Filtro de Rejeição de Respostas a Avaliações do Google: O Que 12.752 Respostas Rejeitadas Revelam

O Google agora rejeita silenciosamente as respostas às avaliações. Nenhuma notificação. Nenhuma explicação. A sua resposta fica no estado REJEITADO na API enquanto assume que foi publicada.

Sabemos isto porque podemos ver. A API do Perfil da Empresa no Google introduziu o ReviewReplyState a 1 de abril de 2026 (Blog de Alterações do Google para Programadores). Antes disso, todas as respostas publicadas através da API eram automaticamente publicadas. Sem moderação. Sem filtro.

Isso mudou. E com isso surgiu um problema de rejeição silenciosa que a maioria das empresas e agências não faz ideia que está a ter.

Recolhemos 12.752 respostas a avaliações rejeitadas dos dados da nossa plataforma, através de duas extrações separadas, uma imediatamente após os dados estarem disponíveis em 22 de abril de 2026, e uma segunda em 28 de maio de 2026, para descobrir o que está realmente a acionar o filtro do Google. É a primeira vez que estes dados são publicados. Eis o que encontrámos.

A Escala do Problema É Maior do Que Se Pensa

No nosso conjunto de dados combinado de 12.752 respostas rejeitadas:

92,6% eram respostas a avaliações de 5 estrelas. As avaliações positivas estão a gerar o maior número de rejeições, quase certamente porque as empresas (e ferramentas de IA) respondem a elas com linguagem entusiasta e padronizada.

As rejeições aumentaram acentuadamente em 2024. De 354 rejeições em todo o ano de 2022 e 398 em 2023, o número saltou para 9.393 só em 2024. Ou o filtro do Google tornou-se significativamente mais agressivo, ou a qualidade da avaliação mudou.

A resposta rejeitada média foi escrita 1.221 horas, aproximadamente 50 dias, após a publicação da avaliação original. Respostas atrasadas e agendadas em massa aparecem nos dados a uma taxa desproporcional, e essa média tem crescido desde a nossa primeira extração. A natureza silenciosa disto é o problema central. Uma resposta que é rejeitada não gera um erro. Não volta. Simplesmente não aparece. Sem visibilidade ao nível da API, nunca se saberia.

Duas Instantâneos, Uma História

O gráfico abaixo mostra as contagens de rejeições mensais de ambas as extrações de dados. A primeira extração (22 de abril de 2026, mostrada em azul claro) capturou 7.151 respostas rejeitadas. A segunda extração (28 de maio de 2026, mostrada em azul sólido) identificou 12.752, um aumento de 78% em apenas cinco semanas, refletindo tanto novas rejeições quanto respostas historicamente rejeitadas que ainda não tinham sido indexadas na nossa primeira extração.

A linha âmbar regista a percentagem de respostas rejeitadas em cada mês que contêm linguagem padronizada de IA detetável. A sua trajetória é a principal conclusão desta análise.

Os dois conjuntos de dados contam uma história consistente: uma linha de base estável ao longo de 2022-2023, um pico explosivo em 2024 e uma mudança composicional acentuada a partir de meados de 2025, na qual o volume diminui enquanto o caráter do que resta muda significativamente.

Razão 1: Linguagem Padronizada de IA é o Maior Fator Desencadeador

67% de todas as respostas rejeitadas no nosso conjunto de dados continham pelo menos uma frase padronizada de IA detetável. A proporção subiu de aproximadamente 35% no início de 2024 para 85% em meados de 2024, onde se manteve até o início de 2025.

As frases que surgem com mais frequência em respostas rejeitadas são precisamente as produzidas por ferramentas de resposta de IA não configuradas ou genéricas:

Estas frases não aparecem apenas nas respostas rejeitadas; elas dominam-nas. Isto não é uma correlação. O padrão é demasiado consistente, e a linha temporal demasiado precisa, para ser uma coincidência.

A nossa hipótese: o sistema de moderação do Google construiu um modelo estatístico de respostas a avaliações de baixa qualidade e automatizadas. As frases acima são as impressões digitais da geração de IA em massa. Aparecem em milhões de respostas em milhares de milhões de empresas com uma frequência não natural. O filtro do Google parece sinalizar respostas que combinam estes sinais num padrão de modelo reconhecível.

Pense nisto como um filtro de spam. As palavras individuais não são o problema. A combinação “abertura + nome + frase de elogio + linha de satisfação + fecho com perspetiva futura” é o padrão que o Google aprendeu a rejeitar.

Aqui está um exemplo real dos nossos dados (uma resposta a uma avaliação de 5 estrelas de um serviço de canalização, 1.731 caracteres, imediatamente rejeitada):

“Olá Tannas, obrigado pela sua excelente avaliação e por recomendar vivamente a Kingstree Plumbing! Estamos incrivelmente gratos pelo seu apoio… É maravilhoso saber que a abordagem informativa, eficiente e amigável do Dane teve um impacto tão positivo… O seu feedback é inestimável para nós… #KingstreePlumbing #HighlyRecommended #EfficientService…”

Esta resposta contém hashtags, keyword stuffing, um comprimento excessivo, frases de louvor ao estilo de IA e parece ter sido gerada por uma ferramenta sem salvaguardas. Foi imediatamente rejeitada.

A lição: se a sua ferramenta de resposta de IA produzir respostas que soam como todas as outras ferramentas de resposta de IA, o filtro do Google acabará por detetá-las.

Motivo 2: Calão em Nomes, Nomes de Empresas e Itens de Menu

Isto surpreende as pessoas. O filtro de calão do Google opera sobre o texto completo da resposta, mas não consegue distinguir entre um insulto e um contexto onde a mesma sequência é legítima.

O problema manifesta-se de três formas distintas.

A regra prática: antes que a sua ferramenta de resposta publique uma resposta, deve executar uma verificação de pré-envio em relação ao texto completo, incluindo o nome do revisor, quaisquer nomes de produtos e a assinatura da empresa. Se qualquer string puder acionar um filtro automatizado de palavrões, a resposta necessita de revisão humana antes de ser enviada.

Motivo 3: Respostas Exatas Duplicadas e de Conteúdo Mínimo

Nos dados, uma conta enviou a resposta “Obrigado!”, dez carateres, ipsis verbis, para mais de 100 avaliações consecutivas. Todas foram rejeitadas. Outra conta enviou “obrigado pela boa avaliação” identicamente para 46 avaliações em sequência. Um terceiro padrão: “Obrigado 🙏” com apenas o primeiro nome do revisor anexado, enviado centenas de vezes numa conta.

No extremo: respostas rejeitadas consistindo apenas de um único emoji “👍”, “🙌”, “😊”, ou apenas sinais de pontuação como “!!!” ou “.”.

Dois mecanismos estão provavelmente a funcionar aqui. Primeiro, a duplicação exata em escala é um sinal de spam clássico. Quando a mesma string é submetida da mesma conta para dezenas ou centenas de avaliações num curto espaço de tempo, esse padrão corresponde a um comportamento de automação de baixa qualidade conhecido, independentemente de a string individual ser ofensiva. Segundo, o Google parece impor um limiar mínimo de qualidade. Uma resposta que não adiciona valor informativo ao registo público, “Obrigado!” não contribui em nada que um leitor não pudesse inferir da classificação por estrelas, e pode falhar um piso de qualidade que o sistema de moderação aplica antes que uma resposta seja aprovada.

A implicação prática: a utilização de modelos não é apenas um problema de linguagem padronizada. Mesmo uma resposta curta, clara e não-IA será rejeitada se for idêntica a dezenas de outras respostas da mesma conta.

Motivo 4: Detalhes de Contacto no Corpo da Resposta

As respostas a avaliações não são um canal para gerar tráfego ou captar leads. A política de conteúdo do Google deixa isso claro, e os nossos dados refletem isso.

327 respostas (2,6%) continham um endereço de e-mail incorporado no corpo da resposta. Estas são quase sempre uma tentativa bem-intencionada de resolver uma reclamação: “Por favor, contacte-nos através de support@yourbusiness.com para que possamos resolver a situação.” 

287 respostas (2,3%) incluíram a frase “contacte-nos” ou “ligue-nos”, direcionando o avaliador a tomar medidas fora da plataforma. O padrão é consistente com avaliações negativas e neutras, onde as empresas querem instintivamente mover a conversa para fora da plataforma.

A posição do Google é clara: uma resposta a um comentário deve ser dirigida publicamente ao autor do mesmo. Se quiser dar seguimento em privado, utilize a funcionalidade de mensagens privadas existente do Google. Incluir o seu e-mail de suporte numa resposta pública é considerado uma solicitação comercial ou fora da plataforma e é bloqueado.

Motivo 5: Hashtags no Texto da Resposta

38 respostas no nosso conjunto de dados continham hashtags, e todas as 38 foram rejeitadas. Hashtags são uma funcionalidade de plataformas de redes sociais onde a descoberta é impulsionada por marcações. Os comentários do Perfil de Empresa no Google não são redes sociais. São um sinal de confiança estruturado.

O exemplo de hashtag rejeitada dos nossos dados deixa o problema claro: #KingstreePlumbing #HighlyRecommended #EdmontonAreaExperts  

Isto é lido como manipulação de SEO, ao encher nomes de empresas e termos de localização numa resposta para manipular os sinais de pesquisa local. Independentemente da intenção, o filtro do Google lê-o dessa forma.

A regra é simples: não usar hashtags nas respostas aos comentários.

Razão 6: Programação em massa e velocidade de resposta

O tempo de resposta, por si só, não causa rejeição. Mas é um componente do padrão mais amplo que o Google parece estar a analisar.

78,7% das respostas rejeitadas no nosso conjunto de dados foram publicadas mais de 24 horas após a redação da avaliação. O atraso médio foi de 1.221 horas, aproximadamente 50 dias, acima das 720 horas na nossa primeira recolha de dados. Isto reflete o comportamento de empresas que agrupam as suas respostas, frequentemente executando a geração de IA em massa uma vez por semana ou uma vez por mês, em vez de responder em tempo real. Essa média está a piorar, não a melhorar.

Quando a mesma conta envia um grande volume de respostas num curto espaço de tempo, todas seguindo o mesmo modelo estrutural, esse padrão é consistente com o abuso automatizado. É o equivalente digital de enviar 500 e-mails do mesmo IP numa hora, tecnicamente legítimo, mas estatisticamente suspeito.

A nossa hipótese sobre o agendamento em massa: o sistema do Google pode não avaliar uma resposta isoladamente. Pode avaliá-la no contexto da velocidade, quantas respostas esta conta submeteu nesta janela, quão estruturalmente semelhantes são essas respostas e se o padrão corresponde a comportamentos de automação de baixa qualidade conhecidos. Isto é mais difícil de provar apenas a partir do texto da resposta. Mas os dados de tempo, combinados com os dados de texto padrão e duplicação, apontam fortemente nesta direção.

O Campo Que Muda Tudo: Estado da Conta vs. Conteúdo

Tudo o que foi referido acima foi construído por engenharia inversa a partir do texto da própria resposta rejeitada, porque até recentemente esse era o único sinal disponível. Desde então, o Google adicionou um motivo de violação de política diretamente à resposta da API para as respostas rejeitadas, por isso, pela primeira vez, as empresas e as plataformas podem ver a causa declarada em vez de a inferir.

Retirámos este novo campo em toda a nossa base de clientes atual: 11.893 respostas rejeitadas no total. A distribuição não foi o que esperávamos.

Mais de 90% das rejeições neste conjunto de dados têm a razão ACCOUNT_RESTRICTED_AND_EDIT_REJECTED. De acordo com a documentação da API da Google, esse valor específico significa que a Conta Google por trás do Perfil da Empresa foi sujeita a restrições, o que faz com que as edições, incluindo as respostas a avaliações, sejam rejeitadas. Fundamentalmente, o Perfil da Empresa em si não está suspenso e permanece visível publicamente. Apenas a capacidade de edição da conta está bloqueada.

Por outras palavras, para a esmagadora maioria das rejeições que podemos agora atribuir diretamente, o problema nunca foi o teor da resposta. Foi o estatuto da Conta Google que a submeteu. Uma resposta perfeitamente escrita, não-modelada, sem hashtags, sem detalhes de contacto é rejeitada da mesma forma se a conta que a submeteu estiver restrita.

Isto não invalida as Razões 1 a 6 acima. GENERIC_VIOLATION e OFFENSIVE, as duas razões baseadas no conteúdo que aparecem neste novo campo, juntas representam aproximadamente 9% das rejeições onde o conteúdo é explicitamente a causa declarada, e os padrões que identificámos anteriormente (texto genérico de IA, linguagem ofensiva no contexto, duplicação, detalhes de contacto, hashtags, velocidade de volume) são os impulsionadores mais plausíveis dessa fatia menor. O que mudou é a escala: a qualidade do conteúdo explica uma percentagem de um dígito do que podemos agora medir diretamente, não a maioria que assumimos ao trabalhar apenas com texto.

Uma ressalva honesta: GENERIC_VIOLATION e GENERIC_VANDALISM não aparecem na lista de enumeração publicada pelo Google para este campo (os valores documentados vão desde ACCOUNT_RESTRICTED_AND_SUSPENDED até VIOLENCE_AND_GORE, cobrindo ambas as categorias de estado de conta e de conteúdo). Ainda não podemos confirmar se estes dois são rótulos internos legados, valores não documentados ou algo específico sobre como são apresentados através da API. Vale a pena tratá-los como uma questão genuinamente em aberto, em vez de uma questão resolvida.

O que podemos dizer com confiança: as categorias do Google dividem-se claramente em duas famílias. O estado da conta e da listagem (ACCOUNT_RESTRICTED_AND_SUSPENDED, ACCOUNT_RESTRICTED_AND_EDIT_REJECTED, ASSOCIATED_ACCOUNT_SUSPENDED, OWNERSHIP_REVOKED, LOCATION_SUSPENDED, LOCATION_DISABLED, EDITING_RESTRICTION e semelhantes) enquadram-se numa família. Os problemas de conteúdo (FAKE_ENGAGEMENT, ADVERTISING_AND_SOLICITATION, OFFENSIVE, GIBBERISH_AND_REPETITIVE, VIOLENCE_AND_GORE e outros) enquadram-se na outra. Os nossos dados indicam que a primeira família é, por uma larga margem, onde a maioria das rejeições atualmente acontece.

O Que a Política de Conteúdo do Google Realmente Proíbe

As políticas declaradas do Google para as respostas a críticas são amplas e não estão exaustivamente documentadas. Com base nos nossos dados e na documentação da API, as seguintes categorias de conteúdo apresentam o maior risco de rejeição:

Causas definitivas:

• Linguagem obscena ou ofensiva (incluindo em nomes de revisores, nomes de empresas e nomes de produtos incorporados na resposta)
• Endereços de email
• Hashtags
• Respostas duplicadas exatas submetidas em escala a partir da mesma conta
• Respostas abaixo de um limite mínimo de qualidade ou conteúdo (um único emoji, apenas “Obrigado!”)

Hipóteses fortes baseadas nos nossos dados:

• Modelos de IA padronizados (a causa dominante, 67% de todas as rejeições)
• Padrões de velocidade em massa a partir de uma única conta
• Preenchimento de palavras-chave ou manipulação de SEO no texto da resposta
• Respostas que excedem um limite de comprimento não documentado (a resposta rejeitada mais longa nos nossos dados tinha 1.731 caracteres)

Menor risco, mas vale a pena monitorizar:

• Respostas em várias línguas em que o conteúdo sinaliza numa língua, mas não noutra
• Respostas com muitos emojis, particularmente em combinação com texto muito curto
• A Linha do Tempo: Quando o Filtro Mudou e Como Evoluiu

Os dados contam uma história clara em duas fases.

Fase 1: 2024 ao início de 2025. A epidemia de texto padronizado gerado por IA. Antes de 2024, as rejeições no nosso conjunto de dados eram mínimas: 354 em 2022, 398 em 2023. A partir de março de 2024, as rejeições começaram a acelerar drasticamente. Em maio de 2024, mais de 70% de todas as respostas rejeitadas continham texto padronizado gerado por IA. Em julho de 2024, esse número atingiu 85% e manteve-se até fevereiro de 2025.

O timing correlaciona-se precisamente com a adoção em massa de ferramentas de resposta a avaliações impulsionadas por IA. À medida que o volume de respostas geradas por IA aumentou no ecossistema Google, o sistema de moderação do Google parece detetar os padrões que essas ferramentas produzem. Esta é a dinâmica central: as ferramentas de IA criaram uma epidemia de texto padronizado. O Google responde com um filtro de texto padronizado (dois anos depois).

Fase 2: abril de 2025 em diante. Um perfil de rejeição diferente. A partir de abril de 2025, a percentagem de rejeições de respostas automáticas de IA cai drasticamente de mais de 70% para um dígito em alguns meses. O volume total de rejeições também diminui significativamente.

São possíveis duas interpretações, e ambas podem ser parcialmente verdadeiras. Ou as ferramentas de IA para respostas a avaliações tornaram-se sofisticadas o suficiente para que as empresas parassem de usar esses modelos de baixa qualidade (assim, menos respostas automáticas são enviadas). Ou o Google aplica o filtro para intercetar respostas automáticas numa fase particular da vida da Resposta à Avaliação, antes que ela atinja um estado formal de REJEITADA. Isso é improvável. O Google pode não usar as Respostas a Avaliações para perfis de entidade de IA e contextuais no primeiro ano da avaliação, ou em menor extensão. O que permanece nos dados do final de 2025 e 2026 é um perfil composicional diferente: principalmente casos de calão em contexto, spam de duplicados exatos e respostas com conteúdo mínimo, as categorias abordadas nas Razões 2, 3 e 6 acima.

O Que Isto Significa Para a Sua Estratégia de Resposta a Avaliações

Verifique o estado atual da sua resposta. Se estiver a publicar via API, precisa de visibilidade no ReviewReplyState. As respostas publicadas via interface do Perfil de Empresa no Google ou ferramentas de terceiros que não mostram este campo estão a operar às cegas. Uma pequena percentagem das suas respostas existentes já pode estar num estado REJEITADA para se manter à frente dos filtros; siga estes 5 passos:

1. Verifique primeiro o estado da conta e da listagem. Se a sua plataforma mostrar o motivo da violação da política, veja-o primeiro. Se o motivo estiver relacionado com a conta ou a listagem, e não com o conteúdo, nenhuma reescrita da resposta o resolverá. Isso é um problema de saúde da conta a ser escalado, não um de redação, e os cinco passos abaixo não ajudarão até que seja resolvido.
2. Audite a sua ferramenta de resposta de IA. Se produzir respostas que incluam “ficamos entusiasmados por saber”, “a sua satisfação é a nossa principal prioridade” ou “esperamos recebê-lo de volta”, está a gerar conteúdo com elevado risco de rejeição. Estas frases são marcadores estatísticos de automação de baixa qualidade. Requalifique ou reconfigure a ferramenta com uma linguagem mais específica, contextual e variada.
3. Executar uma verificação de profanidade pré-voo em todo o texto da resposta. Isto inclui o nome do avaliador, quaisquer produtos ou itens de menu referenciados e o nome da sua empresa na assinatura. O filtro do Google não entende o contexto. “Pornstar Martini” é um cocktail; o filtro vê duas strings sinalizadas.
4. Eliminar modelos duplicados exatos . Se a sua ferramenta estiver a enviar respostas idênticas em várias avaliações, esse padrão é um sinal de rejeição direta, independentemente da qualidade do conteúdo. Cada resposta deve variar, mesmo que a variação seja menor.
5. Remova detalhes de contacto dos modelos. Qualquer modelo que inclua o seu endereço de email, número de telefone ou linguagem de "contacte-nos" precisa de ser revisto. Aborde as reclamações com uma oferta geral para entrar em contacto, não com uma chamada direta para ação com informações de contacto incorporadas.
6. Distribua as respostas ao longo do tempo. Se estiver a agendar 200 respostas para serem enviadas às 9h de segunda-feira, esse padrão é detetável. Espalhe as respostas por janelas de tempo e procure responder dentro de 24 horas após a publicação da avaliação.

A Lacuna de Visibilidade É o Verdadeiro Problema

A maioria das empresas não sabe que as suas respostas estão a ser rejeitadas. Esse é o problema mais difícil.

Não há e-mail do Google. Não há sinal no painel de controlo do Perfil de Empresa. A resposta simplesmente não aparece publicamente, enquanto internamente permanece num estado REJEITADO que apenas a API pode revelar. Para qualquer empresa que dependa de ferramentas de terceiros que não exponham este campo, o problema é inteiramente invisível.

É por isso que o acesso ao ReviewReplyState ao nível da API não é um detalhe técnico; é um requisito operacional. Sem ele, está a publicar numa caixa-negra.

Na GMBapi.com, o ReviewReplyState é apresentado para cada resposta. Quando uma resposta é rejeitada, a plataforma sinaliza-a para que possa ser revista, corrigida e reenviada. Os dados subjacentes que produziram este artigo vieram diretamente dessa infraestrutura de monitorização, recolhidos através de duas extrações com cinco semanas de diferença.

O objetivo não é dizer o que não deve fazer. É tornar o invisível visível.