#### Mais que pedidos
AI Commerce costuma ser discutido por e-commerce porque o pedido é claro. Mas em muitos setores o resultado relevante é outro: conta financiada, KYC, primeira transação, ativação, assinatura, renovação ou expansão.
#### Outcomes customizados
Setor | Eventos de conversão principais | Ciclo | Cross-platform |
|---|---|---|---|
E-commerce / DTC | Carrinho → Checkout → Pedido | Minutos | Principalmente web |
Exchange crypto | Cadastro → KYC → Depósito → Trade | Dias a semanas | Descoberta web → trading app |
SaaS | Cadastro → Ativação → Trial → Assinatura → Renovação | Dias a meses | Principalmente web |
FinTech | Cadastro → KYC → Primeira transação | Dias a semanas | Descoberta web → app |
Gaming | Cadastro → Primeira compra → DAU → Retenção | Dias a meses | Descoberta web → app |
Media | Cadastro → Assinatura → Ad impressions | Minutos a meses | Principalmente web |
CitationGraph conecta fontes de IA a funis por setor. Em uma exchange: citação de IA, visita web, cadastro, KYC, depósito e primeira operação. Em SaaS: citação de IA, trial, ativação e assinatura. Em FinTech: abertura de conta, verificação e primeira transação.
A detecção de fonte IA é relativamente universal. Crawlers, referrals e citações de IA são parecidos entre setores. O que muda é o outcome. Uma marca DTC olha pedidos e recompra. Uma exchange olha KYC, depósito e trading revenue. Um SaaS olha ativação, trial-to-paid e renovação. Uma ferramenta que entende apenas pedidos não mede bem a influência IA em outros modelos.
O Custom Outcome Layer precisa aceitar eventos de backend, CRM, MMP, billing ou data warehouse. Também precisa separar o nível de evidência: contexto, assistência, atribuição forte ou sinal para plataformas de mídia. Essa precisão evita inflar números e torna o reporting defensável.
#### Semântica honesta de receita
Semântica | Significado | Confiança |
|---|---|---|
Store Revenue | Receita total de Shopify ou sistemas próprios | Alta: factual |
AI Source Revenue Context | Contexto de receita de sessões IA no GA4 | Média: contexto, não atribuição |
AI Assisted Revenue | Receita em que IA aparece em um caminho multi-touch | Média: exige modelo MTA |
AI Attributed Revenue | Receita rastreável a uma fonte IA | Alta: exige conexão fonte-pedido precisa |
AI Agent Checkout Revenue | Receita futura de checkout direto por agentes | Futuro: hoje limitado |
Ads Attribution Revenue | Receita enviada a plataformas de mídia via S2S | Alta: verificável pela plataforma |
Nem toda receita significa a mesma coisa. Store Revenue, AI Assisted Revenue, AI Attributed Revenue e Ads Attribution Revenue têm níveis de evidência diferentes. Não devem ser somadas. A disciplina é separar significado, não inflar números.
Para finance, essa separação importa. AI Assisted Revenue pode indicar influência, mas não tem a mesma força de AI Attributed Revenue. Ads Attribution Revenue pode otimizar plataformas, mas não explica toda a demanda criada por IA.
Na operação, cada empresa precisa definir primeiro sua linguagem de outcomes. Quais eventos são indicadores antecedentes, quais são receita dura, quais são etapas de compliance e quais são apenas engagement. Em uma exchange, KYC não é receita, mas é um gate crítico. Em SaaS, ativação ainda não é receita, mas costuma antecipar renovação. Em media, cadastro pode valer mais que uma pageview isolada.
Essa linguagem também decide quais dados entram no CitationGraph. Não é necessário transferir conteúdo sensível de KYC. Muitas vezes basta um flag de conclusão e um identificador anônimo. Isso protege privacidade e torna a integração viável em setores regulados.
O valor aparece quando esses eventos são comparados por fonte IA. Se usuários vindos de IA ativam mais rápido, abandonam menos no KYC ou depositam com mais frequência, GEO deixa de ser apenas visibilidade. Torna-se parte mensurável do modelo de crescimento.
Também é essencial comparar com usuários não IA. Um funil de IA isolado diz pouco. A relevância orçamentária aparece quando ele é comparado com paid search, social, direct ou organic. Por isso o Outcome Adapter precisa preservar segmentos, janelas de tempo e grupos de comparação, não apenas eventos soltos.
Sem esses grupos, o relatório mostra atividade, mas não diz se IA merece mais orçamento ou apenas mais observação. Com eles, o time separa tráfego curioso, intenção real e receita defensável.
Também pode decidir quais mercados, produtos ou temas merecem mais investimento GEO. A lógica de evidência é comum, mesmo que cada setor tenha seu próprio funil e riscos.
Por isso a medição multivertical é uma decisão de produto, não um apêndice de e-commerce.
Só assim um relatório para crypto, SaaS, FinTech e DTC pode compartilhar a mesma lógica de evidência. Também mantém alinhados growth, produto, BI e finance.
O mesmo modelo evita prometer demais. Um banco não deve tratar KYC concluído como receita. Um SaaS não deve tratar ativação como renovação. Um jogo não deve confundir primeira sessão com retenção. O Outcome Adapter é útil porque respeita essas diferenças e mantém cada prova no nível correto. Esse cuidado sustenta confiança entre growth, produto e finance.
#### Build vs Buy
Detecção básica pode ser construída internamente. O difícil é manutenção, conexão com outcomes, coordenação com MMP, benchmarks e prova causal. Medição de IA muda rápido demais para ser apenas um script.
#### Argumento central
O impacto de IA na aquisição não se limita ao e-commerce. Cada vertical precisa conectar fontes de IA ao seu próprio funil de negócio.
FAQ
Q1: Templates são obrigatórios?
A: Não. São pontos de partida adaptáveis.
Q2: Conteúdo de KYC é processado?
A: Não. O necessário é o sinal de conclusão, não o conteúdo sensível.
Q3: Todas as receitas podem ser somadas?
A: Não. Têm significados e evidências diferentes.