Desde sempre, a mídia online foi construída para capturar a atenção das pessoas. Toda a lógica da publicidade digital — o banner, o vídeo, o retargeting, a métrica de impressão — parte do princípio de que existe um par de olhos humanos do outro lado. Agora, começa a surgir um novo tipo de anúncio: aquele feito para ser lido por agentes de IA.

Desde julho, o Ally Bank e o Project Management Institute compram espaço em páginas que nenhum leitor humano vê. São versões em texto puro do site da revista, criadas para os crawlers de AI digerirem com facilidade, e é para lá que a Time manda os robôs. O anúncio não é banner nem vídeo: é um bloco de perguntas e respostas sobre a marca, e o objetivo não é convencer você. É influenciar o que a AI vai dizer quando alguém perguntar sobre essas empresas. Quem implementa os anúncios é a Mobian — startup de adtech que fechou parceria com a Time para produzi-los e colocá-los nas páginas voltadas para agentes.

A lógica da compra é menos estranha do que parece. Modelos de AI não tratam todas as fontes igual: o que aparece em um veículo com reputação pesa mais do que o que aparece num site qualquer. Ao colocar suas informações dentro das páginas da Time, a marca não está pagando por audiência — está pagando para pegar carona na autoridade da revista na hora em que o modelo monta a resposta. É como comprar espaço em um jornal que nenhum ser humano lê, mas que forma a opinião do assistente digital que aconselha milhões de pessoas.

Para o Ally Bank, o experimento não é apenas uma aposta futurista. Segundo a empresa, usuários que chegam ao seu site por plataformas de AI têm uma probabilidade 3,5 vezes maior de abrir uma conta do que aqueles vindos de buscas tradicionais. O tráfego originado por ferramentas de AI também teria crescido 9x em um ano.

Ou seja: mesmo que o volume ainda seja menor, essas visitas podem ter uma intenção muito maior. Quando alguém pergunta a um chatbot "qual banco é melhor para mim?", já está muito mais próximo de tomar uma decisão do que quem simplesmente pesquisa "conta bancária" no Google.

A CMO do Ally, Andrea Brimmer, resume a escolha de entrar cedo: quando a forma como as pessoas descobrem marcas muda nessa velocidade, ela prefere estar na sala ajudando a definir o que vem do que esperando do lado de fora.

A grande questão é se essa prática será vista como um novo canal legítimo ou como uma versão automatizada das antigas técnicas de manipulação de buscadores. Uma marca pode pagar para apresentar informações verificadas e claramente identificadas como patrocinadas. Mas agentes mal-intencionados também poderiam criar redes de páginas para promover golpes, atacar concorrentes ou distorcer recomendações.

E há um problema adicional: o usuário provavelmente não saberá que determinada resposta foi influenciada por conteúdo publicitário encontrado durante a navegação do agente. No marketing tradicional, vemos o selo de patrocinado. Em uma resposta produzida por AI, a origem dessa influência pode desaparecer.

Em 2023, Joon Sung Park colocou 25 personagens controlados por AI em uma pequena cidade virtual. Eles acordavam, trabalhavam, conversavam, criavam relações e planejavam seus dias. A simulação começou na véspera do Dia dos Namorados. Sem receber uma ordem direta, os personagens organizaram uma festa, fizeram convites e decoraram um café.

O experimento ajudou a popularizar três elementos que hoje estão no centro dos agentes de AI: memória, planejamento e reflexão. A memória surgiu para evitar que os personagens esquecessem suas interações. Mas registrar tudo não bastava: eles também precisavam interpretar suas experiências. Daí veio a reflexão, que permitia identificar padrões nas memórias e transformá-los em objetivos, preferências e traços de personalidade.

Anos depois, Joon transformou essa pesquisa na Simile, uma empresa que quer simular como pessoas e populações pensam, decidem e agem.

Empresas como OpenAI e Anthropic tentam desenvolver modelos cada vez melhores em programação, matemática, ciência e raciocínio. A Simile busca outra coisa: reproduzir o comportamento humano. Isso inclui nossos gostos, valores e preferências, mas também nossos vieses, contradições e erros. Se uma pessoa tende a agir de forma irracional em determinada situação, o modelo deveria reproduzir essa mesma irracionalidade. A ambição é construir um modelo fundamental do comportamento humano.

Essa diferença também aparece nos dados utilizados. A maior parte dos modelos de AI aprende com textos publicados na internet — portanto, conhece principalmente aquilo que as pessoas dizem. Mas o que falamos nem sempre corresponde ao que fazemos. Uma pessoa pode afirmar em uma pesquisa que valoriza sustentabilidade e, na hora da compra, escolher o produto mais barato. Por isso, a Simile utiliza dados comportamentais, como transações, observações e resultados de experimentos controlados — situações em que um grupo viu uma coisa, outro grupo viu outra, e a diferença de comportamento foi medida. A empresa não quer apenas saber o que as pessoas dizem que fariam, mas entender como realmente se comportam quando precisam tomar uma decisão.

Para Joon, previsão é superestimada. Descobrir que a venda de um produto provavelmente cairá pode ser útil. Mas o que realmente importa é saber o que fazer para mudar esse resultado.

A proposta da Simile é testar diferentes futuros. Em vez de apenas prever o que acontecerá, a empresa pode simular como mudanças de preço, produto, comunicação ou estratégia alterariam o comportamento das pessoas. A diferença é parecida com a de uma previsão do tempo e um simulador de voo. A primeira mostra o que provavelmente acontecerá. O segundo permite experimentar diferentes formas de reagir.

Uma empresa pode criar uma população sintética que represente seus consumidores e testar diferentes decisões antes de executá-las no mundo real.

Exemplos:

A proposta é criar um ambiente de testes: errar primeiro dentro da simulação, onde o custo é muito menor. Hoje, a aplicação mais direta está em pesquisas de mercado e decisões empresariais, mas a visão da Simile vai além. No futuro, Joon acredita que será possível simular mercados inteiros, políticas públicas e problemas que envolvem muitos atores com interesses conflitantes.

As mudanças climáticas, por exemplo, dependem da coordenação entre governos, empresas e populações. Uma simulação poderia testar em quais condições esses grupos cooperariam — e quais decisões fariam o sistema fracassar. O mesmo princípio poderia ser aplicado a eleições e democracias: observar os possíveis efeitos de uma decisão antes de colocá-la em prática na sociedade.

Até agora, boa parte das discussões sobre GEO tentava responder a uma pergunta: como fazer uma marca ou conteúdo aparecer nas respostas do ChatGPT?

Uma nova análise da Profound sobre o ChatGPT Shopping mostra que, no e-commerce, essa pergunta já ficou pequena. A startup de GEO analisou 201 mil execuções de prompts de compra e 812 mil cards de produtos para tentar entender o que acontece entre a pergunta do consumidor e os produtos que aparecem na tela.

A principal conclusão: não basta ser citado. A marca precisa disputar espaço em diferentes partes da decisão de compra.

Seu conteúdo pode ajudar o ChatGPT a explicar o que caracteriza um bom tênis para corrida, por exemplo, sem que nenhum produto da marca apareça nas recomendações. E, mesmo que apareça, outro varejista pode ficar com o clique. Essa última parte é especialmente importante: quando o ChatGPT consegue encontrar ofertas para um produto, as informações comerciais exibidas no card — como preço e lojista — vêm da oferta posicionada em primeiro lugar.

Ou seja: ser o produto escolhido e ser o vendedor escolhido são duas disputas diferentes.

Já se sabia que ferramentas generativas não usam apenas a pergunta original do usuário. Elas criam várias buscas relacionadas para construir uma resposta. A principal novidade é que o ChatGPT Shopping parece criar também um conjunto separado de buscas voltadas especificamente à descoberta de produtos. A Profound chama isso de product query fanout.

Na prática: alguém pede "um tênis confortável para viajar" e a máquina procura por "tênis leve para caminhar", "tênis com bom amortecimento", "tênis versátil para uso diário". Você não otimiza mais para as palavras do cliente. Otimiza para a interpretação que a IA faz delas. Por isso, uma página precisa explicar não só o que o produto é, mas para quem serve, em quais situações funciona e quais problemas resolve.

O ChatGPT recorre principalmente ao próprio mecanismo de busca, ao Google e a sites de varejistas. 87,3% dos produtos foram encontrados pela internet e apenas 12,7% vieram diretamente de páginas de produtos de e-commerces. Para marcas e varejistas, a mensagem é simples: ter um bom feed em seus sites continua importante — mas está longe de ser suficiente. A presença do produto na web como um todo também entra na disputa.

A Profound comparou 200 mil produtos que apareciam em primeiro lugar com 214 mil posicionados em quarto ou abaixo. Produtos no topo tinham mediana de 787 reviews, contra 352 nas posições inferiores — cerca de 124% a mais. O estudo é observacional, então não prova causalidade, mas a associação é forte. Já promoções apresentaram diferença bem menor, enquanto comprimento da URL e nome do produto praticamente não mudaram entre os grupos. Em outras palavras: reputação parece importar mais do que pequenos truques de catálogo.

Outro sinal apareceu nos GPT tags: classificações atribuídas pelo próprio ChatGPT, como “best value”, “premium”, “performance” ou “comfort”. Entre os produtos na primeira posição, 2,39% tinham um GPT tag, contra 0,98% nos produtos mais abaixo — uma diferença de 144%. Essas categorias não são definidas pela marca. A IA as escolhe a partir das informações que encontra. É como se o ChatGPT estivesse criando sua própria lógica de merchandising: não basta entender o que o produto é; a IA precisa entender por que deveria escolhê-lo para determinada ocasião.

Quase um terço das citações de compras analisadas vem do Reddit. Não do site da marca ou do e-commerce, mas de consumidores conversando entre si. No Brasil, a plataforma pode ser menos relevante, mas o princípio permanece: a opinião sobre sua categoria está sendo formada em ambientes que a empresa não controla — e muitas vezes nem mede. A reputação deixa de ser apenas um ativo de marca. Ela vira dado de entrada para a IA.

Obrigado por ler o AI Around the Horn.

Perdeu alguma edição? Recupere todos os posts anteriores aqui.