“Neste mês, fontes de IA geraram X visitas e Y de receita.” A frase parece objetiva. Muitas vezes é objetiva demais. Ela mistura fatos diferentes: uma resposta de IA menciona a marca, um agente lê uma página, uma pessoa clica em uma recomendação, essa pessoa mostra intenção comercial e talvez uma ordem possa ser ligada à sessão. São níveis de evidência diferentes.
O maior risco em atribuição de IA não é apenas ter poucos dados. É juntar dados que não significam a mesma coisa.
As cinco camadas de AIAA
Answer é exposição em respostas de IA. A marca aparece, uma página é citada, informações de produto são usadas. É visibilidade, não visita.
Request é atividade de máquina. Um agente de IA lê páginas de produto, preço, estoque ou políticas. Logs de servidor e Edge são centrais aqui. Mas request não é intenção humana.
Visit é chegada humana. Um usuário clica a partir de ChatGPT, Perplexity, Gemini ou outra experiência de IA. É mais valioso que request, mas ainda não é conversão.
Commerce é comportamento com intenção: visualização de produto, carrinho, checkout, formulário, demo. Nessa camada, visibilidade de IA começa a tocar métricas de growth.
Attribution é a prova mais forte. Referrer, session, order e CRM permitem explicar por que uma receita pode ser ligada a uma fonte de IA.
Área | Fonte de dados | Métricas centrais | Frequência |
|---|---|---|---|
Answer | Amostragem de respostas IA, monitoramento SOV | Menções de marca, precisão de citações, comparação competitiva | Semanal |
Request | Logs Edge, logs de servidor | Volume de requests Agent, rotas, tipos de agente | Diário |
Visit | JS first-party, GA4 AI Assistants | Sessões IA, landing pages, comportamento | Diário |
Commerce | Plataforma e-commerce + dados first-party | Views PDP IA, carrinho, checkout | Diário |
Attribution | Join sessão-pedido | Pedidos atribuídos à IA, receita, AOV | Semanal |
Camada | Peso | Motivo |
|---|---|---|
Answer | 0.2 | Exposição amostrada, sem visita direta |
Request | 0.3 | Visível no servidor, mas com intenção humana fraca |
Visit | 0.5 | Chegada humana, ainda sem prova de conversão |
Commerce | 0.8 | Ação próxima de compra |
Attribution | 1.0 | Receita conectada à evidência de IA |
Essa estrutura impede que contribuição de IA vire um único número. Se requests aumentam depois de conectar Edge logs, pode ser cobertura nova, não crescimento real. Se menções aumentam sem aumento de visitas, o problema pode estar em links, busca de marca, páginas de produto ou fontes externas citáveis.
No reporting, é preciso separar observed growth e comparable growth. Observed growth mostra tudo que é visível hoje. Comparable growth compara apenas fontes presentes nos dois períodos. Sem isso, expansão de medição vira falsa aceleração de demanda.
As responsabilidades também mudam por camada. Answer pertence a GEO e conteúdo. Request a infraestrutura e SEO técnico. Visit e Commerce a growth, e-commerce e analytics. Attribution a BI, CRM, paid media e finanças. AIAA não é uma soma bonita: é uma disciplina para classificar qualidade de prova.
Na prática, a leitura por camadas muda a decisão. Se Answer e Request crescem, mas Visit ainda não cresce, talvez a marca esteja entrando no repertório da IA, mas os caminhos de clique, páginas citáveis ou buscas de marca ainda não estejam fortes. Se Visit cresce e Commerce não, o problema pode estar na landing page, confiança, preço, comparativo ou checkout. Se Commerce cresce e Attribution não, a prioridade é integrar sessão, pedido, CRM e logs.
Esse cuidado evita dois extremos. O primeiro é subestimar IA porque o last click aparece como Direct, Organic ou retargeting. O segundo é superestimar IA porque qualquer crawler ou menção vira contribuição comercial. AIAA mantém a ambição de medir a cadeia completa, mas obriga o time a declarar o nível de prova de cada número.
Misturar camadas cria falsa atribuição
Menção não é visita. Visita não é compra. Compra não é automaticamente receita atribuída à IA. Quando esses limites somem, dois erros aparecem: picos de crawler são tratados como demanda, e receitas comuns viram “AI revenue” sem prova suficiente.
Isso pode melhorar um relatório de curto prazo, mas reduz a confiança. Um CMO ou CFO não precisa do maior número de IA. Precisa de um número defensável.
Um dashboard melhor
Um dashboard AIAA deve mostrar as cinco camadas separadamente. Deve indicar a fonte de dados de cada camada. Também deve marcar quando uma fonte nova foi conectada, porque um salto após ativar Edge logs pode ser nova visibilidade, não crescimento real.
A diferença entre observed growth e comparable growth é essencial. Observed growth mostra tudo que se vê hoje. Comparable growth compara apenas fontes ativas nos dois períodos. Sem essa separação, expansão de cobertura e crescimento do mercado se confundem.
Para e-commerce e B2B, isso importa ainda mais. A IA geralmente influencia a pesquisa inicial, enquanto o último clique pode vir de busca de marca, direct ou retargeting. Last click subestima IA. Chamar tudo de IA a superestima. AIAA tenta ficar no meio: mais completo, mas ainda defensável.
Gravity conecta GEO, evidência do site, logs, paid media e CRM. A IA descobre fatos, agentes leem páginas, pessoas visitam e a receita aparece depois. Atribuição precisa conectar essa cadeia sem apagar os níveis de prova.
FAQ
Q1: Qual a diferença entre tráfego de IA e contribuição de IA?
A: Tráfego fala de visitas. Contribuição inclui exposição, requests, visitas, comportamento comercial e receita atribuída.
Q2: Por que separar crawlers de sessões?
A: Crawlers são atividade de máquina. Não provam intenção humana.
Q3: Qual camada é mais importante?
A: Para finanças, Attribution. Para sinais iniciais, Answer e Request.
Q4: Qual erro é comum?
A: Ler um salto após conectar logs como crescimento real, quando pode ser apenas nova visibilidade.
Q5: Como começar?
A: Com um dashboard que separe Answer, Request, Visit, Commerce e Attribution.