Por Dentro do Filtro de Avaliações do Google: Como a Aprendizagem de Máquina Encontra Avaliações Falsas

O Google não fornece um manual para sua detecção de avaliações falsas. Mas a partir de posts de blog da empresa, documentos governamentais e análises de especialistas, o design do sistema se torna claro — e é muito mais avançado do que muitos imaginam.

Todos os dias, 20 milhões de contribuições chegam ao Google Maps e à Pesquisa. São avaliações, fotos, alterações e ideias. A grande maioria é real. Uma parte notável não é. Classificar esse volume não é tarefa para humanos. É tarefa para a aprendizagem de máquina, e essa máquina se tornou extremamente eficaz.

Para entender como o filtro do Google funciona, você precisa primeiro apreciar os números. Vinte milhões de itens enviados por usuários chegam diariamente. Isso é cerca de 230 por segundo, 24 horas por dia, 7 dias por semana, de todos os cantos do globo, em todos os idiomas, em todos os tipos de dispositivos. A noção de que as pessoas poderiam revisar até mesmo uma pequena parte disso — muito menos fazê-lo de forma consistente — é um equívoco fundamental. Este nunca foi um problema que as pessoas pudessem resolver.

Em vez disso, o Google construiu um sistema de aplicação em camadas que está sempre ativo. Em 2023, removeu 170 milhões de avaliações que violavam suas regras, 45% a mais do que no ano anterior. Em 2024, o total subiu para 240 milhões. Esse aumento ano a ano não significa apenas que mais avaliações falsas estão sendo escritas, embora isso possa ser um fator. Significa que a tecnologia de detecção está melhorando mais rápido do que os métodos para contorná-la.

Os riscos para as empresas são imensos. Um estudo de 2023 no Journal of Business Research revelou que avaliações negativas falsas são direcionadas desproporcionalmente a restaurantes de sucesso, prejudicando os próprios negócios que mais dependem de suas reputações bem merecidas. Do lado da oferta, os próprios advogados do Google processaram vendedores de avaliações falsas, incluindo um caso de 2023 contra um provedor em Bangladesh cujo site, Bigboostup.com, estava criando avaliações falsas para empresas locais americanas.

Por Que Avaliações Falsas Ainda Passam?

Se o Google está removendo centenas de milhões de avaliações falsas anualmente, por que algumas ainda chegam a um perfil? É a mesma razão pela qual alguns e-mails de spam ainda chegam à sua caixa de entrada, mesmo com bons filtros. Os métodos de evasão ficam mais inteligentes, e há uma linha tênue entre falsos positivos (avaliações reais erroneamente excluídas) e falsos negativos (avaliações falsas que passam). O Google ajusta seu sistema para evitar a exclusão de avaliações autênticas, o que significa que falsificações inteligentes podem durar mais do que as óbvias.

Joy Hawkins, que fundou a Sterling Sky e é uma pesquisadora líder no campo de SEO local, estudou esse desequilíbrio em detalhes. Seu trabalho demonstra que o filtro do Google às vezes pode excluir grupos de avaliações legítimas, especialmente para advogados e médicos, onde vários clientes reais podem usar o mesmo Wi-Fi da sala de espera. O filtro não é perfeito em nenhuma das direções.

O Google não divulgou um manual técnico para seu sistema de moderação de avaliações. Temos posts de blog da empresa, declarações à FTC e a análise de pesquisadores observando as ações do sistema. Juntas, essas fontes apontam para um processo de cinco partes que funciona constantemente junto com as funções normais do Google Maps.

O princípio central de design — que o Google mencionou em seu blog 'Mantendo as Avaliações Autênticas' — é que o processo não termina quando uma avaliação é publicada. Uma avaliação que passa na verificação inicial pode ser verificada novamente dias ou semanas depois, à medida que novas informações surgem. Se a Conta A obtém uma pontuação de aprovação na segunda-feira, mas na quinta-feira é vinculada a um cluster de outras doze contas que acabaram de ser sinalizadas, as avaliações publicadas da Conta A voltam para outra análise. É por isso que as empresas às vezes veem avaliações desaparecerem muito depois de terem aparecido pela primeira vez.

O Papel dos Analistas Humanos

Sistemas automatizados cuidam dos casos de alto volume onde o sistema está muito confiante. Os casos limítrofes vão para investigadores humanos. São falsificações complicadas que encontram lacunas nas estatísticas, ou avaliações reais que parecem um padrão suspeito. Esses funcionários do Google analisam as evidências diretas: capturas de tela de chats de golpistas, padrões em relatórios de proprietários de empresas e análise de linguagem. O que eles encontram é usado para retreinar o modelo. Foi assim que a remoção de uma rede de 5 milhões de avaliações em 2023 aconteceu: humanos definiram o padrão, o modelo o absorveu e novas detecções se tornaram automáticas.

Este ciclo de feedback é o elemento de design mais crítico do sistema. O objetivo não é criar uma lista de regras. É criar um modelo tão avançado que ele revise sua própria definição de fraude, quase em tempo real.

Análise de Texto e PNL

Um aspecto menos divulgado da detecção de avaliações falsas envolve o próprio texto. Modelos de processamento de linguagem natural (PNL) podem identificar sinais linguísticos comuns em avaliações fabricadas: muitos superlativos, falta de detalhes concretos, uso excessivo de 'eu' e frases repetitivas em diferentes contas. Pesquisas no Journal of Marketing Analytics mostraram que marcadores de linguagem psicológica — como esforço cognitivo e tom emocional — podem separar avaliações falsas das reais com grande precisão. A própria PNL do Google, aprimorada com o Gemini em 2024, faz esse trabalho em larga escala.

O Google não forneceu um inventário completo de seus sinais de detecção. No entanto, combinando declarações oficiais, testemunhos da FTC, estudos de especialistas e observação cuidadosa do que é sinalizado versus o que não é, podemos reunir o conjunto principal de sinais. Dez deles são responsáveis pela maior parte da aplicação.

Esses dez sinais não são uma simples lista de verificação; são pontos de dados ponderados em um modelo de probabilidade. Um único sinal raramente é suficiente para desencadear uma ação. O sistema busca combinações — padrões onde vários sinais se confirmam. Uma conta nova de um IP compartilhado usando texto de modelo sem fotos atinge quatro sinais de uma vez, e essa mistura produz uma pontuação de alta confiança para remoção.

A Explosão de Contas: O Padrão Mais Revelador do Google

De todos os sinais, a detecção de explosões de contas é a que mais efetivamente desmantela esquemas de avaliações em larga escala. Quando um vendedor cria cinquenta contas falsas para avaliar o perfil de um cliente, essas contas frequentemente compartilham dados de criação, mesmo que usem IPs e dispositivos diferentes. Elas podem ter provedores de e-mail semelhantes, ser registradas uma após a outra, ou ter configurações iniciais idênticas. Em seu relatório de transparência de 2023, o Google creditou especificamente o agrupamento baseado em grafos como a tecnologia que removeu 5 milhões de avaliações falsas de uma única rede de golpes em apenas algumas semanas.

Por Que Algumas Falsificações Ainda Passam

Nenhum sistema de detecção pode pegar 100% das falsificações sem também sinalizar erroneamente um número desastroso de avaliações reais. O sistema do Google é ajustado para causar o menor dano às avaliações autênticas. Isso significa que uma falsificação muito bem feita — uma de uma conta real e antiga, em um endereço IP doméstico na cidade certa, com um histórico de outras avaliações — pode passar na primeira verificação e permanecer por semanas. A adição do Gemini ao sistema em 2024 visa resolver exatamente esse problema, realizando uma análise comportamental profunda que pode encontrar pequenas inconsistências que até mesmo modelos estatísticos perdem.

Nem toda tentativa de postar uma avaliação falsa tem a mesma chance de ser pega. O risco varia de táticas sutis que o filtro frequentemente ignora a comportamentos óbvios que levam à remoção quase instantânea. Saber onde uma tática se encaixa nesse espectro separa os novatos dos profissionais — e é por isso que a detecção do Google continua melhorando.

O que isso significa para as empresas é simples: o risco de detecção cresce muito mais rápido do que o número de avaliações. Comprar vinte avaliações de um provedor barato é exponencialmente mais arriscado do que comprar cinco de um provedor de alta qualidade. Com vinte avaliações, a velocidade de chegada por si só é suficiente para acionar a detecção, não importa quão boas sejam as contas. O volume é a única coisa que mais confiavelmente empurra o sistema de observar para agir.

Falar abstratamente sobre sinais de detecção é uma coisa. Vê-los em ação durante remoções específicas torna-o real. Os quatro casos aqui são tirados de informações públicas, documentos legais e relatórios. Não são histórias inventadas, mas situações reais onde o sistema do Google encontrou e agiu sobre esquemas de avaliações falsas.

O fio condutor em todos os quatro casos é que não foi a qualidade de uma única avaliação que os fez serem pegos. Foram os padrões: velocidade, localização, conexões de contas e atividade entre plataformas. O sistema não lê uma avaliação como uma pessoa. Ele lê os dados que a cercam.

Em abril de 2024, o Google anunciou que estava adicionando o Gemini — seu modelo de linguagem mais poderoso — ao sistema de moderação do Perfil da Empresa no Google. Esta foi uma grande mudança. A capacidade do Gemini de raciocinar com múltiplos sinais e analisar o comportamento de longo prazo abordou o maior ponto cego do sistema: a falsificação bem feita e única. Modelos mais antigos analisavam os sinais um por um. O Gemini pode entender a história completa das ações de uma conta — o tempo de suas avaliações, a lógica de suas avaliações para diferentes empresas e se seu caminho de atividade faz sentido.

O efeito foi claro nos dados: 240 milhões de avaliações falsas removidas em 2024, um aumento de 40% em relação a 2023. Mais importante, mais foram impedidas antes da publicação — antes que alguém as visse. Essa mudança da exclusão reativa para o bloqueio proativo é a marca de um modelo mais inteligente. Significa menos empresas lidando com picos de avaliações, menos pessoas lendo conteúdo falso e toda a plataforma se aproximando do que o Google deseja.

O Rótulo 'Avaliações Falsas Suspeitas'

Junto com a atualização do algoritmo, 2024 trouxe um novo recurso para os consumidores: um aviso de 'avaliações falsas suspeitas'. Quando um perfil de empresa apresenta padrões estranhos — como uma enxurrada repentina de avaliações de contas de baixa qualidade — o Maps agora exibe um banner para alertar clientes em potencial. O recurso apareceu nos EUA, Reino Unido e Índia no final de 2024 e iniciou seu lançamento global em maio de 2025. Isso marca uma mudança na política, de apenas fiscalização para também fornecer transparência. Mesmo que o Google não exclua uma avaliação, agora ele pode mostrar aos usuários sua própria incerteza sobre se ela é genuína.

A direção é clara. Em 2021, uma campanha de avaliações falsas bem planejada — usando contas antigas, IPs domésticos e uma boa mistura geográfica — tinha uma boa chance de permanecer por meses. Em 2026, essa mesma campanha enfrenta uma análise alimentada por Gemini que pode detectar inconsistências que modelos anteriores não conseguiam. A vida útil de uma avaliação falsa está diminuindo a cada ano. Ao mesmo tempo, os resultados negativos — prisão de avaliações, banimento de contas e multas da FTC — estão piorando.

Saber como o sistema de detecção do Google é construído muda o jogo para qualquer empresa que considere sua estratégia de avaliações. O filtro não está procurando por avaliações que 'parecem falsas'. Ele está procurando por padrões que não são naturais. Essa diferença é enorme. Muitas empresas que nunca compraram uma única avaliação falsa viram avaliações reais serem filtradas, enquanto algumas campanhas falsas inteligentes permanecem por um tempo.

A lição é que uma estratégia de avaliações deve ser projetada para parecer natural no nível do padrão, não apenas no nível do conteúdo. Uma avaliação perfeitamente escrita é inútil se a conta que a publicou dispara um alarme de velocidade ou falha em uma verificação de localização. O sinal que mais importa para o Google não é 'esta avaliação parece real?' É 'todo o rastro digital deste avaliador parece o de um cliente real?'

Por Que um Ritmo Natural de Avaliações Supera o Alto Volume

A lição mais consistente do estudo da detecção de avaliações falsas do Google é que a velocidade é o maior fator de risco único para a fiscalização. Uma empresa que recebe 50 avaliações reais em seis meses tem risco zero de detecção, não importa como as solicitou. Uma empresa que recebe 50 avaliações em uma semana — mesmo que todas sejam reais — pode acionar um alerta de anomalia e ter algumas filtradas. O algoritmo não pode ver o evento do mundo real que levou a uma avaliação. Ele julga a legitimidade com base em quão estatisticamente crível o padrão é. Um ritmo constante e natural é o padrão que a coleta genuína de avaliações deve buscar.

O Ciclo de Feedback Positivo das Avaliações Reais

Há um benefício composto em construir uma base de avaliações autênticas. Contas que têm muita atividade no Maps e um histórico de avaliação de outras empresas sinalizam legitimidade para o sistema. Quando essas contas avaliam sua empresa, sua contribuição tem mais autoridade e é menos provável que seja filtrada. É exatamente por isso que serviços que usam contas de 'avaliadores' dedicadas — que não têm histórico além de postar avaliações falsas — falham de forma tão previsível. Sua falsidade é transparente para o algoritmo. O verdadeiro argumento para avaliações autênticas não é apenas sobre evitar problemas. É que contas reais criam sinais de avaliação que se tornam mais fortes com o tempo, enquanto contas falsas criam sinais que se desfazem sob inspeção.

Respostas diretas às perguntas não encontradas nos documentos oficiais do Google — com base em dados públicos, análises de especialistas e comportamento observado do sistema.