Menção de marca por IA sobe busca +4,3pp: a prova causal (e como medir)
Se uma IA recomenda sua marca para alguém que nunca ouviu falar de você, essa pessoa provavelmente vira um visitante do seu site. Isso agora tem prova com dado real, não só pesquisa de opinião. Um estudo com painel de conversa e navegação (arXiv 2606.10907, junho de 2026) mediu o efeito de uma menção de marca feita por IA: a busca pelo nome da marca sobe 4,3 pontos percentuais, as visitas ao site próprio sobem 2,4pp e as visitas à página de varejo sobem 1,0pp. O mais valioso do estudo não é o número — é o método, que mostra por que a métrica de "quantas menções a marca tem" engana, e o que medir no lugar.
Para a PME, isso vira decisão de gestão: se as IAs são o novo ponto de partida da compra, o que elas dizem sobre a sua marca deixou de ser curiosidade e virou alavanca de aquisição — ou de perda. Este artigo mostra o método do estudo e o que você pode aplicar hoje, sem painel de pesquisa.
A prova que faltava: de survey para comportamento observado
Até 2026, a maior parte da evidência de que "IA influencia a compra" vinha de survey — perguntar a pessoas se elas usariam IA para decidir. Survey mede intenção declarada, não comportamento. O problema é conhecido: gente declara uma coisa e faz outra.
O estudo "From Prompt to Purchase: How AI Brand Recommendations Move Consumers on the Open Web" (Iannelli e Ai, arXiv 2606.10907) fecha esse buraco com dado observacional. Os pesquisadores juntaram o histórico de conversas de usuários em ChatGPT, Claude e Gemini com o clickstream (navegação) dos mesmos usuários. Com isso, conseguem ver o antes e o depois: o que a pessoa fazia antes de a IA mencionar uma marca e o que ela fez depois.
O resultado, medido contra placebos pareados, é este:
- Busca no Google pelo nome da marca: +4,3 pontos percentuais (intervalo de confiança 3,1 a 5,5)
- Visitas ao site da própria marca: +2,4pp (intervalo de 1,4 a 3,5)
- Visitas à página da marca no varejista: +1,0pp (intervalo de 0,3 a 1,7)
O ponto central: esses números valem para usuários sem engajamento recente observado com a marca. Não é cliente antigo voltando. É gente que não tinha relação com a marca e, depois da menção, foi atrás.
Por que "quantas menções a marca tem" engana
A métrica intuitiva para "reputação na IA" é contar menções. O estudo mostra que essa métrica tem um viés grave.
O funil ingênuo — "toda menção gera tráfego" — mistura dois tipos de menção que não são a mesma coisa:
- Menção incidental: a IA cita a marca de passagem, sem recomendá-la. O exemplo do paper é "seu download da Netflix" — a IA menciona uma marca que o usuário já usa, no meio de uma resposta sobre outra coisa. A visita que vem depois não é efeito da IA: é o comportamento do cliente que já existia.
- Recomendação ativa: a IA sugere a marca como opção para o que o usuário pediu.
Quando você soma tudo, o número fica inflado pelas menções incidentais. O estudo mostra isso na prática: menções incidentais movem comportamento bem menos do que as recomendações. E, pior, as menções incidentais aparecem como uma "tendência prévia" da marca — como se a marca já estivesse crescendo antes da menção, o que confunde qualquer análise simples.
Tradução para o gestor: contar menção é medir ruído misturado com sinal. Se sua marca aparece muito porque é citada de passagem — por ser um termo genérico ou um produto que todo mundo já usa — o número sobe sem significar preferência.
Como os pesquisadores isolaram o efeito causal
Esta é a parte técnica, mas é onde mora o valor para quem quer medir de verdade. O método tem quatro camadas de controle.
1. Painel que junta conversa e navegação
Os dados vêm de um painel opt-in que une dois sinais do mesmo usuário: as conversas com a IA (o que ele perguntou e o que a IA respondeu) e o clickstream (que sites ele visitou depois). Sem esse pareamento, é impossível ligar "a IA mencionou a marca X" a "o usuário visitou o site da marca X".
2. Placebo pareado e estudo de evento com pré-tendência
Para provar causalidade, não basta olhar o depois. Os pesquisadores usam placebos retroativos pareados: comparam o comportamento após a menção com o comportamento do mesmo usuário em janelas equivalentes em que não houve menção. Um estudo de evento com pré-tendência garante que o efeito não estava acontecendo antes da menção.
3. Classificador de postura e condicionamento em não-cliente
Nem toda menção é recomendação. Um classificador de postura separa as menções que recomendam das que só citam. E o condicionamento em "não-cliente" remove usuários que já tinham relação com a marca — eliminando o viés do cliente que volta por conta própria.
4. Controle dentro da mesma resposta
Dentro de uma mesma resposta, a IA pode citar várias marcas da mesma categoria. O estudo compara a marca nomeada (recomendada) com as marcas não nomeadas da mesma categoria. A marca nomeada se move muito mais — o que isola o efeito da menção do efeito da categoria estar "em alta".
O resultado sobrevive a cada uma dessas camadas. É isso que dá confiança ao número.
Menção incidental vs recomendação: os números lado a lado
| Métrica | Recomendação | Menção incidental |
|---|---|---|
| Busca pelo nome da marca | +4,3pp | +1,8pp |
| Visitas ao site próprio | +2,4pp | +1,1pp |
| Visitas à página de varejo | +1,0pp | +0,3pp |
Leitura direta: a recomendação ativa tem efeito de 2 a 3 vezes maior que a menção de passagem. Medir "menção" sem separar os dois tipos mistura os dois e enterra o sinal.
O caminho é mediado por busca: o que acontece depois da menção
Um detalhe do paper muda a forma de ler os números: o caminho até o site é majoritariamente mediado por busca. A pessoa ouve a menção na IA, mas não clica ali — ela abre o Google e pesquisa o nome da marca, e só então chega ao site próprio ou à página do varejista.
Isso tem duas consequências práticas. Primeiro, o tráfego gerado pela IA não aparece como "vindo da IA" no seu analytics: ele chega rotulado como busca orgânica ou acesso direto. Segundo, o destino da visita acompanha o comportamento de base da marca — quem já ia para o site continua indo para o site; quem compra em marketplace continua indo para o marketplace. A menção não redireciona o consumidor para um canal novo; ela acelera o caminho que ele já faria.
Por isso a medição por referrer ou last-click erra o alvo: ela atribui a conversão ao último clique (a busca), e o toque da IA — que aconteceu antes, fora do site — fica invisível. O estudo chama isso de "toque de aquisição no topo do funil que os modelos de jornada não veem".
O que isso muda na sua medição de reputação na IA
A implicação prática é uma mudança de foco. Em vez de perguntar "quantas vezes as IAs mencionam minha marca", pergunte "o que muda no comportamento de quem recebe a menção".
É a diferença entre medir visibilidade e medir influência:
- Visibilidade (contagem de menções): o Semrush AI Visibility Index 2026 analisa 126 milhões de prompts e mostra quais marcas aparecem nas respostas. É útil para saber se você existe na conversa.
- Influência (efeito no comportamento): o método do paper mostra se a menção realmente move a pessoa para o seu site, para a sua página de varejo, para a busca pelo seu nome.
Essa métrica de influência é o que chamamos de AI Recommendation Score™: não é "quantas menções", mas a frequência e a intensidade com que as IAs recomendam a marca e o efeito que isso gera. E o Narrative Alignment™: se os atributos que a IA associa à sua marca batem com o que você quer comunicar.
Na prática, para uma PME, isso significa: pare de comprar relatório de "menções". Comece a rastrear se as menções geram busca pelo nome e visita ao site.
É essa a lógica do flywheel: reputação gera preferência, preferência gera distribuição nas respostas das IAs, e distribuição gera mais busca e tráfego — que, por sua vez, reforçam a reputação. Medir só a contagem de menções quebra o ciclo no primeiro elo: você enxerga o espelho, não o movimento.
Como medir na prática: o que dá para fazer hoje
Você não precisa do painel de pesquisa para começar. Um gestor de PME consegue montar uma versão enxuta que replica a lógica do paper:
- Registre as respostas: guarde o que ChatGPT, Gemini, Claude e Perplexity respondem para as perguntas que seu cliente faria sobre sua categoria.
- Classifique a postura: marque cada menção como "recomendação", "citação neutra" ou "ausente".
- Separe o incidental: se a menção é de passagem (sua marca citada como exemplo, sem recomendação), não conte como sinal de preferência.
- Cruze com a busca: monitore a busca pelo nome da sua marca (Google Trends, Search Console) nas janelas que seguem picos de menção.
- Meça o delta, não o total: o que importa é a variação antes/depois, não o número absoluto de menções.
Em escala pequena, isso reproduz os três controles do estudo: postura, separação do incidental e medição de comportamento em vez de contagem.
Segurança, privacidade e LGPD
O estudo usa painel opt-in, com consentimento dos usuários para conversa e navegação. Se você for montar sua própria medição, respeite a LGPD: dados de conversa das IAs e de navegação são dados pessoais quando identificam alguém. Trabalhe com dados agregados e anônimos, sem rastrear indivíduos sem consentimento. Para o que uma PME precisa — saber se a marca é recomendada e se isso gera busca — dado agregado basta. Não colete nem cruze dados de navegação de pessoas específicas sem base legal.
O que o estudo não mediu — e o que você não deve concluir
Honestidade metodológica importa. O design é observacional e não observa transações: o paper mede visitas à página de varejo como proxy de intenção de compra, não a compra em si. Os autores chamam o varejo de "adjacente à compra" — um passo antes, não a conversão final.
O painel também é dos Estados Unidos e cobre três assistentes (ChatGPT, Claude, Gemini). O efeito pode variar em outros mercados e em outras IAs. E os números são médias: para uma marca específica, o efeito depende de quanto a menção é uma recomendação real, não uma citação de passagem.
A conclusão correta não é "toda menção vale +4,3pp". É "menção tem efeito causal mensurável, e a recomendação vale de 2 a 3 vezes mais que a menção incidental". Use o número como ordem de grandeza, não como promessa.
Como verificamos os dados deste artigo
Os números vêm da versão v2 do paper (arXiv 2606.10907, revisada em 31/08/2026), que é a fonte primária. As referências ao Semrush AI Visibility Index (126 milhões de prompts) vêm do comunicado oficial da Semrush. Verificamos os valores contra o abstract do paper e contra as fontes citadas; onde há divergência entre fontes, usamos a fonte primária (o paper). Nenhum dado interno da Orbitax foi usado como prova — os resultados são de pesquisa publicada e verificável.
Perguntas frequentes
Menção de marca por IA realmente aumenta a busca? Sim. O estudo arXiv 2606.10907 mediu um aumento de 4,3 pontos percentuais na busca pelo nome da marca, 2,4pp em visitas ao site próprio e 1,0pp em visitas à página de varejo, contra placebos pareados.
Qual a diferença entre menção incidental e recomendação? A recomendação é quando a IA sugere ativamente a marca como opção. A menção incidental é uma citação de passagem (ex.: "seu download da Netflix"), que não representa preferência. O efeito da recomendação é de 2 a 3 vezes maior.
Como os pesquisadores provaram que o efeito é causal? Com um painel que junta conversa (ChatGPT, Claude, Gemini) e navegação, um estudo de evento com pré-tendência, placebos retroativos pareados, classificador de postura e controle dentro da mesma resposta.
Preciso de um painel de pesquisa para medir minha reputação na IA? Não. Você pode registrar as respostas das IAs, classificar a postura, separar o incidental e cruzar com a busca pelo nome da marca em Search Console ou Google Trends.
O que é AI Recommendation Score™? É uma métrica que mede a frequência e a intensidade com que as IAs recomendam uma marca, e o efeito disso no comportamento — não apenas a contagem de menções.
Por que o Google Analytics não mostra esse tráfego? Porque a menção acontece dentro da IA, fora do seu site. A visita que ela gera chega por busca ou acesso direto, e a atribuição por referrer ou last-click não enxerga a origem. É um toque de aquisição no topo do funil que os modelos de atribuição padrão não capturam.
Veredito final
A menção de marca por IA já é uma alavanca de aquisição mensurável, não uma vaidade de métrica. A prova causal está dada: +4,3pp em busca, +2,4pp em visita ao site, +1,0pp em página de varejo — e o efeito é de 2 a 3 vezes maior quando é recomendação, não menção de passagem. Para a PME, a decisão é simples: medir influência no comportamento, não contagem de menção. Comece rastreando como as IAs falam da sua marca e se isso move busca e tráfego.
Perguntas Frequentes
Menção de marca por IA realmente aumenta a busca?
Sim. O estudo arXiv 2606.10907 mediu um aumento de 4,3 pontos percentuais na busca pelo nome da marca, 2,4pp em visitas ao site próprio e 1,0pp em visitas à página de varejo, contra placebos pareados.
Qual a diferença entre menção incidental e recomendação?
A recomendação é quando a IA sugere ativamente a marca como opção. A menção incidental é uma citação de passagem, que não representa preferência. O efeito da recomendação é de 2 a 3 vezes maior.
Como os pesquisadores provaram que o efeito é causal?
Com um painel que junta conversa (ChatGPT, Claude, Gemini) e navegação, estudo de evento com pré-tendência, placebos retroativos pareados, classificador de postura e controle dentro da mesma resposta.
Preciso de um painel de pesquisa para medir minha reputação na IA?
Não. Você pode registrar as respostas das IAs, classificar a postura, separar o incidental e cruzar com a busca pelo nome da marca em Search Console ou Google Trends.
O que é AI Recommendation Score™?
É uma métrica que mede a frequência e a intensidade com que as IAs recomendam uma marca, e o efeito disso no comportamento — não apenas a contagem de menções.
Por que o Google Analytics não mostra esse tráfego?
Porque a menção acontece dentro da IA, fora do seu site. A visita chega por busca ou acesso direto, e a atribuição por referrer ou last-click não enxerga a origem.
Fontes
- From Prompt to Purchase: How AI Brand Recommendations Move Consumers on the Open Web (arXiv 2606.10907)(acessado em 2026-10-21)
- Semrush Releases Expanded 2026 AI Visibility Index, Analyzing 126 Million AI Search Prompts(acessado em 2026-10-21)
- Semrush AI Visibility Index(acessado em 2026-10-21)
Descubra como as IAs percebem sua marca
A Orbitax mede seu AI Recommendation Score™ em 5 plataformas de IA e entrega um plano de ação em 48h.
Faça o diagnóstico gratuito da reputação da sua marca nas IAs →