Canibalização semântica: o que vetores detectam que auditorias de keyword ignoram

A canibalização por keyword é detectável com qualquer ferramenta de SEO: você filtra as páginas que ranqueiam para a mesma busca e avalia qual consolidar. O processo é manual, mas o problema é visível.

A canibalização semântica é diferente. Duas páginas podem usar vocabulários completamente distintos e ainda assim cobrir o mesmo território de significado. Do ponto de vista de um sistema de recuperação semântica, elas são quase duplicatas. Mas nenhuma auditoria de keyword vai apontar isso.

O Screaming Frog v22.0 introduziu detecção de similaridade semântica exatamente por esse motivo: ir além da duplicata textual para capturar sobreposição temática real. É um reconhecimento de que o problema existe em uma camada que as ferramentas tradicionais não alcançam.

O processo é direto. Você gera um embedding para cada página do site e calcula a similaridade entre todos os pares. Pares com score muito alto são candidatos a canibalização semântica.

Os thresholds práticos, referenciados no Screaming Frog e validados na prática:

Um detalhe importante: vetorizar a página inteira dilui o embedding. Um artigo longo cobre múltiplos subtópicos, e o vetor resultante é uma média de todos eles. A análise por seção, usando os H2 como unidade, revela sobreposições mais granulares: duas páginas podem ter introduções completamente diferentes mas seções inteiras quase idênticas.

Detectar é a parte fácil. A decisão de como resolver é editorial e depende de contexto que o score vetorial não fornece.

O score vetorial identifica o problema. Os dados de tráfego no GSC, os links externos e a intenção de busca de cada URL são os critérios que definem qual caminho seguir. O iPullRank documentou que content pruning baseado em alinhamento semântico produziu lift de 2 a 3% na relevância semântica geral de um site após a remoção de mais de 500 artigos.

Esta seção é explicitamente especulativa.

Se o Google mantém algo análogo a um índice vetorial interno, há indícios disso no vazamento de documentação de 2024 e na própria evolução conhecida dos sistemas de ranking, então páginas com embeddings muito similares podem estar competindo no espaço semântico antes mesmo de competirem por keywords explícitas. A canibalização não seria só um problema de qual página ranquear para uma busca específica, mas de como o sistema interpreta a coerência do site como um todo.

É um argumento estruturalmente coerente com o que sabemos sobre recuperação semântica. Mas ainda é hipótese, sem documentação pública conclusiva.

O Screaming Frog v22.0 com integração a modelos de embedding (OpenAI, Gemini ou Ollama local) é o caminho mais direto. Você configura a análise de similaridade semântica e exporta os pares acima do threshold.

Para quem prefere mais controle, Python com sentence-transformers gera a matriz de similaridade e filtra os pares por threshold. Permite análise por seção de página, não só por URL inteira, o que revela sobreposições mais granulares.

Canibalização semântica é um problema real e sistematicamente ignorado porque as ferramentas de SEO tradicionais não o enxergam. Não é culpa do processo manual, é uma limitação do modelo léxico.

A boa notícia é que o processo de detecção ficou acessível. O Screaming Frog resolve boa parte do trabalho sem código. O que ainda exige atenção é a etapa de decisão: consolidar, diferenciar ou remover são escolhas que dependem de entender o site, o conteúdo e o que o Google já está premiando em cada caso.