Uma pessoa pergunta a uma inteligência artificial qual software deveria usar, onde se hospedar ou qual produto resolve determinado problema. O sistema recomenda três marcas. Uma delas é a sua. Essa aparição parece valiosa, mas deixa uma pergunta incômoda para qualquer empresa: ela produziu uma venda ou apenas um momento impossível de medir?
Cliques, impressões e posição no buscador sustentaram boa parte da mensuração do marketing digital. Respostas generativas quebram essa lógica. O consumidor pode conhecer uma empresa, formar uma preferência e até decidir uma compra sem visitar seu site. Para a marca, não existe necessariamente um clique, uma sessão atribuída ou um registro de impressão. Existe influência, mas ela permanece escondida.
O paper Generative Marketing Mix Modeling, de Masahiro Kato, Daiki Honma e Taka Kato, propõe um caminho para transformar essa visibilidade invisível em uma variável de negócio. O método, chamado GMMM, procura estimar o efeito causal tanto da otimização para mecanismos generativos, conhecida como GEO, quanto das inserções patrocinadas em respostas de IA, chamadas de GEM.
O problema da impressão que não deixa rastro
Em publicidade convencional, uma plataforma registra quantas vezes um anúncio foi exibido. Em busca, ferramentas de análise acompanham consultas, posições, cliques e conversões. Sistemas generativos funcionam de outra maneira: sintetizam respostas, misturam fontes e frequentemente satisfazem a intenção do usuário dentro da própria conversa.
Contar acessos vindos de uma IA revela apenas uma parte da jornada. Uma pessoa pode ler que determinada empresa é adequada para seu problema, guardar o nome e procurá-la dias depois. Também pode comprar em uma loja física, entrar diretamente no aplicativo ou pedir uma proposta por outro canal. Nenhum desses caminhos precisa carregar uma referência que identifique a resposta original.
O GMMM começa reconhecendo que mencionar uma marca não equivale a produzir uma impressão percebida. Para estimar a exposição efetiva, o modelo combina quatro elementos: a frequência com que a marca aparece nas respostas, o volume de perguntas relevantes, a participação de cada sistema generativo naquele mercado e a probabilidade de o usuário notar a menção.
Isso muda a unidade analisada. Em vez de considerar somente visitas encaminhadas por assistentes, a empresa tenta estimar quantas ocorrências da marca foram realmente vistas. Uma taxa de menção de vinte por cento pode representar pouco em uma pergunta rara e muito em uma necessidade consultada milhões de vezes.
GEO não é simplesmente o novo SEO
A otimização para mecanismos generativos costuma ser apresentada como uma versão renovada do SEO. A comparação é útil, mas incompleta. No SEO, uma intervenção busca melhorar a posição ou o tráfego de uma página. Em GEO, a alteração de documentação, dados estruturados, perguntas frequentes ou conteúdo especializado pode mudar a probabilidade de determinada informação ser incorporada à resposta.
Essa diferença tem consequências para a medição. A marca talvez já fosse mencionada antes da intervenção. Portanto, não se pode atribuir todo o volume posterior ao trabalho de GEO. O que precisa ser estimado é a diferença entre dois estados: como as respostas se comportariam com a modificação e como se comportariam sem ela.
O paper sugere coletar respostas repetidas para um conjunto representativo de perguntas, porque uma única consulta não captura a variabilidade dos modelos. Também é necessário ponderar essas perguntas conforme sua presença no mercado real. Se uma empresa testar apenas prompts convenientes, obterá uma fotografia otimista, mas inútil para orientar orçamento.
O mesmo raciocínio vale para idiomas, regiões, modelos e casos de uso. Os autores observam que uma taxa geral de ocorrência pode esconder mudanças importantes entre línguas e tipos de pergunta. Para uma empresa brasileira, medir apenas consultas em inglês ou respostas produzidas para consumidores dos Estados Unidos pode criar uma falsa impressão de visibilidade local.
Da correlação ao efeito causal
Saber que as menções cresceram junto com as vendas ainda não prova que uma coisa causou a outra. A empresa pode ter lançado um produto, reduzido preços, ampliado a distribuição ou investido em televisão durante o mesmo período. A demanda também pode crescer por sazonalidade. O GMMM insere as exposições generativas dentro da lógica do Marketing Mix Modeling, que procura separar a contribuição dos canais enquanto controla outras forças.
Dois fenômenos clássicos dessa modelagem são especialmente importantes. O primeiro é o efeito prolongado: uma exposição de hoje pode influenciar uma compra futura. O segundo é a saturação: dobrar a presença não necessariamente dobra o resultado. Depois de certo ponto, cada ocorrência adicional entrega menos valor.
Na documentação do Meridian, ferramenta aberta de Marketing Mix Modeling do Google, esses mecanismos aparecem como efeitos de defasagem e saturação. O GMMM aplica transformações equivalentes aos dados construídos para GEO e GEM. Assim, a presença em respostas de IA pode ser comparada, com as devidas ressalvas, a outros investimentos de mídia.
O ponto mais sofisticado é a comparação entre sequências completas. Para estimar o efeito de uma iniciativa, o método não remove apenas uma variável em uma semana isolada. Ele compara o resultado esperado de uma trajetória em que a intervenção aconteceu com outra em que ela permaneceu desligada, preservando os efeitos acumulados ao longo do tempo.
Essa simulação contrafactual é mais próxima da pergunta que interessa ao gestor: quanto do resultado não teria ocorrido sem aquela iniciativa? Um coeficiente de regressão, sozinho, não responde necessariamente a isso.
O que uma empresa precisa medir
O framework ainda não transforma GEO em um painel simples. Sua aplicação exige uma pequena infraestrutura de observação. A organização precisa definir as perguntas que representam seu mercado, consultar diferentes sistemas repetidamente e registrar se cada resposta contém a característica analisada — como nome da marca, produto, recomendação ou argumento específico.
Também precisa estimar o volume das perguntas, a participação dos assistentes utilizados pelo público e a chance de a menção ser percebida. Em campanhas patrocinadas, o gasto deve ser relacionado à quantidade de inserções exibidas e à probabilidade de atenção. Por fim, esses dados precisam ser alinhados temporalmente com vendas, leads, assinaturas ou outra métrica de resultado.
Há cinco cuidados práticos:
- Definir previamente quais perguntas representam demanda real, evitando escolher prompts depois de observar resultados favoráveis.
- Separar mercados, idiomas e tipos de cliente quando o comportamento das respostas for diferente.
- Registrar mudanças em preços, distribuição, produto e outras campanhas para reduzir atribuições equivocadas.
- Medir presença e percepção, sem tratar toda menção como exposição garantida.
- Manter um grupo, região ou período de comparação sempre que um desenho experimental for viável.
O método não elimina a incerteza. Pelo contrário, trata probabilidades de ocorrência e atenção como grandezas que também precisam ser estimadas. Essa honestidade é valiosa: um número com faixa de incerteza é mais útil do que um retorno sobre investimento aparentemente preciso construído sobre rastreamento incompleto.
O impacto para o Brasil e para os negócios
No Brasil, a oportunidade é grande porque muitas jornadas comerciais já acontecem fora do site da empresa. Consumidores combinam pesquisa, redes sociais, marketplaces, mensageiros e atendimento humano. Assistentes generativos acrescentam mais uma camada a esse percurso fragmentado.
Empresas de turismo, educação, serviços financeiros, software, saúde e varejo podem ser especialmente afetadas, pois vendem produtos que exigem comparação ou explicação. Quando a IA resume alternativas, ela passa a ocupar uma posição próxima à de um consultor. Ser citado nesse momento pode alterar a lista de opções que o consumidor considera antes de qualquer clique.
Para pequenas e médias empresas, o framework também oferece um alerta. Otimizar conteúdo para ser entendido pelos modelos pode ser barato, mas medir causalidade não é. Sem volume suficiente de dados, diversidade geográfica ou experimentos bem desenhados, conclusões fortes serão difíceis. A saída inicial não é comprar uma plataforma milagrosa, e sim construir disciplina de medição: perguntas estáveis, coletas periódicas, registro das intervenções e conexão com indicadores comerciais.
Agências e consultorias brasileiras poderão transformar isso em um novo serviço. Porém, vender apenas relatórios de “participação de voz na IA” será insuficiente. Contar menções descreve visibilidade; não demonstra impacto. O diferencial estará em conectar essa visibilidade a resultados incrementais, explicitar hipóteses e mostrar onde os dados não permitem concluir.
Existe ainda uma questão competitiva. Empresas com marcas muito conhecidas podem aparecer espontaneamente, mesmo sem trabalho recente de GEO. Se todo o volume for atribuído à campanha atual, o retorno será inflado. Marcas emergentes, por outro lado, talvez obtenham ganhos proporcionalmente maiores com pequenas melhorias em fontes confiáveis e documentação clara. Comparar o cenário modificado com o cenário que existiria sem a mudança é essencial para tratar ambas com justiça.
Uma nova camada de influência exige uma nova régua
O GMMM é uma proposta acadêmica recente, testada pelos autores com respostas simuladas de recomendação em inglês e japonês. Ainda será necessário verificar seu desempenho com dados empresariais reais, mercados menos estruturados e ecossistemas em rápida mudança. Probabilidades de menção podem variar quando modelos, fontes ou políticas das plataformas são atualizados.
Mesmo assim, o paper aponta na direção correta. A disputa não será apenas por aparecer em uma resposta, mas por provar que essa presença mudou uma decisão. Isso força o marketing a abandonar métricas confortáveis e encarar um ambiente em que parte relevante da influência não deixa um rastro direto.
A ironia é que, quanto mais conveniente se torna a experiência do consumidor, menos visível pode ficar sua jornada para a empresa. A resposta generativa remove etapas, mas também apaga sinais que antes sustentavam a atribuição. Reconstruir esses sinais exigirá estatística, experimentação e humildade.
No futuro próximo, as marcas provavelmente acompanharão sua presença em sistemas generativos como hoje acompanham busca e mídia. A vantagem competitiva, porém, não estará no maior contador de menções. Estará com quem souber distinguir aparição, atenção e resultado — e tiver coragem de admitir quando os dados ainda não provam nada.