Descoberta e recomendação de empresas locais com IA

A descoberta de empresas locais com IA é o processo pelo qual um sistema de busca identifica, avalia e apresenta empresas capazes de atender a um objetivo dependente de localização. O processo combina índices de busca, bancos de mapas e lugares, perfis empresariais, páginas públicas, fontes de terceiros, avaliações, cálculos geográficos e síntese gerada por modelos. A empresa só se torna visível ao passar por cada uma dessas etapas.

A busca local antes se concentrava em consultas curtas, como “café perto de mim”. A busca generativa permite perguntar qual cafeteria independente próxima ao centro de convenções tem mesas externas, funciona depois das 19h e parece adequada para uma reunião com cliente. A solicitação combina categoria, distância, propriedade, comodidades, horário e um uso inferido. Respondê-la exige identificar candidatos, recuperar fatos atuais, separar atributos documentados de interpretações subjetivas e explicar a escolha.

A distinção central é entre encontrabilidade e recomendação. Encontrabilidade significa que o sistema consegue identificar e recuperar a empresa; recomendação significa selecioná-la e apresentá-la como opção adequada. Sem a primeira não existe a segunda, mas ser encontrável não garante ser recomendado.

Escopo e evidências

Nenhuma grande plataforma de busca ou IA publica uma fórmula completa para recomendações locais. Este artigo separa comportamento documentado das plataformas, resultados de pesquisas revisadas por pares ou institucionais e inferências analíticas que conectam ambos. As afirmações inferidas são identificadas como tal.

O Google organiza sua orientação em relevância, distância e proeminência, embora o resumo chame o terceiro fator de “popularidade”. Também documenta que recursos generativos usam query fan-out e os principais sistemas de busca. A OpenAI diz que o ChatGPT Search “normalmente reescreve sua consulta em uma ou mais consultas direcionadas” quando trabalha com provedores terceirizados, além de usar localização geral derivada do IP. A Perplexity descreve um processo que pesquisa a web, resume e cita fontes.

Essas divulgações sustentam um modelo geral, não uma descrição de qualquer classificação proprietária.

Resumo executivo

A descoberta local com IA transforma um objetivo aberto em poucas recomendações: um café tranquilo perto de um centro de convenções, hotel com carregamento elétrico, dentista que aceita novos pacientes ou restaurante com requisitos alimentares e de acessibilidade. O sistema precisa identificar empresas elegíveis, resolver suas identidades, avaliar adequação geográfica, recuperar atributos, comparar evidências e apresentar uma resposta concisa. Registros incompletos ou contraditórios podem excluir uma empresa antes da classificação.

A documentação pública apoia cinco grupos de sinais: exatidão da entidade, relevância da consulta, adequação geográfica, proeminência e evidência acessível. As informações do Google são compiladas de várias fontes: conteúdo rastreado, dados licenciados, contribuições de usuários — inclusive proprietários — e interações do próprio Google com o local. Sistemas generativos acrescentam uma camada porque sintetizam e citam apenas uma parte das fontes recuperadas.

Perfis completos, categorias precisas, horários atuais, páginas detalhadas por local, dados estruturados, avaliações genuínas, menções confiáveis, conteúdo acessível e governança rigorosa reduzem ambiguidade. Nenhuma tática garante recomendação: geografia, concorrência, contexto, políticas e rankings proprietários ficam fora do controle. O Google afirma que não é possível solicitar nem pagar por melhor classificação local.

A Kaleidr apoia as camadas de informação e experiência, não o ranking externo. Pode organizar dados locais, publicar mapas interativos, relacionar atributos empresariais ao contexto geográfico e oferecer descoberta conversacional. Assim, ajuda a manter evidências mais claras e uma experiência própria melhor quando o cliente chega.

De listas classificadas a recomendações sintetizadas

Na busca tradicional, o usuário compara nomes, notas, horários, distâncias e categorias. A busca generativa comprime essa avaliação: três restaurantes atendem à dieta, ficam dentro do tempo de caminhada e permanecem abertos. A resposta pode resumir avaliações, descrever comodidades, mostrar os locais no mapa e oferecer reservas.

Visibilidade passa a significar inclusão entre candidatos, menção textual, citação, comparação, posição no mapa e ações disponíveis — e não apenas posição, impressões e cliques.

Uma solicitação também pode gerar várias consultas simultâneas. Um hotel pode acionar pesquisas separadas sobre localização, estacionamento, acessibilidade, operação, avaliações e transporte. O perfil fornece o endereço; o site, os serviços; uma plataforma de reserva, a disponibilidade; avaliações, a experiência; e um mapa, o tempo de viagem.

Um modelo de recomendação local baseado em evidências públicas

1. Elegibilidade do candidato

A elegibilidade determina se a empresa entra nos sistemas relevantes. Empresa fechada, perfil não verificado, página bloqueada ou categoria insuficiente pode falhar antes da comparação. O Google diz que informações completas e corretas aumentam a chance de aparecer e que a verificação confirma autorização.

Os requisitos variam: registro válido de lugar, inventário atual, página rastreável e indexável ou fontes públicas e parceiros. Se a empresa falta no sistema usado por seus clientes, na prática é invisível.

2. Resolução de entidade

A resolução conecta site, mapa, diretório, página de avaliações e perfil social referentes à mesma empresa. Nomes, endereços, telefones, categorias, domínios e IDs corretos reduzem ambiguidade. Cada unidade precisa de registro separado para associar endereço, horário, área de serviço e estoque à filial certa.

Contradições entre fontes aumentam a incerteza e geram resumos desatualizados. Consistência não exige a mesma linguagem promocional em todos os lugares, mas concordância factual sobre identidade, local, contato, categoria e status.

3. Relevância da consulta

Uma categoria ampla como “restaurante” pode estabelecer elegibilidade; recomendações complexas exigem evidências específicas — pratos vegetarianos, sala privativa, mesas externas, horário tardio, acesso para cadeira de rodas ou proximidade. Perfis e site devem declarar esses atributos de modo recuperável.

Relevância depende de significado, não de repetição literal. O Google explica que a IA entende sinônimos e sentidos gerais; não é necessário cobrir toda variação. Descrições detalhadas e exatas de tratamentos, seguros, idiomas, acessibilidade e tipos de paciente valem mais que palavras-chave repetidas.

4. Adequação geográfica

O Google cita distância como um dos três fatores e usa a localização disponível quando o usuário não informa uma. A OpenAI documenta que o ChatGPT coleta localização geral pelo IP e pode compartilhá-la com parceiros para melhorar resultados; isso é diferente da localização precisa opcional do dispositivo.

Uma empresa não otimiza uma desvantagem física de distância. Endereço e área de serviço verdadeiros permitem cálculo correto; endereços falsos e áreas enganosas criam riscos. A adequação pode envolver distância linear, tempo a pé, carro ou transporte, bairros, entregas e restrições de rota.

5. Proeminência e reputação

O Google define proeminência como o quanto a empresa é conhecida, em parte pelos sites que apontam para ela e pelo número de avaliações; mais avaliações e notas positivas podem ajudar.

O estudo de Michael Luca sobre o Yelp associou uma estrela adicional a 5–9% mais receita para restaurantes independentes, sem efeito significativo nas redes. O escopo foi Seattle, 2003–2009, usando registros fiscais; marcas consolidadas já carregavam reputação.

Anderson e Magruder usaram os limites de arredondamento de meia estrela do Yelp. Meia estrela adicional fez restaurantes esgotarem reservas 19 pontos percentuais — 49% — mais vezes em São Francisco, com efeito maior quando havia pouca informação alternativa. O resultado foi disponibilidade, não receita. Os estudos mostram que reputação afeta consumidores, não o peso atribuído por uma IA atual nem um efeito universal.

Aneja, Luca e Reshef também encontraram aumento de tráfego, chamadas, pedidos e visitas quando restaurantes eram identificados como pertencentes a minorias. Um atributo pesquisável pode conectar preferência latente à empresa pertinente.

6. Qualidade e atualidade das evidências

Fontes antigas, vagas ou contraditórias podem causar omissão ou descrição errada. Horário é a falha comum: perfil regular, site sazonal e diretório antigo geram um incorreto “aberto agora”.

Horários, cardápios, serviços, preços, reservas, estoque, eventos e fechamentos devem ser dados operacionais. Toda mudança material precisa chegar ao perfil, site e sistemas comerciais. A evidência própria é mais valiosa quando traz informações únicas e verificáveis.

7. Síntese da recomendação

A síntese transforma evidências em poucos candidatos, vantagens e limites, atributos, citações e ações. Pode combinar fatos corretos de modo errado, chamar um local de “tranquilo”, “familiar” ou “melhor” sem base ou omitir um candidato por falta de espaço. Uma resposta defensável informa oito minutos a pé, Wi-Fi, mesas externas e fechamento às 20h; uma resposta fraca diz “melhor para reunião” sem critério.

Sinais que afetam diretamente a visibilidade local

Perfis empresariais como camada fundamental

Perfis ligam a empresa ao local e aos atributos operacionais. O Google recomenda informações completas, verificação, horários corretos, gestão de avaliações e fotos; sua orientação afirma que Merchant Center e Google Business Profiles podem ajudar produtos e serviços a aparecer em respostas de IA e outros resultados.

Um perfil completo contém categorias, endereço ou área, telefone, site, horários comuns e especiais, serviços, acessibilidade, estacionamento, reservas e imagens. Organizações com várias unidades precisam de fonte central, identificador estável e valores aprovados. Completude não corrige inexatidão: um perfil detalhado e errado produz erros mais visíveis. Primeiro vem a precisão.

O site oficial como fonte de evidência

O site oficial é a fonte controlada e deve responder a perguntas práticas sobre serviços, produtos, faixas de preço, comodidades, acessibilidade, equipe, seguros, entregas, reservas, cancelamentos, estacionamento, entradas, transporte, cardápios, eventos e horários.

Cada local voltado ao cliente costuma merecer uma página própria, substancialmente diferente e fiel à unidade. Centenas de páginas quase iguais, mudando apenas a cidade, têm pouco valor; o Google considera violação produzir conteúdo em escala principalmente para manipular rankings ou respostas generativas.

As melhores páginas contêm informação originada na empresa: guia de entrada, estacionamento, acessibilidade e trajetos de um hotel; seguros, idiomas e tratamentos de uma clínica; cardápios e acomodações dietéticas de um restaurante.

Dados estruturados e detalhes legíveis por máquina

A documentação LocalBusiness permite descrever tipo, endereço, horários, departamentos, telefone, coordenadas, imagens, faixa de preço e perfis autorizados.

Dois limites importam. O Google não garante exibição mesmo com marcação correta; essa ressalva diz respeito a rich results, não a ranking. E dados estruturados não são necessários para busca generativa; não há schema.org especial. Ainda são recomendados no SEO geral. A marcação deve coincidir com o conteúdo visível, ser validada e acompanhar mudanças.

Avaliações, reputação e qualidade da recomendação

Avaliações informam sobre serviços cuja qualidade é difícil conhecer antes da compra. Seus efeitos variam com clientes, concorrência, categoria, marca, volume, preço e condições; as melhores estimativas vêm de cidades e anos específicos.

Um programa disciplinado solicita opinião voluntária de clientes reais, sem condicionar à satisfação ou nota, evita incentivos proibidos e responde de modo consistente. Reclamações repetidas sobre estacionamento, acesso, espera ou comunicação são dados operacionais.

A regra da FTC sobre avaliações e depoimentos, vigente desde 21 de outubro de 2024, proíbe comprar e vender avaliações falsas, determinados depoimentos internos não divulgados, falsos sites independentes, supressão e indicadores falsos de influência. A política do Google Maps proíbe engajamento falso, pressão e padrões incomuns. Manipulação ameaça perfis, conformidade, métricas internas e confiança.

Menções de terceiros e evidências corroborativas

Imprensa local, câmaras de comércio, turismo, associações, universidades, diretórios públicos, publicações setoriais e plataformas estabelecidas fortalecem a entidade e fornecem validação independente. O Google relaciona proeminência a links e confirma que dados de terceiros e usuários alimentam registros locais.

A busca generativa aumenta o valor de evidência citável, mas o Google alerta que menções inautênticas não ajudam. Menções devem nascer de relacionamentos, especialização, comunidade, pesquisa, eventos ou valor real.

Aggarwal e colegas relatam que adicionar fontes, citações e estatísticas melhorou sua métrica de visibilidade em 30–40%, com variação por domínio. Esse valor é um teto de um benchmark baseado em pipeline de 2023, não efeito típico em mecanismos atuais; keyword stuffing teve desempenho ruim. O resultado apoia testes, não uma fórmula.

Como os ambientes de descoberta diferem

Uma estratégia completa mantém dados corretos, publica evidência acessível, conquista validação legítima e entrega boa experiência após a recomendação. Uma empresa pode aparecer num sistema e faltar em outro porque índices, provedores, contexto, pressupostos e limites variam.

Programa disciplinado de visibilidade local com IA

1. Estabelecer um registro canônico por local

Centralize nome, ID, endereço, coordenadas, telefone, URL, categorias, horários, área, comodidades, reservas e status. Designe responsáveis e procedimentos.

2. Completar e verificar perfis importantes

Reivindique e mantenha plataformas relevantes ao setor e região. Google Business Profile é fundamental para Search e Maps; diretórios especializados podem importar mais em certos setores. Use fatos e categorias exatas.

3. Publicar páginas locais substanciais

Cada unidade precisa de página indexável sobre serviços, horários, direções, entradas, estacionamento, acessibilidade, reserva, contato e diferenciais, sem duplicação mecânica.

4. Tornar atributos relevantes explícitos

Declare opções alimentares, acessibilidade, seguros, idiomas, entrega, estacionamento, propriedade, certificações e especializações legítimas; vincule provas autorizadas.

5. Implementar dados estruturados apropriados

Use LocalBusiness ou o subtipo válido mais específico, conecte organização, site e perfis, valide e mantenha as fontes de acordo. Marcação esclarece; não substitui conteúdo.

6. Operar um programa ético de avaliações

Convide clientes reais sem pedir nota, trate problemas, corrija mal-entendidos com respeito e proteja informações privadas. Temas recorrentes são sinais operacionais.

7. Criar evidências originais e citáveis

Publique guias, dados locais, fotos, mapas, políticas, casos e explicações de primeira mão: guia de acessibilidade turística, comparações de viagem imobiliárias ou informações de retirada por loja.

8. Conquistar cobertura externa relevante

Parcerias, eventos, contribuições técnicas, programas comunitários, pesquisa e bom serviço geram menções legítimas. Corrija listagens erradas de endereço, horários, categoria, propriedade ou disponibilidade.

9. Manter acessibilidade técnica

Mantenha páginas públicas rastreáveis, indexáveis, móveis e compreensíveis sem conta, com URLs estáveis, títulos, links, sitemaps e servidores confiáveis. A OpenAI recomenda permitir OAI-SearchBot para o ChatGPT Search; é possível bloqueá-lo para treinamento via GPTBot separadamente. Nunca exponha dados privados em troca de visibilidade.

10. Monitorar precisão e desempenho

Teste consultas repetidas por unidade, formulação, dispositivo, data e contexto. Meça a latência de correção: se uma mudança demora dias para se propagar, existe uma janela mensurável de informação sabidamente errada.

Práticas com mais risco que valor

Medindo a descoberta local com IA

Rank tracking é parcial: uma resposta pode mencionar sem link, citar sem recomendar ou recomendar num mapa sem clique. Separe exposição, recomendação, engajamento e resultado.

Precisão dos dados

• Percentual de locais com registro canônico completo
• Concordância entre site, perfil, diretório e operação
• Exatidão de horários regulares e especiais
• Taxa de duplicação ou conflito
• Tempo mediano de correção

Recuperação e visibilidade

• Inclusão entre candidatos numa carteira de consultas
• Parcela de respostas que menciona a empresa
• Parcela que cita uma fonte controlada
• Frequência em mapas e place cards
• Cobertura de serviços e atributos prioritários

Qualidade da recomendação

• Exatidão da descrição, local, horários, serviços e disponibilidade
• Frequência de alegações antigas ou sem suporte
• Comparação com concorrentes
• Parcela que atende às restrições da consulta

Engajamento e resultado

• Visualizações, visitas, chamadas, direções e interações no mapa
• Inícios e conclusões de reservas, consultas, pedidos e leads
• Visitas, receita, custo por tarefa e conversões assistidas

A OpenAI documenta que o ChatGPT acrescenta utm_source=chatgpt.com às URLs de referência. O Google orienta os proprietários ao relatório de desempenho de IA generativa no Search Console.

Respostas variam conforme modelos, índices, pressupostos de localização, atualidade e contexto. Avalie consultas repetidas, não uma captura. Comparações antes/depois são descritivas sem controlar sazonalidade, local, concorrência e mudanças simultâneas. Um teste rigoroso define intervenção, linha de base, comparação e período.

Criando a experiência de descoberta com a Kaleidr

A Kaleidr conecta dados de localização, mapas interativos, interfaces de IA, experiências web e integrações. Um site baseado em mapa pode reunir locais, áreas, propriedades, comodidades, rotas e conteúdo. A interface conversacional permite que o visitante vindo de uma recomendação continue perguntando sobre dados autorizados da empresa.

Conforme a configuração, a experiência pode ser mapa independente, incorporado, modelo de site, integração de desenvolvedor ou aplicação personalizada. A camada de analytics destinada a relacionar telemetria conversacional e cartográfica a resultados comerciais ainda estava em desenvolvimento na publicação; as equipes devem planejar instrumentação própria enquanto isso.

A Kaleidr não influencia como Google, ChatGPT, Perplexity ou plataformas verticais classificam empresas. A empresa controla a qualidade, precisão e acessibilidade de suas evidências e a experiência posterior.

Limitações e questões em aberto

Divulgações públicas são parciais. O Google mantém detalhes confidenciais; a OpenAI diz “normalmente” e “às vezes” ao falar de reescrita com terceiros; ninguém publica pesos. Os requisitos são observáveis, a aritmética é opaca.

As pesquisas referem-se a cidades e anos específicos e medem consumidores, não IA. Nenhum estudo estabelece como assistentes atuais ponderam avaliações, distância, atualidade e evidência própria. O benchmark GEO usa um pipeline de 2023 diferente dos sistemas atuais.

Continuam abertas a consistência da atribuição de fatos locais, a velocidade de propagação de correções e a parcela da variação causada por ranking em vez de ruído de amostragem. Alegações causais baseadas em capturas antes/depois são hipóteses até um teste controlado.

Conclusão

A descoberta local com IA recompensa o que torna uma empresa realmente encontrável e utilizável: identidade inequívoca, local correto, atributos honestos, dados atuais, reputação real e evidência recuperável e citável. A novidade é que o custo da ambiguidade aparece numa resposta sintetizada em vez de numa lista.

A empresa não controla distância, concorrência, contexto, políticas ou rankings proprietários. Controla a concordância dos registros, a declaração recuperável dos atributos, a veracidade dos horários e a autenticidade das avaliações. Avaliações fabricadas, locais falsos, páginas em massa e menções compradas são justamente as práticas citadas por plataformas e reguladores.

A Kaleidr fornece a interface espacial e conversacional para explorar dados autorizados e agir. A recomendação pertence a sistemas que nenhum fornecedor controla; por isso, vale acertar a evidência subjacente.

Perguntas frequentes

O que é descoberta local com IA?

É o processo de identificar, avaliar e apresentar empresas capazes de atender a uma solicitação geográfica, combinando índices, lugares, perfis, páginas, avaliações, cálculo espacial e síntese.

Como a IA escolhe qual empresa recomendar?

Não há fórmula publicada. Cinco grupos são observáveis: elegibilidade e identidade, relevância, geografia, proeminência e evidências acessíveis para os atributos pedidos.

É diferente de SEO local?

Em grande parte, não. O Google considera otimizar a busca generativa como otimizar a experiência de busca e, portanto, SEO. Mudam a forma de visibilidade — menção, citação e comparação — e o peso de atributos explícitos.

É possível pagar por melhor ranking local ou de IA?

Não. O Google diz que um ranking local melhor não pode ser solicitado nem comprado; nenhum fornecedor garante recomendação proprietária. Publicidade é separada.

Avaliações afetam a visibilidade?

O Google diz que sim. Pesquisa associou uma estrela Yelp extra a 5–9% mais receita em independentes de Seattle, sem efeito comparável em redes. Isso mede consumidores, não o peso usado pela IA.

Dados estruturados garantem aparecer em respostas de IA?

Não. O Google diz que não são necessários e não há schema especial, embora ainda os recomende no SEO comum. Marcação esclarece uma página; não cria evidência.

A empresa deve publicar llms.txt ou escrever para IA?

O Google desaconselha arquivos desnecessários, divisão artificial e menções inautênticas. Sistemas entendem sinônimos e significado geral.

Como o ChatGPT Search encontra empresas locais?

A OpenAI documenta que às vezes trabalha com provedores externos, normalmente reescreve a solicitação em consultas direcionadas e usa localização geral por IP. Sites devem permitir OAI-SearchBot.

É possível bloquear treinamento e continuar no ChatGPT Search?

Sim. Permita OAI-SearchBot e bloqueie GPTBot; busca e treinamento usam robôs e controles separados.

Como medir a descoberta local com IA?

Separe exposição, qualidade, engajamento e resultado em consultas repetidas. Referências do ChatGPT incluem utm_source=chatgpt.com; o Google oferece dados generativos no Search Console. Combine-os com chamadas, direções e reservas.

Referências

• Aggarwal, P., et al. (2024). GEO: Generative engine optimization. KDD '24, 5–16. https://doi.org/10.1145/3637528.3671900
• Anderson, M., & Magruder, J. (2012). Learning from the crowd. The Economic Journal, 122(563), 957–989. https://doi.org/10.1111/j.1468-0297.2012.02512.x
• Aneja, A., Luca, M., & Reshef, O. (2025). The benefits of revealing race. American Economic Review, 115(2), 660–689. https://doi.org/10.1257/aer.20230075
• Federal Trade Commission. (2024). Trade regulation rule on the use of consumer reviews and testimonials. https://www.federalregister.gov/documents/2024/08/22/2024-18519/trade-regulation-rule-on-the-use-of-consumer-reviews-and-testimonials
• Google. Tips to improve your local ranking on Google. https://support.google.com/business/answer/7091
• Google. Understand how Google sources & uses info in Business Profiles & local search results. https://support.google.com/business/answer/2721884
• Google. Optimizing your website for generative AI features on Google Search. https://developers.google.com/search/docs/fundamentals/ai-optimization-guide
• Google. Local business structured data. https://developers.google.com/search/docs/appearance/structured-data/local-business
• Google. Prohibited & restricted content. https://support.google.com/contributionpolicy/answer/7400114
• Luca, M. (2011, rev. 2016). Reviews, reputation, and revenue. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=1928601
• OpenAI. ChatGPT Search. https://help.openai.com/en/articles/9237897-chatgpt-search
• OpenAI. Publishers and developers — FAQ. https://help.openai.com/en/articles/12627856-publishers-and-developers-faq
• OpenAI. Overview of OpenAI crawlers. https://developers.openai.com/api/docs/bots
• Perplexity. How does Perplexity work? https://www.perplexity.ai/help-center/en/articles/10352895-how-does-perplexity-work

A documentação das plataformas foi verificada em 15 de julho de 2026. Essas páginas podem mudar sem aviso; a orientação do Google sobre IA generativa havia sido atualizada poucos dias antes da publicação.

@inproceedings{aggarwal2024geo, title={{GEO}: Generative Engine Optimization}, author={Aggarwal, Pranjal and Murahari, Vishvak and Rajpurohit, Tanmay and Kalyan, Ashwin and Narasimhan, Karthik and Deshpande, Ameet}, booktitle={Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD '24)}, pages={5--16}, year={2024}, doi={10.1145/3637528.3671900}}
@article{anderson2012learning, title={Learning from the Crowd: Regression Discontinuity Estimates of the Effects of an Online Review Database}, author={Anderson, Michael and Magruder, Jeremy}, journal={The Economic Journal}, volume={122}, number={563}, pages={957--989}, year={2012}, doi={10.1111/j.1468-0297.2012.02512.x}}
@article{aneja2025revealing, title={The Benefits of Revealing Race: Evidence from Minority-Owned Local Businesses}, author={Aneja, Abhay and Luca, Michael and Reshef, Oren}, journal={American Economic Review}, volume={115}, number={2}, pages={660--689}, year={2025}, doi={10.1257/aer.20230075}}
@techreport{luca2011reviews, title={Reviews, Reputation, and Revenue: The Case of Yelp.com}, author={Luca, Michael}, institution={Harvard Business School}, type={Working Paper}, number={12-016}, year={2011}, note={Revised March 2016; not published in a journal}, url={https://papers.ssrn.com/sol3/papers.cfm?abstract_id=1928601}}
@misc{ftc2024reviews, title={Trade Regulation Rule on the Use of Consumer Reviews and Testimonials}, author={{Federal Trade Commission}}, year={2024}, note={16 C.F.R. pt. 465; effective Oct. 21, 2024}, url={https://www.federalregister.gov/documents/2024/08/22/2024-18519/trade-regulation-rule-on-the-use-of-consumer-reviews-and-testimonials}}