Como funciona o algoritmo da Amazon em 2026 (e porque repetir keywords já te prejudica)

O motor de busca da Amazon deixou de contar palavras. Agora percebe intenção. E isso muda por completo o que significa otimizar um listing.

Durante anos, o conselho foi sempre o mesmo: mete a tua keyword no título, repete-a nos bullets, enche o back-end de termos de busca. Funcionava porque o sistema, no fundo, casava palavras: se o teu produto continha as palavras que o cliente escrevia, eras candidato a aparecer. Essa era a lógica do velho motor que o setor batizou de “A9”.

Esse motor já não é o que decide se vendes. O de hoje traduz aquilo que o cliente quer para aquilo que o cliente precisa, recupera produtos por significado e por comportamento real de compra, e — o detalhe que quase ninguém assimilou — esconde ativamente o que considera pouco relevante para essa busca concreta. Não te baixa de posição: tira-te do caminho.

A consequência para quem vende é incómoda e libertadora ao mesmo tempo. O keyword stuffing (repetir a palavra até saturar) e o keyword spoofing (infiltrares-te em buscas onde não és a resposta) passaram de inúteis a contraproducentes. E a otimização a sério — seres genuinamente a melhor resposta a uma intenção concreta — importa mais do que em qualquer momento da história da Amazon.

O que se segue não é opinião. É o que a própria investigação publicada pela Amazon descreve sobre como funciona o seu sistema, lido com os olhos de quem gere contas de fabricantes e marcas todos os dias. Distingo sempre entre o que a Amazon afirma nos seus papers e o que isso significa para ti, que é onde está o dinheiro.

Uma nota de enquadramento: ser encontrado é só uma das peças de como vender na Amazon a partir de Portugal — a par do modelo, da logística, da fiscalidade e dos custos. É, provavelmente, a que mais mudou nos últimos anos, e por isso merece um artigo só para ela.

Numa frase: como funciona o algoritmo da Amazon hoje

O algoritmo da Amazon é um sistema de relevância que interpreta a intenção por trás da busca, recupera produtos por significado e por comportamento real de compra (não por coincidência de palavras), ordena-os num funil de várias etapas e suprime da página os que não acrescentam valor a essa consulta concreta. Otimizar já não é repetir keywords: é seres, de forma demonstrável, a melhor resposta a uma intenção.

Essa frase resume quatro mecanismos que a Amazon documentou em separado e que contam a mesma história. Vamos um a um, porque perceber o “porquê” é o que te permite tomar decisões que a tua concorrência não toma.

1. COSMO: o algoritmo percebe o que queres dizer, não o que escreves

O ponto de partida de tudo é um problema a que a Amazon chama “a lacuna semântica”: a distância entre como um cliente procura e como está descrito o teu catálogo.

Um cliente escreve “roupa de inverno”. Não está a pedir uma etiqueta de categoria. Está a pedir, implicitamente, algo que o mantenha quente. Outro escreve “sapatos para grávidas”. O que precisa, ainda que não o escreva, é calçado antiderrapante e seguro. O cliente exprime uma situação; a tua ficha de produto, normalmente, exprime atributos. Entre as duas coisas há um vazio, e esse vazio é onde se perdem as vendas.

Para o fechar, a Amazon construiu o COSMO, um grafo de conhecimento de senso comum que documentou num paper apresentado no SIGMOD 2024. A ideia é elegante: em vez de ficar pelos atributos que o vendedor declara (cor, tamanho, material), o sistema aprende relações de intenção do tipo “as pessoas grávidas precisam de calçado antiderrapante” ou “para um evento de inverno é preciso casaco”.

E aqui está o que muda as regras do jogo: o COSMO não aprende isso a partir das palavras-chave que tu declaras. Aprende-o a partir do comportamento real de milhões de clientes.

De que se alimenta o motor (e porque as tuas keywords não chegam)

Para construir esse conhecimento, a Amazon partiu de pares reais de “busca e compra” (amostraram 1.868.331) e de pares de “comprado em conjunto com” (3.147.120). Ou seja: o que as pessoas procuraram e o que acabaram por comprar de verdade. A partir daí, com grandes modelos de linguagem e uma filtragem em cascata (regras, similaridade, anotação humana e classificadores que descartam o implausível), destilou relações de intenção até formar um grafo de 6,3 milhões de nós e 29 milhões de ligações, repartido por 18 domínios.

O mais revelador é o que o sistema descarta de propósito: as gerações que são simples paráfrases do texto de partida e as afirmações genéricas vazias. Premeia o típico e plausível; deita fora o redundante.

Traduzido para o teu listing: repetir a keyword no título, em cada bullet e no back-end é exatamente o tipo de redundância que o motor moderno aprendeu a ignorar. Estas práticas não “somam” rigorosamente nada ao teu listing; na melhor das hipóteses, a Amazon vai considerá-lo ruído. O teu trabalho não é dizer “ténis ténis ténis”; é que o teu produto seja, de verdade, o que compra quem procura essa intenção. A tal ponto que, desde o ano passado, é proibido pôr duas vezes a mesma palavra no título.

O que a Amazon mediu (sem misturar os números)

Convém ser preciso aqui, porque as fontes divulgativas costumam confundir dois experimentos distintos.

Num teste offline, sobre um conjunto de dados público de busca de produtos (o do KDD Cup 2022), injetar este conhecimento de intenção melhorou a métrica de relevância (Macro F1) em cerca de 60% e a Micro F1 à volta de 29% com o encoder fixo. É uma melhoria enorme na capacidade do sistema para julgar o que é relevante.

Num teste online distinto — um A/B sobre a navegação de busca real, à volta de 10% do tráfego dos Estados Unidos durante vários meses — o impacto foi um +0,7% nas vendas e um +8% na interação de navegação. À escala da Amazon, esses 0,7% são centenas de milhões de dólares por ano; o próprio paper especula com milhares de milhões se fosse aplicado a todo o tráfego, mas isso é uma projeção, não um número medido.

O +60% e o +0,7% não são a mesma coisa: um mede quanto melhora a relevância em laboratório, o outro quanto se mexe a caixa em produção. O importante para ti é a direção: a Amazon demonstrou, com o seu próprio dinheiro, que perceber a intenção vende mais do que casar palavras. E quando algo assim funciona nos EUA, acaba por chegar à Europa.

2. Recuperação semântica: como escolhe a Amazon os candidatos num catálogo de 100 milhões

Antes de ordenar seja o que for, a Amazon tem de decidir que produtos entram sequer na conversa para a tua busca. Com um catálogo de “100 milhões ou mais” de produtos, essa triagem inicial é tudo. Se não estás entre os candidatos, não existes.

O método clássico para recuperar candidatos é o matching lexical (BM25 e semelhantes): pontua cada produto pela soma de palavras que se sobrepõem à consulta. É rápido e barato, e por isso continua lá. Mas a Amazon descreve-o sem rodeios no seu trabalho sobre matching semântico (KDD 2021): o lexical “não capta o significado nem os sinais de comportamento (cliques, impressões, compras) e é frágil perante variantes morfológicas e erros ortográficos”.

A peça que acrescentaram é a recuperação por embeddings: representações aprendidas a partir do comportamento real do cliente, que medem se um produto e uma consulta significam o mesmo ainda que não partilhem uma única palavra. Assim, “calçado para não escorregar” pode recuperar o teu sapato antiderrapante mesmo que na tua ficha nunca apareça a frase exata.

Um detalhe honesto, porque dá credibilidade e porque muda a tua tática: o matching lexical não desapareceu. O sistema semântico complementa o das palavras, não o substitui. O que significa isto na prática?

• As keywords corretas, no seu sítio, continuam a ser necessárias para seres elegível. Se vendes um humidificador e a palavra “humidificador” não está no teu listing, estás a autoexcluir-te da triagem lexical. Isso continua a ser um erro de principiante.
• O que morreu é o excesso: repetir, acumular sinónimos forçados, encher o back-end de termos sem relação. Isso já não te recupera melhor; o motor semântico não premeia a frequência, premeia o significado.

A regra nova é simples de dizer e difícil de executar: diz cada coisa importante uma vez, di-la bem, e garante que o teu produto significa o que o cliente procura.

3. O funil: o teu produto tem de sobreviver à primeira triagem para entrar na fina

Recuperar candidatos por significado é só o princípio. Ordená-los custa computação, e a Amazon não se pode dar ao luxo de aplicar o seu modelo mais caro a milhões de produtos por cada busca. Por isso ordena em cascata, como um funil.

Explicam-no no seu trabalho sobre rankers neuronais em cascata (WWW 2025). A arquitetura tem, no mínimo, duas etapas:

• Etapa 1. Uma rede pequena, com poucos sinais, avalia todos os candidatos de forma rápida e barata. O seu único trabalho é ficar com os mais promissores.
• Etapa 2. Uma rede maior, com todos os sinais disponíveis, reordena com precisão apenas os poucos sobreviventes da etapa 1.

O detalhe técnico que importa: o custo dominante não é “pensar”, é extrair os sinais de cada produto. Por isso faz todo o sentido gastar a computação cara apenas nos candidatos que já passaram uma primeira prova. (Na investigação, aplicada a busca web, cortaram até 40% do custo de extração de sinais perdendo menos de meio ponto de qualidade. Não é um dado da Amazon retail, mas ilustra na perfeição porque o sistema trabalha em funil.)

A implicação para ti é direta e dura: se o teu produto não sobrevive à triagem barata, nunca chega à reordenação fina onde se decide de verdade a ordem. E a triagem barata ganha-se com os sinais mais básicos e honestos: que o teu listing seja genuinamente relevante para a consulta, que o teu histórico de cliques e conversões diga que as pessoas que te veem te compram. Não com palavras repetidas.

Aqui está a micro-tese de todo o artigo, caso a queiras levar gravada:

O motor percebe intenção (COSMO), recupera por significado (embeddings), ordena por mérito em cascata e — como vais ver já a seguir — apaga da página o que não encaixa. Não há um único ponto do percurso onde repetir keywords te ajude. Há vários onde te prejudica.

4. COCO: o remate. O algoritmo não só te ordena, como te pode esconder

Aqui é onde a maioria das marcas ainda não chegou, e é o que separa uma otimização de 2018 de uma de 2026.

Historicamente pensávamos no algoritmo como um sistema que ordena: o bom em cima, o mau em baixo. Mas a Amazon publicou (SIGIR 2026) um mecanismo chamado COCO cujo trabalho não é ordenar, mas suprimir: decidir que um produto, ainda que esteja bem posicionado, simplesmente não apareça nessa busca.

A frase do próprio paper di-lo sem anestesia: “mesmo o conteúdo mais bem rankeado pode ser irrelevante, enganoso ou redundante”. E se o for, o sistema retira-o.

Como decide o que esconder? Estima o valor incremental de mostrar cada produto: quanto melhora (ou piora) a experiência o facto de ele aparecer, face a não o mostrar. Se esse valor incremental for negativo — o produto subtrai —, suprime-o. A sofisticação está em que não o faz de ânimo leve: usa técnicas estatísticas (limites de confiança e predição conforme) para suprimir apenas quando tem confiança real de que esse produto está a mais, evitando esconder algo por simples ruído. Em produção, esses limiares recalculam-se diariamente, posição a posição.

Os números do A/B (quatro semanas) são pequenos em percentagem — da ordem de centésimas de ponto nas receitas — mas à escala de centenas de milhões de utilizadores significam muito, e vêm acompanhados de algo de que a Amazon gosta muito: o sistema unificado reduz o número de modelos em mais de 70% e o custo do pipeline em mais de 40%. Quando algo é mais barato e melhora a experiência, não se reverte. Fica.

Agora, a implicação para quem vende, que é o coração deste artigo:

Se te infiltras numa busca onde não és a resposta, o sistema não te penaliza com uma má posição. Tira-te. Desapareces dessa página. E fá-lo de propósito, com confiança estatística, não por acidente.

Isto enterra definitivamente o keyword spoofing — aquela velha tática de meter no teu listing termos populares mas alheios ao teu produto para “pescar” tráfego. Antes, na pior das hipóteses, aparecias numa má posição e alguém te ignorava. Hoje, o sistema deteta que não acrescentas nada a essa consulta e suprime-te. Gastaste caracteres do teu listing, baralhaste a tua própria relevância semântica, e em troca não apareces. É o pior negócio possível.

5. A página inteira, as tendências e um juiz de IA: tudo aperta o cerco ao truque

Caso os quatro mecanismos anteriores deixassem alguma brecha para o atalho, outras três linhas de investigação da Amazon fecham-na.

Otimização da página inteira (WSDM 2026). A Amazon já não otimiza uma lista linear de resultados, posição a posição. Otimiza a página completa — produtos, widgets, recomendações, elementos visuais — como um todo, e fá-lo contra a satisfação do cliente a longo prazo (à volta de duas semanas), não contra o clique imediato. O A/B reportado melhorou a “relevância de marca” em 1,86%. A consequência é demolidora para os títulos-isco: um clique que não converte, ou que acaba em devolução, subtrai no horizonte longo. O listing enganoso que arrancava um clique e desiludia já não é neutro: é ativamente mau para o teu posicionamento.

Deteção de tendências por tração real (TrendRec, RecSys 2023). A Amazon deteta que produtos estão a descolar não pelo volume acumulado de vendas, mas pela velocidade e pela aceleração da interação real. Isso permite empurrar produtos com tração genuína mesmo que não tenham um histórico longo. Para uma marca que lança bem, é uma oportunidade: o sinal que conta é o interesse real das pessoas, e isso não se falsifica com keywords. Ganha-se com um produto que as pessoas querem e um listing que o comunica.

Um juiz de IA que mede a relevância melhor do que um humano (SAER, SIGIR 2026). Este é, talvez, o dado que melhor resume para onde vai tudo. A Amazon usa grandes modelos de linguagem como juízes para avaliar à escala a relevância dos seus resultados. E o dado é contundente: o juiz de IA coincide com o consenso humano melhor do que os humanos coincidem entre si (um coeficiente de acordo de 0,58 face a 0,38 entre humanos), com 88% de consistência em comparações e 91% de deteção de casos adversariais — ou seja, tentativas de enganar o sistema.

Lê outra vez: um sistema de IA, que percebe a linguagem natural no seu sentido, julga se o teu produto é relevante para uma busca, e deteta nove em cada dez tentativas de manipulação. A densidade de palavras-chave não significa nada para esse juiz. A relevância genuína é tudo.

O que significa tudo isto para a tua marca (a parte que a Amazon não escreve, mas eu sim)

Recapitulemos a lógica, porque encadeada é imbatível:

1. O motor percebe a intenção por trás da busca, não as palavras (COSMO).
2. Recupera candidatos por significado e comportamento real, não por coincidência lexical (embeddings).
3. Ordena-os num funil que premeia os sinais honestos de relevância e conversão (cascata).
4. Suprime — esconde — o que não acrescenta a essa consulta, de propósito (COCO).
5. Otimiza a página inteira contra a satisfação a longo prazo, não o clique (whole-page).
6. E autoavalia-se com IA que deteta a manipulação melhor do que um humano (SAER).

Num sistema assim, só há uma estratégia sustentável: seres, de forma demonstrável, a melhor resposta a uma intenção concreta. Isso é otimização real, e é o contrário de preencher campos.

Na prática, para uma marca ou fabricante, essa “melhor resposta” constrói-se sobre coisas mensuráveis e nada glamorosas:

• Uma intenção de compra clara por trás de cada produto: a quem resolve o quê, em que situação. Se tu não a tens clara, o motor também não.
• Um listing que comunica essa intenção sem redundância: o termo correto uma vez, no seu sítio, e o resto do espaço dedicado a demonstrar que o teu produto é a resposta (imagens, benefícios, conteúdo A+).
• Sinais de comportamento saudáveis: que quem te vê te compra, que quem te compra não te devolve. Isso depende de o produto cumprir o que o listing promete. Relevância e rentabilidade, aqui, são a mesma coisa.
• Zero spoofing: nada de pescar em buscas alheias. Não só não funciona; suprime-te e dilui-te.

Vejo-o todas as semanas em contas reais. Marcas que pagam a uma agência para “otimizar” exatamente como em 2018 — keywords empilhadas, back-end saturado, títulos quilométricos — e não percebem porque não rankeiam nem porque o seu PPC come a margem. Não rankeiam porque estão a otimizar para um motor que já não existe. E o PPC inflaciona-se precisamente porque a relevância orgânica é pobre: quando o sistema não te vê como a resposta natural a uma busca, cada clique pago custa-te mais.

Com o cliente com quem melhor vi esta lógica funcionar — uma das marcas com que trabalho — o ponto de partida nem sequer era o ranking: era uma conta bloqueada. Recuperá-la e reconstruir a relevância desde a base (intenção clara, listings honestos, sinais de conversão saudáveis, expansão ordenada) levou-o de zero a mais de 20.000 euros por mês em seis meses, com perto de 30% de margem líquida. Não houve nenhum truque de keywords. Houve relevância real, que é a única coisa que este motor recompensa.

O mesmo princípio validei-o antes com a minha própria marca privada, produtos abaixo de 20 euros, até 150.000 euros de faturação. Quando o produto é genuinamente a resposta e o listing o comunica sem fumo, o algoritmo da Amazon — o de verdade, o de 2026 — joga a teu favor.

O motor já decidiu. A pergunta é se vais continuar a otimizar para o de 2018

A conclusão não é “as keywords já não importam”. É mais precisa e mais exigente: as keywords corretas no seu sítio tornam-te elegível, mas a relevância genuína é o que te faz ganhar. Repeti-las não soma e infiltrá-las onde não pertences já te subtrai, porque o sistema percebe a intenção, mede a relevância com IA e esconde o que está a mais.

A Amazon investiu anos e papers a construir um motor que premeia exatamente o que um bom produto bem apresentado faz de forma natural. É, no fundo, uma boa notícia para as marcas sérias: o atalho morreu, e o trabalho bem feito rende mais do que nunca.

A pergunta que devias fazer-te não é “tenho as keywords bem postas?”. É “é o meu produto, de forma demonstrável, a melhor resposta à intenção de quem o procura, e comunica-o o meu listing sem fumo?”. Se não sabes respondê-la com dados, aí tens o teu próximo trabalho.

Se geres uma marca ou és fabricante e suspeitas que estás a otimizar para a Amazon de há cinco anos — keywords empilhadas, PPC que come a margem, posições que não sobem —, posso dizer-te exatamente onde estás a perder relevância e margem antes de gastares outro euro em publicidade.

É a fase Review do meu método R.O.I. (Review, Optimize, Implement): uma auditoria que te diz o que está partido, porquê, e o que fazer, em linguagem de negócio, não de agência. Sem compromisso de continuar comigo depois. Trabalho com uma só marca por nicho de cada vez, por isso o diagnóstico também te diz se encaixamos.

Escreve-me com a tua categoria e o marketplace onde vendes (ou onde devias vender) e digo-te por onde se te está a escapar a relevância.

Fontes

• COSMO — COSMO: A Large-Scale E-commerce Common Sense Knowledge Generation and Serving System at Amazon (SIGMOD-Companion 2024). PDF · Resumo divulgativo
• Matching semântico — Extreme Multi-label Learning for Semantic Matching in Product Search (Amazon, KDD 2021). PDF
• Rankers neuronais em cascata — Cost-Efficiency Trade-offs for Neural Cascade Rankers in Web Search (Amazon, WWW Companion 2025). PDF
• COCO — CoCo: Conformal Confidence Suppression to Optimize Search Results (Amazon, SIGIR 2026). PDF
• Página inteira — Design and Evaluation of Whole-Page Experience Optimization for E-commerce Search (Amazon, WSDM 2026). arXiv:2602.02514
• Tendências — Ensuring that customers don’t miss out on trending products (TrendRec, Amazon Science, RecSys 2023). Artigo
• SAER — SAER: Scalable Assessment of E-commerce Recommendations Using Large Language Models (Amazon, SIGIR 2026). Publicação