Atualização BERT
A atualização BERT é o lançamento do Google de outubro de 2019 que introduziu o BERT - um modelo de linguagem transformer bidirecional - no ranking da Busca e na seleção de featured snippets. Foi a maior mudança algorítmica que o Google havia feito em cinco anos e a primeira vez que modelos transformer profundos atuaram na busca em tempo real e em larga escala.
A atualização BERT é o lançamento do Google de outubro de 2019 que introduziu o BERT - um modelo de linguagem transformer bidirecional - no ranking da Busca e na seleção de featured snippets. Foi a maior mudança algorítmica que o Google havia feito em cinco anos e a primeira vez que modelos transformer profundos atuaram na busca em tempo real e em larga escala.
Por Que Importa
O BERT foi a ponte entre a busca por correspondência de palavras-chave e a busca baseada em significado. Antes do BERT, o Google conseguia entender consultas como "stand alone" palavra por palavra, mas tropeçava em preposições, negação e ordem das palavras. Depois do BERT, consultas como "2019 brazil traveler to usa need a visa" passaram a ser entendidas corretamente - o Google percebeu que o "to" importava e que a consulta era sobre brasileiros viajando para os EUA, e não americanos viajando para o Brasil. Esse foi o início da era transformer do Google, levando diretamente ao MUM (2021), às AI Overviews (2024) e ao AI Mode (2025). Entender o BERT ajuda a explicar por que "escrever para o leitor, não para as palavras-chave" se tornou uma estratégia de SEO real, e não apenas um slogan.
O Que o BERT de Fato Faz
O BERT - Bidirectional Encoder Representations from Transformers - é um modelo do Google Research de 2018. A parte "bidirecional" é fundamental: ao contrário de modelos anteriores que liam o texto da esquerda para a direita, o BERT analisa cada palavra de uma frase no contexto de todas as outras palavras, nas duas direções, simultaneamente. Isso lhe permite entender:
Ordem das palavras: "Can you get medicine for someone pharmacy" vs "Can someone get medicine at a pharmacy for you" - significados diferentes.
Preposições: "to", "from", "for", "with" - pequenas palavras que invertem a intenção da consulta.
Negação: "do not" vs "do" - facilmente ignorada pelos modelos de palavra-chave.
Polissemia: "bank" (margem de rio) vs "bank" (banco financeiro) definido pelas palavras ao redor.
Onde o Google Usou o BERT
Compreensão de consultas: determinar o que o usuário realmente quis dizer.
Seleção de featured snippets: escolher o trecho que genuinamente responde à pergunta, e não apenas um com palavras-chave correspondentes.
Ajuste de ranking: afetou cerca de 10% das consultas de busca em inglês no lançamento - a maior mudança desde o RankBrain (2015).
Extensão multilíngue: em poucos meses, o Google estendeu o BERT para mais de 70 idiomas, incluindo o coreano.
O Que o BERT Não Fez
Backlinks: o BERT mudou a forma como o Google entendia as consultas, não como ele valorizava os links.
Detecção de qualidade de conteúdo: isso veio depois, com as atualizações de conteúdo útil (helpful-content).
Autoridade do site: os sinais de autoridade de domínio não foram diretamente afetados.
Compatibilidade com dispositivos móveis, Core Web Vitals: sinais separados.
O BERT foi especificamente sobre a camada de compreensão de linguagem da busca.
Como o BERT Mudou a Prática de SEO
O keyword stuffing ficou ainda menos eficaz: repetir "melhor plataforma de blog SEO" 30 vezes prejudicava em vez de ajudar uma consulta que o BERT entendia como "qual é a melhor plataforma para SEO de blog?"
Consultas conversacionais de cauda longa ficaram mais fáceis de mirar: páginas escritas como respostas reais a perguntas reais começaram a ter um ranking melhor do que listas otimizadas para palavras-chave.
Conteúdo baseado em perguntas ganhou espaço: páginas estruturadas em torno de "o que é X" e "como faço Y" se beneficiaram porque o BERT fez o Google ficar melhor em combinar perguntas com respostas em trechos.
O tráfego de cauda longa explodiu para sites que escreviam de forma natural: especialmente em mercados não anglófonos, onde as ferramentas de palavra-chave eram fracas.
Pare de tentar enganar o algoritmo: o BERT foi o momento em que "escrever para humanos" deixou de ser um clichê e virou uma estratégia legítima, porque o Google finalmente conseguia perceber.
BERT vs Modelos Posteriores
| Modelo | Ano | Função | Idiomas |
|---|---|---|---|
| RankBrain | 2015 | Primeiro ML na busca | Inglês |
| BERT | 2019 | Transformer bidirecional para compreensão de consultas | Inglês, depois mais de 70 |
| MUM | 2021 | Multilíngue + multitarefa, capacidade 1000× a do BERT | Mais de 75 |
| Search Generative Experience / AI Overviews | 2024 | Síntese generativa de respostas | Idiomas principais |
| AI Mode | 2025 | Interface de busca completa em estilo de chat | Em expansão |
Cada etapa se baseia na anterior. O BERT continua sendo a base - os modelos mais novos estendem, em vez de substituir, sua compreensão de consultas.
Erros Comuns (Antes e Agora)
Tentar "otimizar para o BERT" especificamente: o BERT não é um fator de ranking para o qual você otimiza; é um sistema de compreensão de consultas que recompensa a linguagem natural de qualquer forma.
Supor que o BERT acabou completamente com as palavras-chave: as palavras-chave ainda importam como sinais; o BERT apenas pune o stuffing mecânico.
Ler conselhos sobre o BERT de 2019 em 2026: a maior parte foi superada pelas orientações de conteúdo útil e pelas realidades da busca com IA.
Confundir o BERT com o conteúdo útil (helpful-content): o BERT era sobre entender consultas; o conteúdo útil era sobre avaliar a qualidade da página. Camadas diferentes.
Fontes: