A pilha de pesquisa de LLM em 2026: 76 produtos distribuídos por 6 camadas

A pesquisa costumava ser um único produto: uma caixa e dez links azuis. Em 2026, é uma pilha. Um mecanismo de respostas redige a resposta, uma API de pesquisa a alimenta, um banco de dados vetorial armazena o que um modelo já sabe, uma camada do navegador busca o que falta, um agente age com base no resultado e uma nova categoria de ferramentas avalia se a sua marca apareceu de fato.

Mapeamos essa pilha para o terceiro trimestre de 2026: 76 produtos de 71 empresas e projetos de código aberto, distribuídos por 6 camadas, com base na pesquisa que fundamenta o mapa de mercado trimestral “LLM Search Stack” da Massive.

A pressão sobre essa pilha se reflete na forma como as pessoas realizam suas buscas. Em um estudo do Pew Research Center com 900 adultos norte-americanos sobre seus hábitos de navegação em março de 2025, 18% das pesquisas no Google geraram um resumo gerado por IA. Os usuários que viram um resumo clicaram em um resultado tradicional em 8% das visitas, em comparação com 15% quando nenhum resumo apareceu (Pew Research Center, 2025). Quando a resposta aparece na página de resultados, menos pessoas abandonam a página. É essa mudança que faz com que o restante da pilha tenha importância comercial.

Pontos principais

• A pilha de pesquisa de LLMs do terceiro trimestre de 2026 abrange 6 camadas e 76 produtos.
• Os usuários clicaram nos resultados tradicionais com cerca de metade da frequência quando aparecia um resumo gerado por IA: 8% das visitas contra 15% (Pew Research Center, 2025).
• A recuperação e o acesso à web em tempo real estão empatados como as maiores camadas, com 15 produtos cada, e resolvem problemas opostos: o que um modelo já sabe versus o que é verdade no momento.
• A otimização de mecanismos gerativos (GEO) é agora uma categoria à parte, com 13 produtos no mercado.

Como mapeamos a pilha de pesquisa do LLM

Agrupamos os produtos de acordo com a função que desempenham no percurso que vai de uma pergunta a uma resposta, e não por estágio de financiamento ou classificação de marketing. O mapa é lido de cima para baixo: o que o usuário vê primeiro, depois o que fornece essa informação e, por fim, o que a avalia. Uma empresa com vários produtos pode aparecer em mais de uma camada. A You.com, por exemplo, possui um mecanismo de respostas na Camada 1 e uma API na Camada 2. É por isso que 76 produtos provêm de 71 empresas e projetos de código aberto.

Um produto foi incluído no mapa caso estivesse amplamente disponível no momento em que realizamos a pesquisa para esta edição (julho de 2026, verificado novamente em outubro de 2026) e sua função principal se enquadrasse em uma camada. Excluímos as entradas que não pudemos verificar até o momento da publicação. Listamos todos os fornecedores de forma neutra: a inclusão não constitui um endosso, e a ordem dentro de uma camada não representa um ranking. A Massive também aparece no mapa, na camada de acesso à web em tempo real, e deixamos isso bem claro.

Camada 1: Mecanismos de resposta baseados em IA

Os mecanismos de respostas são a interface do consumidor para a pesquisa com LLM: o usuário faz uma pergunta e recebe uma resposta por escrito, geralmente acompanhada de referências. Essa é a camada a que a maioria das pessoas se refere quando fala em “pesquisa com IA”.

No mapa: Perplexity, You.com, Andi, Ask Brave, Kagi, Liner, Felo, iAsk, ChatGPT Search, Modo IA do Google, Microsoft Copilot, Grok e Meta AI.

Essa categoria se divide em duas. Seis participantes são de empresas que também possuem um modelo de vanguarda, um navegador ou uma plataforma de grande porte: ChatGPT Search, Google AI Mode, Microsoft Copilot, Grok, Meta AI e Ask Brave. As outras sete (Perplexity, You.com, Andi, Kagi, Liner, Felo e iAsk) são empresas independentes que se diferenciam por seu foco, como profundidade de pesquisa ou privacidade. Para uma marca, cada mecanismo é um espaço distinto onde ela pode ser descrita de forma positiva, negativa ou nem sequer ser mencionada. Quando nós analisou como a IA descreve as marcas, ser deixado de fora era um risco mais comum do que ser criticado. Verifique se um mecanismo de busca exibe suas fontes. As fontes citadas são a única parte de uma resposta que uma marca pode influenciar diretamente.

Camada 2: APIs de pesquisa otimizadas para LLM

Trata-se de mecanismos de busca desenvolvidos, em primeiro lugar, para máquinas. Em vez de uma página de resultados destinada a pessoas, eles apresentam resultados na forma de texto simples, trechos ou conteúdo completo de páginas que um modelo pode utilizar diretamente.

No mapa: Parallel, Exa, Linkup, Tavily, Brave Search API, You.com API, Valyu, Perplexity Sonar e Seltz.

As opções de design variam. Alguns mantêm seu próprio índice, outros reclassificam os resultados de um mecanismo de busca maior e outros ainda exibem o texto completo da página, em vez de trechos. Comparamos vários deles em Web Search API para agentes de IA. Como escolher: Verifique a atualidade com uma pergunta sobre as notícias de ontem e verifique a localização com uma pergunta cuja resposta varie de acordo com o país. Essas duas consultas diferenciam as APIs mais rapidamente do que qualquer tabela de características.

Camada 3: Recuperação e pesquisa vetorial

Nem toda resposta requer a internet em tempo real. A geração complementada por recuperação (RAG) permite que um modelo consulte documentos da própria empresa, um catálogo de produtos ou uma cópia armazenada de páginas da web, mantidos como embeddings em um índice vetorial.

No mapa: Pinecone, Weaviate, Qdrant, Chroma, Zilliz (Milvus), Turbopuffer, Vespa, LanceDB, Cohere, Voyage AI (MongoDB), Mixedbread, Supabase (pgvector), MongoDB Atlas Vector, Redis e Elastic.

Essa camada está empatada com o acesso à web em tempo real como a maior do mapa e é a mais madura: inclui bancos de dados como Elastic, Redis e MongoDB, que são anteriores aos LLMs atuais. Ela abrange três tipos de produtos. Bancos de dados nativos de vetores (Pinecone, Weaviate, Qdrant, Chroma, Zilliz, Turbopuffer e LanceDB) foram desenvolvidos para embeddings. Provedores de embedding e reclassificação (Cohere, Voyage AI e Mixedbread) transformam texto em vetores e ordenam os resultados. Motores de busca e bancos de dados já consolidados (Vespa, Supabase, MongoDB Atlas, Redis e Elastic) adicionaram a busca vetorial aos produtos que suas equipes já operavam. O problema para todos eles: uma camada de recuperação está atualizada apenas até o momento de sua última atualização. Nosso guia para Criação de um pipeline RAG com dados da web em tempo real aborda como as equipes evitam que um índice fique desatualizado.

Camada 4: Acesso à web em tempo real e infraestrutura de navegador

Quando uma pergunta depende do preço de hoje, da manchete de hoje ou do conteúdo de uma página em um país específico, um modelo precisa ir até lá e obter essa informação. Essa camada oferece exatamente isso: navegadores hospedados, rastreadores, APIs de extração de dados e redes de proxy que permitem que as solicitações sejam enviadas a partir de localizações reais.

No mapa: Massive, Browserbase, Steel, Hyperbrowser, Anchor Browser, Kernel, Lightpanda, Notte, Firecrawl, Crawl4AI, Zyte, Apify, Scrapfly, Browserless e Rebrowser.

Essa camada possui três grupos gerais. A infraestrutura de navegadores hospedados e headless inclui Browserbase, Steel, Hyperbrowser, Anchor Browser, Kernel, Lightpanda, Notte, Browserless e Rebrowser. As ferramentas de rastreamento e extração que retornam conteúdo de página limpo incluem Firecrawl, Crawl4AI, Zyte, Apify e Scrapfly. A Massive fornece a rede pela qual as solicitações trafegam. As equipes costumam combinar um navegador hospedado com uma camada de rede, uma escolha que abordamos em infraestrutura de navegador gerenciada para agentes de IA. A parte de Massive: uma rede residencial com mais de 1.000.000 de dispositivos verificados (Documentos volumosos), além de um Web Render API com endpoints de Navegação, Pesquisa e chat com IA. O endpoint de Pesquisa pode aguardar a renderização do “AI Overview” do Google antes de retornar a página (Documentos volumosos). Um agente que estiver verificando o preço de um voo para um viajante em Madri precisa que a página seja carregada da mesma forma que é carregada na Espanha, e não como seria carregada em um data center nos EUA.

Camada 5: Ação agênica e uso do computador

A pesquisa está deixando de ser apenas uma atividade de leitura para se tornar uma ação prática. Os agentes nessa camada clicam, preenchem formulários e realizam tarefas em um navegador ou em um computador, utilizando os resultados da pesquisa como ponto de partida.

No mapa: Skyvern, Browser Use, TinyFish, Airtop, H Company (Surfer H), Bardeen, Simular, Emergence AI, Nova Act (Amazon), Claude Computer Use (Anthropic) e ChatGPT Agent (OpenAI).

A Frontier Labs agora fornece seus próprios agentes para uso em computadores juntamente com as estruturas independentes. De qualquer forma, um agente que atua na web herda todos os problemas de acesso da Camada 4: verificações de bots, conteúdo dependente de localização e páginas que só são renderizadas em um navegador real. O primeiro desses problemas é abordado em por que os agentes de IA são bloqueados em endereços IP de data centers.

Camada 6: Otimização do mecanismo generativo (GEO)

A camada mais recente existe graças à primeira. Se os compradores consultam um mecanismo de respostas em vez de clicar em links, as marcas precisam saber o que esses mecanismos dizem. O termo tem origem em um artigo de pesquisa de 2023, que relatou que as estratégias de otimização poderiam “aumentar a visibilidade em até 40% nas respostas dos mecanismos generativos” e que sua eficácia “varia de acordo com os domínios” (Aggarwal et al., arXiv, 2023). As plataformas GEO executam consultas em mecanismos de respostas, monitoram a frequência com que uma marca é mencionada ou citada e sugerem alterações no conteúdo.

No mapa: Profound, Scrunch AI, Peec AI, Otterly AI, AthenaHQ, Bluefish, Evertune, Gumshoe, Goodie, Trakkr, Knowatoa, Brandlight e Relixir.

O GEO apresenta um problema inerente à medição: a resposta de um mecanismo de respostas pode variar de acordo com a localização, o idioma e a formulação da pergunta do usuário. A qualidade de uma pontuação de visibilidade depende das condições em que foi medida; portanto, a cobertura de localização e idioma é uma forma de diferenciar as ferramentas GEO. Um comprador em Munique e um comprador em São Paulo podem obter respostas diferentes para a mesma consulta. É aqui que o endpoint de chat com IA da Massive se encaixa: ele retorna sugestões do ChatGPT, Gemini e Perplexity por meio de origens em dispositivos reais na localização de sua escolha, o que atende às necessidades de medição bruta com reconhecimento de localização. Nosso Destaque: Endpoint de chat com IA mostra as mesmas perguntas respondidas de maneira diferente por país.

O que o mapa nos revela sobre as buscas com LLM em 2026

Destacam-se três padrões.

As grandes plataformas dominam o segmento de consumo e estão se expandindo para a área de agentes. O Google, a Microsoft, a OpenAI, a xAI e a Meta aparecem na Camada 1, enquanto a Amazon, a Anthropic e a OpenAI aparecem na Camada 5. Além dessas empresas de laboratórios de ponta, quase todos os produtos no mapa são de uma empresa independente ou de um projeto de código aberto.

A frescura e a localização são os pontos críticos em comum. Os mecanismos de respostas, as APIs de busca, os agentes e as ferramentas GEO precisam, em última instância, saber o que a web em tempo real está exibindo neste momento, em um determinado local. As camadas 1, 2, 5 e 6 dependem todas da obtenção de páginas em tempo real, e a camada 3 depende disso sempre que um índice é atualizado. É por isso que a camada de acesso à web em tempo real se conecta a todas as outras camadas no mapa.

A medição está se tornando um produto por si só. Nosso mapa do terceiro trimestre lista 13 produtos cuja principal função é a visibilidade da IA. À medida que essa camada cresce, a forma e o local em que uma ferramenta realiza suas medições serão tão importantes quanto o que ela mede.

A pilha de pesquisa do LLM: a conclusão

• Seis camadas, 76 produtos. Leia o mapa de cima para baixo: resposta, oferta, ação, medida.
• O que observar no 4º trimestre: laboratórios de fronteira aprofundando-se na ação agentiva e ferramentas GEO competindo quanto a onde e como realizam suas medições.
• Está desenvolvendo nesta pilha? Teste o acesso desde o início: uma página que bloqueie seu agente ou indique o país errado a ele prejudica todas as camadas acima dela.
• Atualizamos este mapa a cada trimestre. Envie correções e acréscimos à equipe da Massive, e nós os incluiremos na próxima edição.

Fontes

• Pew Research Center, "Os usuários do Google tendem a clicar menos nos links quando um resumo gerado por IA aparece nos resultados", 2025
• Massive Docs, "Introdução aos proxies residenciais"
• Massive Docs, "Pesquisar"
• Aggarwal et al., "GEO: Otimização de Mecanismos de Geração", arXiv, 2023
• Mapa de mercado abrangente do Massive, LLM Search Stack, edição do terceiro trimestre de 2026 (pesquisa interna, julho de 2026)