Por Dentro do Filtro de Avaliações do Google: Como o Machine Learning Detecta Avaliações Falsas

O Google não publica o seu manual de deteção de avaliações falsas. Mas entre publicações oficiais no blog, processos da FTC e pesquisas de especialistas, a arquitetura é visível — e é mais sofisticada do que a maioria das pessoas imagina.

Todos os dias, 20 milhões de conteúdos chegam ao Google Maps e à Pesquisa Google — avaliações, fotos, edições, sugestões. A grande maioria é genuína. Uma fração mensurável não é. Classificá-los não é um problema à escala humana. É um problema de machine learning, e a máquina tornou-se muito boa nisso.

Antes de poder entender como o Google filtra avaliações falsas, precisa de analisar os números. Vinte milhões de contribuições de utilizadores por dia. São aproximadamente 230 por segundo, 24 horas por dia, de todos os fusos horários, idiomas e tipos de dispositivo do planeta. A ideia de que revisores humanos poderiam processar sequer uma fração deste volume — quanto mais aplicar um julgamento consistente — é um erro de categoria. Este problema nunca seria resolvido por pessoas.

O que o Google construiu em vez disso é um sistema de aplicação em camadas que nunca dorme. Em 2023, removeu 170 milhões de avaliações que violavam as políticas — 45% a mais que no ano anterior. Em 2024, esse número subiu para 240 milhões. O crescimento anual não é um sinal de que mais avaliações falsas estão a ser escritas (embora isso também possa ser verdade). É um sinal de que a deteção está a melhorar mais rápido do que a evasão.

Os riscos para as empresas são enormes. Um estudo de 2023 publicado no Journal of Business Research descobriu que as avaliações falsas negativas visam desproporcionalmente restaurantes de alto desempenho, minando as empresas mais dependentes das suas reputações conquistadas a muito custo. Do lado do vendedor, a própria equipa jurídica do Google moveu ações judiciais contra redes de avaliações falsas — incluindo uma ação de 2023 contra um operador do Bangladesh cujo site Bigboostup.com gerava avaliações fabricadas para empresas locais nos EUA.

Porque as Empresas Ainda Veem Avaliações Falsas

Se o Google remove centenas de milhões de avaliações falsas por ano, por que algumas ainda aparecem? A resposta é a mesma pela qual o spam ainda chega a algumas caixas de entrada, apesar dos filtros avançados: as técnicas de evasão evoluem, e a margem entre falsos positivos (avaliações legítimas removidas incorretamente) e falsos negativos (avaliações falsas que escapam) é estreita. O Google otimiza para não remover avaliações genuínas, o que significa que as falsificações sofisticadas podem persistir por mais tempo do que as óbvias.

Joy Hawkins, fundadora da Sterling Sky e uma das pesquisadoras mais rigorosas em SEO local, documentou extensivamente essa assimetria. A sua pesquisa mostra que o filtro do Google às vezes remove grupos de avaliações legítimas — especialmente em categorias como saúde e direito, onde vários pacientes ou clientes reais podem partilhar um endereço IP da sala de espera. O filtro não é perfeito em nenhuma das direções.

O Google nunca publicou um whitepaper técnico sobre a sua arquitetura de moderação de avaliações. O que temos são publicações oficiais no blog, testemunhos da FTC e o trabalho dedutivo de pesquisadores que observaram o comportamento do sistema na prática. Juntos, eles sugerem um pipeline de cinco estágios que opera continuamente, em paralelo com o uso normal do Maps.

A principal perceção arquitetónica — uma que o Google discutiu na sua série oficial de blog 'Keeping Reviews Authentic' — é que o pipeline não termina na publicação. Uma avaliação que passa na triagem inicial pode ser reavaliada dias ou semanas depois, quando novos dados chegam. Se a Conta A passa na fase de pontuação na segunda-feira, mas na quinta-feira se torna parte de um cluster com outras doze contas que acabaram de acionar uma ação, as avaliações previamente publicadas da Conta A são puxadas para uma fila de reavaliação. Esta aplicação retroativa é o motivo pelo qual as empresas às vezes veem avaliações desaparecerem muito depois de terem sido publicadas.

O Papel dos Investigadores Humanos

Sistemas automatizados lidam com os casos de alto volume e alta confiança. Os casos-limite — falsificações inteligentes que exploram lacunas estatísticas, ou avaliações legítimas que correspondem a padrões suspeitos — são encaminhados para investigadores humanos. Estes são funcionários do Google que analisam as evidências brutas: capturas de ecrã de comunicações de golpistas, padrões em relatórios de comerciantes, perícia linguística. As suas descobertas realimentam o treino do modelo, e é por isso que a remoção da rede de fraudes de 5 milhões de avaliações em 2023 foi possível: investigadores humanos caracterizaram o padrão, o modelo aprendeu-o e as deteções subsequentes aconteceram automaticamente.

Este ciclo de feedback é a característica estrutural mais importante do sistema. O objetivo não é escrever regras — é construir um modelo sofisticado o suficiente para que ele atualize a sua própria compreensão de como a fraude se parece, quase em tempo real.

Análise de Conteúdo e PNL

Um dos componentes menos discutidos da deteção de avaliações falsas é o que acontece ao nível do texto. Modelos de processamento de linguagem natural podem identificar marcadores linguísticos associados a conteúdo fabricado: superlativos excessivos, ausência de detalhes específicos, uso excessivo da primeira pessoa, repetição de modelos entre contas. Uma pesquisa publicada no Journal of Marketing Analytics descobriu que características psicolinguísticas — padrões na carga cognitiva e no registo emocional — distinguem avaliações falsas das genuínas com alta precisão. Os próprios sistemas de PNL do Google, reforçados com a integração do Gemini em 2024, realizam esta análise em escala.

O Google não publicou uma lista completa de sinais de deteção. Mas através de divulgações oficiais, processos da FTC, pesquisas de especialistas e da observação sistemática do que é sinalizado versus o que escapa, podemos reconstruir o conjunto de sinais principal. Dez sinais são responsáveis pela maioria das ações de aplicação.

Estes dez sinais são entradas ponderadas num modelo probabilístico, não uma lista de verificação baseada em regras. Um único sinal raramente aciona uma ação. O sistema procura por constelações — padrões onde múltiplos sinais se reforçam mutuamente. Uma nova conta a publicar de um IP partilhado com linguagem de modelo e sem atividade de fotos atinge quatro sinais simultaneamente, e essa combinação produz uma pontuação de alta confiança.

A Explosão de Contas — O Padrão Mais Perigoso para o Google

Entre todos os sinais, a deteção de explosão de contas é a que desmantela de forma mais consistente as operações de avaliação em grande escala. Quando um fornecedor cria cinquenta contas falsas e as envia para avaliar a empresa de um cliente, essas contas — mesmo que usem dispositivos e IPs diferentes — muitas vezes partilham metadados de criação: domínios de e-mail semelhantes, datas/horas de registo sequenciais, configurações iniciais idênticas. O clustering baseado em grafos do Google foi especificamente citado nas divulgações de transparência da empresa em 2023 como a tecnologia por trás da remoção de 5 milhões de avaliações falsas de uma única rede de fraudes no espaço de algumas semanas.

Porque Algumas Falsificações Ainda Escapam

Nenhum sistema de deteção atinge 100% de recall sem também atingir taxas catastróficas de falsos positivos. O sistema do Google é calibrado para minimizar os danos a avaliações legítimas. Isso significa que uma falsificação sofisticada — uma que usa uma conta genuína e antiga, publica de um IP residencial na cidade correta, com histórico de avaliações em várias empresas — pode passar na triagem inicial e persistir por semanas. A integração do Gemini em 2024 no pipeline visa especificamente este problema de cauda longa: uma análise comportamental profunda que pode revelar inconsistências subtis que até os modelos estatísticos não detetam.

Nem todas as tentativas de avaliação falsa carregam o mesmo risco de deteção. O espectro vai de táticas de baixa visibilidade que o filtro frequentemente não deteta, a comportamentos de alto sinal que acionam uma aplicação quase automática. Entender onde uma determinada abordagem se enquadra neste espectro é o que separa os operadores ingénuos dos sofisticados — e por que a taxa de deteção do Google continua a melhorar.

A implicação prática para as empresas: o risco de deteção não é linear com a quantidade. Comprar vinte avaliações de um fornecedor de baixa qualidade acarreta um risco exponencialmente maior do que comprar cinco de uma fonte de alta qualidade — porque com vinte, o pico de velocidade por si só excede os limiares de deteção, independentemente da qualidade da conta. O volume é a variável que mais fiavelmente leva os sistemas de 'monitoramento' para 'aplicação'.

Descrições abstratas de sinais de deteção são úteis. O que as torna concretas é ver como se manifestam em ações de aplicação específicas. Os quatro casos abaixo são reconstruídos a partir de registos públicos, documentos judiciais e jornalismo — não são cenários inventados, mas situações documentadas onde o filtro do Google identificou e agiu sobre atividade de avaliações falsas.

Um tema consistente em todos os quatro casos: não foi a qualidade das avaliações individuais que acionou a aplicação. Foram os padrões — velocidade, geografia, estrutura do grafo de contas, pegada em múltiplas plataformas. O sistema não lê as avaliações como um humano faria. Ele lê os metadados à volta delas.

Em abril de 2024, o Google anunciou a integração do Gemini — o seu modelo de linguagem mais avançado — no pipeline de moderação do Perfil de Empresa do Google. Isto não foi uma pequena atualização. As capacidades do Gemini em raciocínio multi-sinal e análise de contexto longo abordaram a fraqueza mais persistente do sistema: a falsificação sofisticada e isolada. Onde os modelos anteriores avaliavam os sinais de forma independente, o Gemini podia raciocinar sobre todo o contexto do comportamento de uma conta — os seus padrões de tempo de avaliação, a coerência semântica das avaliações em diferentes tipos de negócios, a plausibilidade das trajetórias de atividade.

O resultado prático foi visível nos números: 240 milhões de avaliações falsas removidas em 2024, um aumento de 40% em relação a 2023. E, crucialmente, mais delas removidas pré-publicação — antes que qualquer utilizador as veja. A mudança da remoção reativa para a interceção proativa é a assinatura de um modelo mais capaz. Significa que menos empresas experienciam o pico de avaliações; menos utilizadores leem conteúdo fabricado; todo o ecossistema aproxima-se do estado que o Google deseja.

O Rótulo de 'Suspeita de Avaliações Falsas'

Juntamente com as melhorias algorítmicas, 2024 viu o Google implementar uma nova funcionalidade para o consumidor: o rótulo de aviso 'suspeita de avaliações falsas'. Quando um perfil de empresa mostra padrões anómalos — um influxo súbito de avaliações de contas de baixa credibilidade — o Maps agora exibe um banner alertando os potenciais clientes. A funcionalidade foi lançada nos EUA, Reino Unido e Índia no final de 2024 e começou a ser implementada globalmente em maio de 2025. Representa uma mudança de política: da pura aplicação para a transparência. Mesmo quando o Google não remove uma avaliação, pode agora sinalizar incerteza sobre a sua autenticidade ao consumidor que a lê.

A trajetória é inconfundível. Em 2021, uma campanha sofisticada de avaliações falsas — contas antigas, IPs residenciais, distribuição geográfica variada — tinha uma chance razoável de persistir por meses. Em 2026, a mesma campanha enfrenta uma análise comportamental alimentada pelo Gemini que pode revelar inconsistências invisíveis para modelos anteriores. A meia-vida das avaliações falsas está a diminuir a cada ano. E as consequências colaterais — 'prisão de avaliações', penalidades de conta, exposição à FTC — estão a aumentar.

Compreender a arquitetura de deteção do Google muda o cálculo para qualquer empresa que pense em aquisição de avaliações. O filtro não está à procura de avaliações que 'pareçam falsas'. Está à procura de padrões não naturais. Esta distinção é extremamente importante — porque muitas empresas que nunca compraram uma avaliação falsa ainda veem avaliações legítimas serem filtradas, enquanto algumas campanhas falsas sofisticadas persistem temporariamente.

A implicação é que a estratégia de aquisição de avaliações deve ser otimizada para a naturalidade ao nível do padrão, não do conteúdo. Uma avaliação que parece perfeita é inútil se a conta que a publica acionar um pico de velocidade ou falhar numa verificação de consistência geográfica. O sinal que mais importa para o Google não é 'esta avaliação parece real?' — é 'todo o comportamento digital deste avaliador faz sentido para um cliente genuíno?'

Porque a Velocidade Autêntica das Avaliações Importa Mais que o Volume

A descoberta mais duradoura do estudo da deteção de avaliações falsas do Google é esta: a velocidade controla mais o risco de aplicação do que qualquer outra variável isolada. Uma empresa que recebe 50 avaliações genuínas ao longo de 6 meses não enfrenta risco de deteção, independentemente de como incentivou essas avaliações. Uma empresa que recebe 50 avaliações numa semana — mesmo que todas sejam genuínas — pode acionar a deteção de anomalias e ver algumas serem filtradas. O algoritmo não tem acesso às interações reais que geraram uma avaliação. Ele infere a legitimidade a partir da plausibilidade estatística do padrão. Uma velocidade constante e natural é o padrão que a geração de avaliações legítimas deve produzir.

O Círculo Virtuoso das Avaliações Autênticas

Há uma vantagem composta em construir uma base de avaliações genuínas. Contas com ampla atividade no Maps e histórico de avaliações em várias empresas sinalizam legitimidade ao nível do grafo — quando avaliam a sua empresa, a sua contribuição tem mais peso e é menos provável de ser filtrada. É precisamente por isso que os serviços de aquisição de avaliações que usam contas dedicadas de 'avaliadores' — contas sem histórico além de avaliações falsas — falham tão sistematicamente. Elas são algoritmicamente transparentes. O verdadeiro argumento de negócio para avaliações autênticas não é apenas evitar a aplicação. É que contas genuínas geram sinais de avaliação que se compõem ao longo do tempo, enquanto contas falsas produzem sinais que se degradam sob escrutínio.

Respostas diretas às perguntas que a documentação do algoritmo do Google não fornece — com base em divulgações públicas, pesquisa de especialistas e comportamento documentado do sistema.