nota do editor da CNET sobre o experimento com IA¹⁷, no início de 2023, registra 77 matérias escritas por IA, uma auditoria completa após erros factuais, correções adicionadas e uma pausa — “Pausamos”, nas palavras do próprio publisher. Remoção, correção, pausa, contrato encerrado: tudo isso foi decisão editorial, e continua sendo.

O julgamento não é anti-ferramenta. O relatório State of Journalism 2026 da Muck Rack¹⁸ mostrou que 82% dos jornalistas usam pelo menos uma ferramenta de IA — enquanto 88% “descartam imediatamente pitches que não têm a ver com sua editoria”. Quem rodaria seu texto num detector é usuário de IA também. O filtro deles é pauta, relevância e qualidade; sempre foi.

O risco do falso positivo

Os detectores que as pessoas realmente usam hoje não são verificadores de marca d’água. São classificadores pós-facto — palpites estatísticos feitos só a partir do texto, sem chave e sem marca para encontrar — e erram com humanos reais. A Anthropic faz a mesma distinção, citando o Pangram como exemplo: esses serviços buscam “marcas” em frases de IA, o que é “fundamentalmente diferente de verificar uma marca d’água”. O que um detector do cliente reporta não está lendo o que este post discute. Um estudo afiliado à Stanford no arXiv¹⁹, de 2023, testou sete detectores populares de GPT em redações de não-nativos em inglês e descobriu que “classificaram mais da metade das redações TOEFL como geradas por IA (taxa média de falso positivo: 61,22%)”, com 97,80% das redações sinalizadas por pelo menos um detector.

Os próprios fornecedores sabem. A OpenAI retirou seu classificador em menos de seis meses; o aviso de desligamento, citado pela Ars Technica²⁰, dizia: “Em 20 de julho de 2023, o classificador de IA não está mais disponível devido à baixa taxa de acerto.” No lançamento, a OpenAI já havia divulgado que detectava apenas 26% dos textos de IA enquanto “rotulava incorretamente textos humanos em 9% dos casos”. A Vanderbilt University²¹ desativou o detector de IA do Turnitin em 2023 e fez as contas em público: com a taxa de falso positivo de 1% que o Turnitin alegava, os 75.000 trabalhos submetidos à Vanderbilt em 2022 significariam “cerca de 750 trabalhos de estudantes rotulados incorretamente”.

O estudo da Graphite, citado acima, validou seu detector em artigos publicados antes do ChatGPT — e descobriu que “classifica 4,2% desses artigos como gerados principalmente por IA”. Até o artigo do SynthID do Google, publicado na Nature³ em 2024, observa que “sistemas de detecção pós-facto podem ser caros computacionalmente e seu uso prático é limitado pelo desempenho inconsistente”.

Para publicações, o custo do falso positivo pesa mais onde a voz de um especialista real é o produto — comentários de especialistas ghostwritten, onde um classificador marcando as palavras de um especialista verdadeiro mata uma oportunidade legítima. Um fornecedor que promete “passar no detector” está prometendo agradar ferramentas cujo erro documentado é acusar humanos.

Por que não existirá um detector universal de IA

As ausências na seção datada não são um buraco temporário esperando a tecnologia alcançar. São estruturais.

Verificar uma marca d’água estatística exige a chave privada do gerador. A documentação do SynthID do Google²² instrui desenvolvedores a manter cada configuração de marcação “armazenada de forma segura e privada, caso contrário sua marca pode ser facilmente replicada por terceiros”, e oferece opções de implantação do detector de totalmente privada a pública. O obstáculo não é custo — o artigo da Nature deixa claro que a detecção “não exige operações computacionalmente caras nem acesso ao LLM subjacente”. O obstáculo são as chaves. Cada fornecedor pode detectar, no máximo, suas próprias marcas. Um detector universal exigiria a cooperação de todos os geradores, e os incentivos vão na direção contrária.

Existem lacunas que nem a cooperação fecharia. Um laboratório de ponta construiu uma marca d’água textual e decidiu não lançar: em declaração de 2024 citada pelo Language Log²³, a OpenAI disse que “desenvolveu um método de marcação de texto que continuamos avaliando”, mas julga que ele é “menos robusto contra adulteração globalizada” — tradução, reescrita por outro modelo — “tornando trivial a evasão por agentes mal-intencionados”. Modelos open-weight ficam fora do alcance de qualquer marcação de fornecedor; o artigo da Nature observa que marcar modelos implantados de forma descentralizada é difícil. E mesmo uma marca lançada se degrada: o Google documenta que scores de confiança do detector “podem ser bastante reduzidos quando um texto de IA é completamente reescrito ou traduzido para outro idioma”.

A Anthropic agora diz o mesmo sobre seu próprio alcance, e confirma o que está por vir. Suas respostas valem apenas para o Claude: uma marca d’água “não pode dizer se o texto foi escrito por outra IA (mesmo que essa outra IA use marcação, teria uma chave diferente; pode também usar outro método)”. E isso não é um projeto só da Anthropic. Cerca de 190 signatários assinaram o Código de Prática da UE sobre Transparência de Conteúdo Gerado por IA em julho de 2026, e a Anthropic afirma claramente que outros desenvolvedores de modelos “vão implementar suas próprias marcas”. Muitas chaves, muitos métodos, cada um no seu silo.

Há uma força no sentido oposto, e vale registrar: o Código exige que os signatários implementem uma solução de interoperabilidade de detecção de marca d’água até 2 de fevereiro de 2027 — um ponto de acesso público que encaminha consultas, um sinal embutido, um consórcio compartilhado, ou equivalente. É um prazo, não um sistema funcionando, e é uma camada de roteamento, não uma chave compartilhada. É o motivo mais forte para esperar alguma melhora, mas ainda não cria um detector que lê tudo, porque modelos open-weight ficam fora do regime.

Portanto, o cenário realista até pelo menos 2027 é procedência segmentada por fornecedor: cada laboratório de ponta checa sua própria saída, ninguém checa tudo, e um resultado limpo de qualquer detector individual significa pouco.

A ferramenta de remoção que se contradiz

Se a procedência não pode ser verificada, pelo menos pode ser removida? Existe um projeto open-source feito exatamente para isso — watermarks-remover²⁴, que começou como “remove-claude-marks” — e o mais instrutivo é o próprio README.

Ele já começa admitindo: “Até que fornecedores lancem detectores públicos e chaves, nenhuma ferramenta pode honestamente certificar ‘isso falha na verificação oficial’.” E de novo: “Não pode garantir que detectores de fornecedores vão falhar.” Sua camada determinística remove caracteres Unicode invisíveis — o que, contra a marca do Claude, agora se sabe que não serve para nada. “Nada é adicionado ao texto e não há caracteres ocultos”, diz o explicador técnico da Anthropic. Sobra só a camada estatística, explicitamente “best-effort” — reescrevendo o texto com outro modelo, porque uma marca estatística está espalhada nas escolhas de tokens e “remover significa reescrever, não reestruturar”. A Anthropic admite o mesmo: “Edição leve provavelmente não remove a marca completamente; uma reescrita total, trocando todas as palavras, remove.” O README então precifica a tentativa: a reescrita “achata tom, voz e precisão”; em SEO, marketing e trabalho para clientes “essa degradação é real e muitas vezes visível”; a saída “não pode superar o teto do modelo de reescrita”. E encerra com a pergunta que fecha o ciclo: se você já vai reescrever tudo com um modelo mais barato, gerar direto com esse modelo é “mais simples, barato e produz o mesmo — ou melhor — resultado final”. Metadados C2PA em arquivos, por sua vez, são removidos facilmente — frágil por design dos formatos de arquivo, consistente com a própria lista de perda de metadados da Anthropic na seção datada.

Há um ponto de compliance nisso também, e vale saber antes de alguém propor “scrubbing” como serviço. Pelo mesmo Código de Prática, signatários devem fazer o possível para preservar marcas, proibir adulteração nos termos de uso e “não podem colocar nem anunciar ferramentas de evasão”. As ferramentas existem e vão continuar existindo; o que não existe é uma versão que um fornecedor sério possa incluir numa proposta.

Esse é o resumo do post. Tentar gerenciar o eixo da procedência custa o eixo da qualidade — que é o que decide se um editor mantém seu texto.

O que perguntar a qualquer fornecedor (inclusive a nós)

Então, como seria uma boa resposta à pergunta do cliente? Não é uma promessa de detecção — é um processo. Estas são as seis perguntas que faríamos a qualquer fornecedor de conteúdo, inclusive nós; elas descrevem nossos próprios serviços de outreach link building e listicle, onde você aprova publicação-alvo, URL, anchor e rascunho antes de qualquer coisa ir ao ar.

1. Pesquisa, redação e checagem de fatos são etapas separadas, feitas por agentes diferentes? Boa resposta: sim, e conseguem mostrar a separação, não só descrever. No nosso processo, cada etapa — pesquisa, estruturação, redação, extração de afirmações, verificação de fatos, correção e revisão final de consistência — é um módulo de agente com prompt próprio. O agente de redação não recebe nenhuma ferramenta — lista de ferramentas vazia, não restrita — então não pode pesquisar, coletar ou buscar nada, e só trabalha com o arquivo de fatos já verificados pela pesquisa. Checagem de fatos também não é um agente só: um navega as buscas e outro, em modelo de fornecedor diferente, julga o resultado, então quem verifica não é quem buscou a evidência.

2. Onde estão os checkpoints humanos, e a máquina pode publicar sem um deles? Boa resposta: o sistema impõe os checkpoints — um documento descrevendo não basta. No nosso, três estão no código: uma pessoa escolhe a ideia, aprova a estrutura e aprova o conteúdo — e uma publicação não avança sem aprovação humana final. O pipeline não pode publicar um artigo sozinho.

3. Os fatos são verificados em páginas abertas ou só em snippets de busca? Boa resposta: páginas. No nosso pipeline, o agente de pesquisa abre e lê cada fonte antes de um fato entrar no dossiê, e a checagem exige a citação ou trecho exato da fonte como evidência.

4. Qual modelo de fornecedor escreve o corpo — e conseguem nomear? Essa é a pergunta que realmente define a exposição à marcação, e é a que fornecedores mais respondem com categoria, não nome. Como a marca se prende às palavras escolhidas pelo modelo, um fornecedor cujo modelo de redação é o que está marcando tem uma resposta real sobre a maior parte do texto; quem só usa esse modelo para “polir” o parágrafo de outro, não. Nossa resposta, no nível de detalhe que sustentamos: etapas diferentes do pipeline rodam em modelos de fornecedores diferentes, e o modelo que redige o corpo do artigo não é o que está sendo marcado aqui. Desconfie de “usamos IA de forma responsável” — não é resposta para essa pergunta.

5. O que exatamente prometem sobre detecção? Um fornecedor que garante que o conteúdo “passa no detector de IA” está prometendo um teste que hoje ninguém pode rodar — pela seção datada, a API de detecção da Anthropic está anunciada e não lançada — e que, mesmo quando lançar, só a Anthropic poderá rodar, só para suas próprias marcas, e talvez só para especialistas verificados. O que esse fornecedor realmente testa são os classificadores pós-facto abaixo, já documentados como falhos para humanos. A promessa certa é editorial: está bem escrito, é preciso, e um humano aprovou.

6. O que acontece se uma publicação for rejeitada ou retirada? O risco documentado é rejeição editorial — então é esse risco que o contrato deve cobrir, com termos de substituição ou reembolso por escrito. Escrevemos sobre por que oferecemos garantia de satisfação como resposta longa para essa pergunta.

Se um fornecedor consegue responder às seis com detalhes, a notícia da marcação não muda nada para você. Se não consegue, a marcação nunca foi seu maior problema.

Duas ressalvas honestas

O gatilho é amplo; o sinal não

Quando publicamos este post, tiramos a conclusão prática errada da observação certa. O gatilho realmente é “processado por” — a Anthropic cita revisão e sumarização como exemplos, e “foi escrito por um humano” não é a garantia que as pessoas pensam. Mas seguimos sugerindo que um corretor gramatical de IA deixaria uma marca detectável no seu texto, e o explicador técnico da Anthropic, publicado no dia seguinte, diz o oposto de forma clara:

Quando o Claude revisa texto escrito por uma pessoa, o que ele devolve geralmente só foi levemente editado; como quase todas as palavras são da pessoa, há muito pouco (ou nada) para a marca se prender.

E, numa revisão só de gramática e pontuação: “a marca só pode estar nas poucas correções, que podem ser insuficientes para registrar.” A mesma lógica enfraquece a marca onde as palavras são forçadas, não escolhidas — a Anthropic aponta que trechos factuais e código carregam menos marcação do que prosa aberta, porque não há escolha livre para o sinal “viajar”.

Portanto, a versão honesta é um gradiente, não um interruptor. Texto que o Claude realmente escreveu é onde está o sinal. Texto que o Claude só tocou, não — e a regulação define o piso: nada abaixo de cerca de 150 palavras precisa ser marcado. O erro que descrevemos — a agência que jura ser “livre de IA” enquanto roda correção gramatical por IA — ainda está errada sobre o próprio processo, e isso vale saber sobre um fornecedor. Mas, por esta evidência, não é provável que vire um problema de detecção.

Ninguém pode verificar procedência para nenhum lado

A lacuna de verificação vale para os dois lados. Não podemos provar que nosso conteúdo está sem marca mais do que um crítico pode provar que uma página está marcada — a própria Anthropic, como citado acima, diz que a marca é um sinal, não uma prova, e que ausência não prova nada. Então este post não exagera para nenhum lado, e você deve desconfiar de quem faz: um fornecedor que garante “sem marcas d’água” vende a mesma certeza impossível que um crítico alegando ter detectado.

Isso é uma afirmação sobre o presente, com data de validade. Quando a API de detecção da Anthropic for lançada, uma parte — a Anthropic — poderá responder a uma pergunta, sobre suas próprias marcas, com uma probabilidade, não um veredito. É um estreitamento da lacuna, não o fechamento, e vale revisitar este post quando acontecer.

Gato e rato: a leitura do fundador

Aqui, troco o “nós” por “eu”, porque agora é julgamento, não citação. Em vinte anos fazendo isso, vi o mesmo ciclo se repetir: o Google anuncia uma linha dura, o setor prevê o fim de alguma prática, e então a aplicação chega tarde, pega só os operadores mais descuidados, e para antes de resolver o problema.

O exemplo mais recente já foi citado aqui. No anúncio de março de 2024, citado acima, o Google nomeou “conteúdo de terceiros de valor muito baixo, produzido principalmente para ranqueamento e sem supervisão próxima do dono do site” — o chamado parasite SEO — “publicando esta política dois meses antes da aplicação em 5 de maio”. O Search Liaison do Google, citado pelo Ranktracker²⁵, disse que a aplicação começou em 6 de maio, um dia após a política entrar em vigor. Em novembro de 2024, segundo a atualização de política citada pelo Website Builder Expert²⁶, o Google fechou a brecha da supervisão de primeira parte, com Glenn Gabe relatando que as seções afetadas de Forbes Advisor, CNN Underscored e WSJ Buyside foram basicamente desindexadas.

Esse é o gato pegando um rato — alguns ratos. O que ainda vejo na prática, anos depois do primeiro “vamos aplicar”, é a mesma prática, viva e funcionando. Não é uma crítica ao Google; é o ritmo observável da aplicação diante de um problema em escala web — e isso numa política onde a detecção é fácil: o conteúdo é público e o padrão é óbvio. Agora imagine isso para procedência, onde, como já vimos, ninguém consegue nem rodar o teste.

Duas décadas de previsões de “crackdown” deveriam ter acabado com este setor várias vezes, e ele continua aqui — porque o que sobrevive a cada ciclo é sempre o mesmo: trabalho que resiste ao escrutínio que sempre iria receber. A marca d’água não é o problema. Nunca foi.

Agora você sabe como soa uma boa resposta à pergunta do nosso cliente. Leve as seis perguntas acima para quem produz seu conteúdo e ouça as respostas. Se forem vagas, a própria vagueza é o achado.