Conclusão 1: a IA já desempenha um papel de informação e aconselhamento
O estudo de utilização da OpenAI de setembro de 2025 analisou 1.5 milhões de conversas de consumidores. A síntese publicada classificou 49% das mensagens como perguntas, 40% como execução de tarefas e 11% como expressão. Cerca de 70% da utilização por consumidores ocorreu fora do trabalho. Estes números descrevem a população e o período estudados nesse produto; não significam que metade de todas as mensagens fossem pesquisas de compras.
A relevância comercial está no ponto em que começa uma decisão. Uma pessoa pode pedir uma explicação, comparar abordagens e identificar requisitos antes de procurar um fornecedor. A minha interpretação é que as empresas podem ser avaliadas antes de surgir uma pergunta comercial reconhecível. Um site que apenas explica o nome da empresa pode contribuir pouco para essas decisões iniciais, mesmo quando aparece bem posicionado para a própria marca. Trata-se de uma mudança no percurso de informação, não de uma prova de que todas as conversas contêm intenção de compra.
Conclusão 2: uma fonte pode ajudar a responder sem receber a visita
O Pew analisou a navegação de 900 adultos dos EUA. Houve cliques nos resultados tradicionais em 8% das visitas ao Google com resumos de IA, contra 15% sem resumos; os cliques nas fontes dos resumos ocorreram em 1%. O estudo usou navegação de março de 2025 e resultados reconstruídos recolhidos em abril. É observacional, não uma estimativa aleatorizada de como os resumos causaram alterações nos cliques.
Este resultado distingue exposição de tráfego. Não estabelece o valor financeiro de uma resposta para um anunciante, editor ou prestador de serviços específico.
Conclusão 3: quem chega ao site pode comportar-se de forma diferente
O relatório da Adobe de 29 de outubro de 2026 apresenta outra observação: em setembro, as visitas provenientes de IA a sites de retalho dos EUA converteram em compras 90% melhor do que as visitas sem origem em IA e geraram uma receita por visita 83% superior. O tráfego proveniente de IA cresceu 71% em termos homólogos. A análise de retalho subjacente abrange mais de 1 bilião de visitas, 100 milhões de produtos e 18 categorias.
São comparações relativas entre visitas observadas, não uma taxa de conversão absoluta nem uma prova de que a IA causou compras adicionais. Quem clica depois de uma conversa com IA pode já ter reduzido as opções. Os números dizem respeito ao retalho dos EUA, não à venda de software ou à escolha de cuidados por uma família. Ainda assim, demonstram por que razão o número de visitantes e o valor de cada visitante são questões comerciais distintas. Um fluxo menor de referências pode merecer atenção sem se tornar a maior fonte de tráfego.
A aparente contradição desaparece quando se separam as unidades
Uma interação de pesquisa, uma impressão de resposta, uma visita encaminhada e uma compra não são unidades intercambiáveis. Uma menor tendência para sair da página de resposta pode coexistir com uma taxa de conversão superior entre quem sai. Isto não é uma conclusão causal conjunta dos estudos anteriores: as suas amostras, datas e produtos são diferentes. É a razão pela qual não se podem multiplicar as suas percentagens para prever resultados de uma empresa.
Imagine uma empresa fictícia que recebe menos visitas, mas mais conversas comerciais adequadas. Pode estar a melhorar comercialmente. Outra empresa pode receber mais citações, mas menos encomendas rentáveis. Pode estar a perder valor. Ambas as possibilidades são compatíveis com um mundo em que a resposta e o site cumprem partes diferentes da decisão. A distinção económica útil é entre visibilidade, procura qualificada e negócio concluído.
| Unidade observada | O que demonstra | O que continua desconhecido |
|---|---|---|
| O nome apareceu numa resposta da amostra | Quantos compradores o viram ou nele confiaram | |
| Uma página foi ligada como prova | Se a empresa foi recomendada | |
| Alguém chegou a um site medido | Se a visita foi adicional | |
| Ocorreu um resultado comercial | O que teria acontecido sem a exposição |
Conclusão 4: os conteúdos podem influenciar a visibilidade, mas o aumento mais citado não é uma previsão
O artigo GEO, aceite na KDD 2024, apresentou uma referência de 10,000 consultas e relatou melhorias de visibilidade de até 40% nas suas medidas experimentais. Testou alterações nos conteúdos, como acrescentar fontes relevantes, citações e estatísticas. Os efeitos variaram por domínio. A experiência separada com Perplexity também concluiu que o resultado dependia da medida de visibilidade utilizada.
Isto demonstra que a apresentação do material de origem pode afetar uma resposta. Não promete 40% mais contactos comerciais, e os sistemas experimentais não representam todos os produtos comerciais atuais. A visibilidade no artigo incluía medidas da quantidade de material de origem que aparecia e da sua posição. A distinção importante é entre uma alteração de conteúdo que mudou uma resposta medida e um programa comercial que aumentou o lucro. O artigo demonstra a primeira situação, não a segunda.
Conclusão 5: a pesquisa com IA continua a depender da web existente
As orientações atuais da Google para a pesquisa generativa descrevem respostas fundamentadas no índice da Pesquisa e a expansão de consultas: uma pergunta pode desencadear pesquisas relacionadas antes de a resposta ser montada. A recomendação continua a ser informação útil e original, apoiada pelos fundamentos normais da pesquisa. Uma página diferente para cada formulação não é o modelo de valor descrito nessas orientações.
A consequência é uma maior concorrência ao nível da explicação. Quem considera uma compra complexa pode precisar ao mesmo tempo de preços, compatibilidade, riscos e provas de implementação. Páginas diferentes podem fornecer partes diferentes. Uma empresa pode, por isso, contribuir com um facto útil sem dominar toda a resposta. Inversamente, uma marca conhecida pode estar ausente de uma decisão específica se o material disponível não responder às suas condições. Esta é a minha interpretação do comportamento de recuperação documentado, não uma fórmula de classificação divulgada.
Conclusão 6: visibilidade na pesquisa e treino de modelos são escolhas separadas
A OpenAI documenta o OAI-SearchBot como o seu rastreador de pesquisa e o GPTBot como um rastreador separado associado ao treino. A distinção é explícita: a política de uma empresa sobre treino não tem de ser igual à política sobre aparecer na pesquisa.
Isto importa economicamente porque limitar o treino e continuar a ser encontrado não são necessariamente objetivos opostos. Também explica por que uma página bloqueada ou excluída não pode ser avaliada da mesma forma que uma página acessível que não foi selecionada. Uma equipa comercial pode ver a mesma ausência num painel, embora as razões sejam diferentes. Nem a autorização nem o rastreio bem-sucedido garantem uma citação.
A Google disponibiliza agora um controlo separado de inclusão na IA
O controlo do Search Console para funcionalidades de IA generativa da Pesquisa foi disponibilizado mundialmente em 31 de agosto de 2026. A inclusão é a opção predefinida, mas uma propriedade pode herdar a escolha da propriedade principal. A documentação distingue isto dos controlos de treino e da exclusão da Pesquisa no seu conjunto.
A conclusão relevante é que a possibilidade de ser encontrado tem agora uma camada visível de governação, além da camada de conteúdos. A ausência das respostas pode refletir uma escolha do editor, uma definição herdada, o acesso ou a seleção. O mesmo resultado visível não demonstra a mesma causa subjacente. É uma distinção de elegibilidade, não uma prova de que a adesão melhora a posição de uma empresa.
Conclusão 7: os relatórios das plataformas melhoram, mas a lacuna de atribuição permanece
O relatório específico de desempenho de IA generativa da Google, disponibilizado mundialmente em 31 de agosto de 2026, mostra impressões das funcionalidades de IA da Pesquisa suportadas. As vistas incluem páginas, países, datas e dispositivos. Um site com poucas impressões pode não o ver. São provas úteis de exposição de links, não um registo completo de perguntas, clientes ou vendas.
O Bing mede a utilização das fontes, não os resultados dos clientes
O anúncio AI Performance do Bing, de fevereiro de 2026, descreve contagens de citações, URLs citados e amostras de consultas usadas na fundamentação em experiências suportadas. Distingue estes dados do papel ou da posição de uma página numa resposta individual. Isto torna a utilização de fontes mais observável sem a transformar em atribuição de vendas. Uma página técnica citada e uma página de compra citada podem servir decisões muito diferentes, mesmo quando cada uma acrescenta uma citação ao total.
Conclusão comercial: a oportunidade é uma procura mais informada, não um multiplicador universal de tráfego
A minha leitura das provas é que a pesquisa com IA altera tanto o que um potencial cliente aprende como o momento em que precisa de um site. Isto torna a informação correta sobre produtos e serviços comercialmente importante antes mesmo de um clique. Também torna um simples índice de citações uma medida incompleta de valor. A questão em aberto para cada empresa é como essas exposições se ligam a resultados adequados e adicionais, a um custo aceitável.
Trabalho na Searchable. O meu papel como parceiro estratégico é ligar esta investigação à oferta, aos mercados e às decisões reais dos clientes da empresa: um Prompt Universe personalizado, integração prática da equipa e interpretação conjunta dos resultados. Uma conversa útil comigo começa por identificar onde a empresa beneficiaria de uma procura mais informada. Não começa com uma percentagem de crescimento prometida.
Âmbito da investigação
Revisto em 3 de novembro de 2026. Esta é uma síntese de investigação primária e documentação oficial de produtos, não um novo inquérito a consumidores nem uma experiência controlada com clientes. As datas e populações dos estudos permanecem separadas. Os resultados numéricos são atribuídos aos seus autores; as interpretações comerciais são minhas. Os relatórios da Google e do Bing medem unidades diferentes. Nenhum estudo nesta análise demonstra um efeito universal na receita de todos os setores.
Fontes e notas
Fontes revisadas: 3 de novembro de 2026. Planos e exemplos são orientações, não resultados medidos de clientes. Trabalho na Searchable. Os links do produto refletem essa relação.
1
Searchable