Radar Tech: 59,8% das 'evidências' que a IA cita para recomendar software são fábricas de texto para modelos

A recomendação que seu assistente de IA acabou de dar pode ter sido escrita por uma máquina… para outra máquina.

O resumo do dia

Um relatório publicado em 02/09/2026 pela Trellner Research (TR-2026-009) acendeu um alerta em quem constrói produto com IA: ao perguntar a dois modelos com "grounding" (perplexity/sonar e sonar-pro, via OpenRouter) quais eram os melhores produtos em 380 categorias de software, as 7.534 citações retornadas revelaram um dado incômodo.

• 59,8% das fontes apontam para domínios fora do top-100 mil do ranking Tranco.
• 23,4% nem sequer estão no top-1 milhão.
• Um pequeno grupo de sites publicou 215.128 páginas máquina-geradas do tipo "best <software>".
• Nenhum desses domínios existia antes de dezembro de 2023.
• Pior: dois deles deram ao próprio endereço inicial o HTML <title> "Facts & Grounding Page" — a descrição exata da etapa de recuperação que esses modelos executam.

Traduzindo: não são sites feitos para humanos lerem. São páginas feitas para serem lidas pelo mecanismo de grounding e, assim, vencerem a etapa de "citar uma fonte" do agente. A "evidência" da resposta não nasceu de curadoria humana de software; nasceu de uma fábrica de texto otimizado para modelos.

Por que isso importa para arquitetura de software

Não é só um problema de SEO da internet. Para engenheiros, há um risco silencioso de supply-chain de informação: quando um agente/funcionário de IA recomenda uma stack, um SDK ou um orquestrador e ancora a escolha numa fonte fabricada, a decisão técnica passa a se basear numa "prova" que não existe. O padrão é o mesmo das dependências maliciosas em package managers — só que no nível das citações e dos fatos.

Num sistema de recomendação/RAG, isso vive num ponto arquitetural específico e tratável: entre o retrieval/grounding e a resposta final. É ali que um gate de proveniência pode operar sem tocar no modelo de geração.

O que um time de engenharia pode fazer na prática

• Tratar a fonte como dado de primeira classe: guardar domínio registrável, data de criação, autor humano, presença de páginas-templated e o próprio <title> HTML ao lado de cada URL recuperada.
• Detectar sinais de "conteúdo-para-modelo": título que se auto-descreve como mecanismo de grounding, padrão massivo "best X", volume × recência, ausência de autor editorial, valores de checklist genéricos.
• Exigir fonte primária para decisões de adoção: docs oficiais, release notes, README/spec, comunidade mantida — nunca um agregador como base única.
• Desconfiar de "consenso falso": várias listagens aparentemente independentes sob o mesmo controle contam como uma fonte, não como corroboração.
• Bloquear com evidência, não com opinião: toda fonte barrada precisa de sinais objetivos rastreáveis — e de um mecanismo de regrounding que aponte a fonte primária a consultar em seu lugar.
• Medir continuamente: monitorar, no seu próprio tráfego, a fatia de citações que nascem fora do top-web e a taxa de páginas "best X" pós-2023 — antes que o problema cresça no seu produto.

A conexão com o catálogo ArchPrompts

Publicamos hoje um pacote de prompts que materializa exatamente essa defesa: um auditor de proveniência de fontes — um "Source Trust Gate" para agentes e sistemas de recomendação guiados por IA. São múltiplos arquivos complementares (prompt principal, guardrails, exemplos few-shot com caso de "consenso falso", harness de verificação e templates de variação) que conectam o problema do TR-2026-009 a uma implementação acionável de arquitetura. Se você constrói assistentes, recomendações ou ferramentas de descoberta com IA, vale olhar.

O risco não é a IA "alucinar" — é a IA citar com perfeita confiança uma página que também foi fabricada para ser citada. A boa notícia: isso se arquiteta.