Nota
Tese de cenário: como a IA está mudando a busca em 2026
Mapa do que mudou na busca com a chegada das IAs generativas, o que isso significa pra quem produz conteúdo, e como começo a me posicionar. Tese de cenário, não tese de plano.
Tese de cenário: como a IA está mudando a busca em 2026
Nota editorial: tese-base para virar artigo do blog pessoal. O valor aqui está no argumento autoral e na organização do cenário; antes de publicar, validar fontes/datas e decidir o quanto do recorte Epost fica explícito.
Próxima passagem editorial
- Conferir fontes, datas e números antes de publicar.
- Decidir se o texto fica como tese longa única ou vira série.
- Cortar ou explicar melhor trechos muito internos da Epost.
- Fortalecer a abertura com uma tese mais direta sobre a “economia da visita”.
- Fechar com compromisso de revisão em 3 meses, mantendo o tom provisório.
Por que esse texto existe
Comecei a estudar GEO e AEO há alguns meses, com uma pergunta simples que rapidamente se desdobrou em quatro. A primeira foi: ainda vale a pena criar conteúdo pra blog em 2026? Ela já tinha resposta circulando por aí, mas o que vinha junto era uma sensação de que algo maior estava se mexendo. Entrei na pesquisa pra entender o que era esse “algo maior” e saí com mais certezas sobre o que mudou do que sobre o que fazer com isso.
Esse texto é a primeira de quatro saídas que pretendo escrever sobre o assunto. É a tese do cenário, não a tese do plano. A intenção aqui é desenhar o que enxergo sobre como a chegada de IA generativa está reorganizando o mercado de busca, o que isso significa pra quem produz conteúdo, e como eu estou pensando em medir e me posicionar diante disso. As outras três saídas (uma tese aplicada à empresa onde trabalho, um plano de execução pra ela, e um artigo mais aberto sobre como começar) virão depois, com base nesta.
Algumas coisas o documento NÃO é. Não é receita, porque eu mesmo ainda estou testando. Não é tese acadêmica, porque os dados disponíveis são fragmentados e a maioria dos estudos é recente demais pra ter virado consenso. E não é manifesto, porque várias das fontes que estou citando se contradizem em pontos importantes, e eu acho que essa contradição é parte da história, não um problema a ser resolvido com escolha do “lado certo”.
A estrutura segue a ordem em que as perguntas apareceram pra mim: o que está mudando, como o novo jogo funciona, o que parece dar resultado, como saber se está dando, e o que eu vou fazer com isso.
1. O que está mudando no mercado
A primeira coisa que se nota é que a economia da visita ao site, que sustentou o blog corporativo por mais de uma década, está se desmontando rápido.
A Seer Interactive acompanhou 3.119 queries informacionais em 42 organizações entre junho de 2024 e setembro de 2025. O CTR orgânico em queries com AI Overviews caiu de 1,76% pra 0,61%, uma queda de 61% em quinze meses. O CTR pago caiu 68% no mesmo recorte. A Pew Research analisou 68 mil buscas reais de 900 adultos americanos e descobriu que usuários clicaram em algum link em apenas 8% das buscas com resumo de IA. Sem resumo, o número era 15%. Cliques nos links que aparecem dentro do próprio resumo: 1%. Em paralelo, 60% das buscas no Google terminam sem clique nenhum em 2025, e em mobile esse número sobe pra 77%.
Esses números parecem abstratos até a gente olhar os casos. A HubSpot caiu de cerca de 13,5 milhões de visitas orgânicas mensais em novembro de 2024 pra menos de 7 milhões em dezembro do mesmo ano, uma perda de 70 a 80% em poucos meses. O CEO Yamini Rangan reconheceu na call de earnings que tráfego orgânico está caindo globalmente e que AI Overviews respondem queries antes do clique. Business Insider perdeu 55% do tráfego orgânico entre abril de 2022 e abril de 2025, e cortou 21% do quadro em maio de 2025. Publishers globais viram tráfego do Google cair cerca de um terço em 2025, segundo Press Gazette e Chartbeat.
A pergunta natural é se isso é ajuste temporário ou mudança estrutural. Os dados disponíveis sugerem que é estrutural. A Semrush rastreou 10 milhões de keywords e mostrou que a presença de AI Overviews subiu de 6,49% em janeiro de 2025 pra quase 25% em julho, uma multiplicação por quatro em sete meses. Setores específicos são impactados em ritmos diferentes: a indústria de logística e transporte teve crescimento de 223% na presença de AI Overviews em três meses do início de 2025. Pra quem trabalha com logística, isso significa que o impacto não é hipotético, é presente.
O ponto mais interessante, porém, é que o problema não é só AI Overview. Queries SEM AIO também perderam CTR no período. A Seer mediu queda de 41% ano a ano em queries que não disparam resumo de IA, de 2,72% em junho de 2024 pra 1,62% em setembro de 2025, dado também recolhido por PPC Land. Houve um pico de 3,14% em fevereiro de 2025 em queries sem AIO, que parecia porto seguro, e logo depois caiu. A leitura mais convincente que vi é que o usuário começou a fazer parte da pesquisa em ChatGPT, Perplexity e Reddit antes mesmo de abrir o Google. Quando volta pro Google, clica menos. É comportamento, não algoritmo.
Sobre a jornada B2B, a Gartner mostra que 73% dela acontece anonimamente antes do primeiro contato com fornecedor, e que compradores passam só 17% do tempo em conversa direta com vendors. Em 2026, segundo a Forrester, 90% dos compradores B2B já usam ferramentas de IA generativa. O “dark funnel” virou pesquisa mediada por IA: o comprador pergunta ao ChatGPT sobre o problema, pede comparação ao Perplexity, gera lista de fornecedor no Gemini e valida no Copilot, tudo antes de qualquer evento rastreável.
Não é tudo declínio. Search continua existindo e crescendo: o Google processa entre 9,1 e 13,6 bilhões de buscas por dia em 2025 e mantém 89% do market share contra os cerca de 3 bilhões de prompts mensais do ChatGPT. Há também sinais de que o tráfego que chega via IA converte melhor. A Semrush mediu lift de 4,4 vezes; a Ahrefs reportou 23 vezes em case interno. Os números variam muito por contexto, mas a direção é consistente: visitante que chega via IA já passou por uma curadoria semântica e tende a chegar mais qualificado.
O que mudou, em uma frase, foi a economia da visita. O usuário busca, a IA responde, e a empresa fica de fora da conversa, a menos que apareça dentro da resposta.
2. Como as IAs mostram conteúdo e escolhem quem citar
Aqui começa a parte onde as fontes divergem mais e onde eu sei menos. Mas há algumas coisas razoavelmente sólidas.
A primeira é que “IA” não é um bloco único. A Seer Interactive propôs uma classificação útil dos tipos de mecanismo que estão dominando a busca:
| Tipo de mecanismo | Exemplos | Como funcionam | O que o usuário vê |
|---|---|---|---|
| Search-Led | Google com AI Overviews, Bing Search | Começam com resultados tradicionais e adicionam camada de IA por cima | Resultados ainda importam, mas resumos aparecem primeiro |
| Answer-Led | Perplexity, Bing Copilot | LLMs geram resposta direta com poucas fontes citadas | Resposta sintetizada com citações explícitas |
| Fully Generative | ChatGPT, Claude, Gemini (chat puro) | Geram resposta a partir do conhecimento do modelo, às vezes com retrieval | Resposta conversacional, links são opcionais |
| Hybrid | ChatGPT com browsing, Gemini com Search grounding | Misturam resultados, retrieval e geração conforme a query | Varia, às vezes mostra links, às vezes não |
Cada um tem uma lógica diferente de exibição e citação, e tratar todos como se fossem o mesmo tipo de superfície leva a estratégias erradas.
A segunda coisa sólida é que a lógica de “ranking” do SEO clássico não se aplica direto. LLMs são não-determinísticos: a mesma pergunta gera respostas diferentes a cada vez. Não existe posição número um. A métrica que faz sentido é frequência, ou seja, quantas vezes a marca aparece em diferentes prompts da categoria. É um modelo mais parecido com share of voice publicitário do que com posicionamento orgânico.
A terceira é que esses sistemas extraem afirmações específicas, estatísticas isoladas ou trechos curtos, e ignoram o contexto ao redor. Um parágrafo bem escrito que depende dos parágrafos vizinhos pra fazer sentido tem chance pequena de ser citado. Isso muda a lógica de redação: cada parágrafo precisa funcionar sozinho, com dado próprio e atribuição embutida.
E há uma quarta coisa, talvez a mais relevante pro plano operacional: o comportamento varia muito entre plataformas. O Reddit, por exemplo, é citado 4,3 milhões de vezes pelo Perplexity, 1,3 milhão pelo ChatGPT e 477 mil pelo Gemini, segundo o relatório Reddit Statistics da Foundation Inc. A Tinuiti, em estudo de Q1 de 2026, mediu que o Reddit responde por 24% de todas as citações no Perplexity em janeiro de 2026 e por apenas 0,1% no Google Gemini. Estratégia de visibilidade precisa ser pensada por plataforma, não como agregado.
A pergunta de fundo, “o que faz uma fonte ser citada”, é onde a divergência fica mais interessante. Por isso ela merece uma seção própria.
3. A divergência: Yext vs Source Signal Stack
Os estudos mais citados sobre o que LLMs preferem citar chegam a conclusões quase opostas. Vale entender de onde cada um vem antes de tentar reconciliar.
De um lado, o estudo da Yext analisou 6,8 milhões de citações em ChatGPT, Gemini e Perplexity entre julho e agosto de 2025, com 1,6 milhão de queries por modelo, em quatro setores: varejo, financeiro, saúde e food service. A conclusão foi que 86% das citações vêm de fontes que marcas já controlam ou influenciam. Sites próprios respondem por 44%, listings (Google Business, diretórios setoriais) por 42%, reviews e social por 8%, e fontes não-controláveis ficam em 6%. Reddit aparece em apenas 2% quando localização e intenção são consideradas.
Do outro lado, várias pesquisas apontam o oposto. A Profound analisou 1,4 milhão de citações de IA e mostrou que, no ChatGPT e no Google AI Mode, 59% do conteúdo citado do LinkedIn vem de membros individuais, não de páginas de empresa. A Muck Rack mediu que mais de 85% dos links citados por IA viriam de earned media. A The Digital Bloom mostrou que marcas mencionadas positivamente em quatro ou mais plataformas não-afiliadas seriam 2,8 vezes mais propensas a aparecer em respostas do ChatGPT.
A diferença está na metodologia. A Yext partiu de queries com contexto real do usuário, do tipo “melhor dentista perto de mim” ou “horário de uma loja”. Os outros estudos olharam citações em nível agregado de marca, sem grounding tão forte em local e intenção. Os dois recortes medem coisas diferentes, e cada um descreve melhor um pedaço do problema.
A leitura que fez mais sentido pra mim foi essa: a Yext mede melhor citações em buscas locais, comerciais e operacionais. Onde marca com listing bem mantido, página local estruturada e reviews consistentes tende a dominar. Os estudos da Profound, Muck Rack e Digital Bloom descrevem melhor autoridade temática em B2B, queries de expertise e thought leadership. Onde sinal humano, imprensa especializada e SME publicando sob nome próprio pesa mais.
Vale notar duas ressalvas sobre a Yext. A primeira é incentivo comercial: ela vende plataforma de brand visibility e knowledge graph, então tem motivo pra enfatizar fontes controláveis. A segunda é que a categoria “brand-managed” do estudo é ampla, agrupando fontes sob controle total (site), parcial (listings) e apenas influenciáveis (reviews) num só bucket, o que infla a sensação de controle real.
Pra um negócio que tem componente local e componente B2B ao mesmo tempo, isso significa que as duas frentes importam ao mesmo tempo, não que uma substitui a outra. Estruturar dados de marca, listings e reviews resolve o ângulo Yext. Construir presença humana via LinkedIn de fundadores, especialistas internos e earned media resolve o ângulo Source Signal Stack. Tratar uma frente como suficiente parece o erro mais provável.
4. Caminhos identificados para ser citado
Aqui o pano de fundo é a tese do Ryan Law, da Ahrefs, no artigo Education Isn’t Enough. Ele argumenta que conteúdo educacional perdeu valor diferencial porque informação virou commodity. Na era pré-IA, educar funcionava porque informação específica era escassa, dispersa e cara de produzir. Hoje, qualquer marca produz guias parecidos em escala, LLMs geram resposta hiperespecífica pra qualquer query long-tail, e o custo marginal de produzir conteúdo educacional caiu quase a zero. Educação virou requisito mínimo, não vantagem competitiva.
A partir desse diagnóstico, Ryan aponta três caminhos pra uma marca se diferenciar.
O primeiro é oferecer um sabor novo da informação: recorte editorial, audiência específica, ponto de vista que muda como o mesmo conteúdo é lido. Positive News e Hacker News são exemplos dele. Em B2B, é o conteúdo que pega um tema saturado e dá um corte específico, tipo “para PME”, “para o mercado brasileiro”, “para o operador logístico que faz first mile urbano”. É o caminho mais barato de testar e o mais defensável pra quem ainda não tem dado proprietário.
O segundo é criar informação realmente nova: dados próprios da operação, experimentos internos, benchmarks que ninguém mais tem, entrevistas com clientes, casos abertos com números. É mais defensável que reorganizar informação existente, mas é mais caro e mais lento. Funciona bem quando a empresa já tem volume operacional suficiente pra extrair padrões interessantes.
O terceiro é mídia e entretenimento: formato editorial ou narrativo que chega ao usuário antes da demanda ativa, quando a pessoa nem está procurando solução. Funciona pra marca com capacidade editorial real e disposta a investir sem ROI direto. Pra startup de categoria técnica, raramente é o ponto de partida.
A Kaleigh Moore propôs um framework complementar, o Source Signal Stack, que organiza fontes humanas em quatro camadas pela distância em relação ao controle direto da empresa:
- Brand Signals. Site, blog, documentação. Conteúdo controlado pela empresa, necessário, mas o sinal menos independente.
- Executive Signals. Fundadores e C-level publicando sob nome próprio. Associa a empresa a humanos identificáveis, mas ainda perto da marca.
- SME Signals. Especialistas internos não-executivos publicando sob seus próprios nomes (PMs, engenheiros, líderes de customer success, ops). É a camada mais subutilizada e de maior alavancagem.
- Community Signals. Menções em podcasts, imprensa, reviews, fóruns, peer recommendations. O sinal mais forte, mas costuma ser consequência das três camadas anteriores.
A intuição é direta: um insight forte vira vários sinais citáveis. Aprendizado da operação vira post de SME no LinkedIn, artigo no blog, citação em podcast da indústria, menção em reportagem, referência de pares.
O problema da maioria das empresas B2B não é falta de expertise, é invisibilidade pública dos especialistas. Programa baseado só no fundador é frágil, porque se essa pessoa para de publicar ou sai, o sinal humano desaparece. Ativar 3 a 5 SMEs internos parece ser a frente de maior alavancagem, mas exige tempo, suporte editorial e às vezes ajuste de compliance. Em post posterior, Kaleigh sugere que, quando especialistas internos não estão disponíveis, vale complementar com criadores B2B externos que já publicam na categoria, com a ressalva de que precisa ser quem fala com compradores reais, não influencer genérico.
Operacionalmente, a Kaleigh também propôs um caminho mais cirúrgico, partindo do que a marca já tem. A ideia é auditar as 20 páginas de maior tráfego, testar as queries delas como perguntas naturais em ChatGPT, Perplexity e AI Overviews, mapear quem está sendo citado e atualizar as páginas com respostas diretas logo abaixo dos H2s, dados concretos por seção, estruturas claras e insights próprios. A maior oportunidade está em páginas com alto SEO e baixa citação em IA, porque o ranqueamento sustenta a busca tradicional enquanto a citação começa a ser construída.
Sobre quais tipos de query ainda recebem clique, a categorização clássica de SEO segue valendo, com pesos diferentes:
| Tipo | O que o usuário quer | Estágio na jornada |
|---|---|---|
| Informacional | Aprender algo | Topo de funil |
| Navegacional | Achar uma marca específica | Já conhece |
| Comercial | Comparar antes de comprar | Meio de funil |
| Transacional | Fazer uma ação concreta | Fundo de funil |
A regra prática que se desenha nas fontes é que queries informacionais (com modificadores como “what is”, “how to”, “best”) são as mais canibalizadas por AI Overviews, com aumentos de probabilidade de disparo entre 15% e 50% segundo a BrightEdge. Queries transacionais e comerciais específicas (modificadores como “vs”, “alternativa a”, “[serviço] em [cidade]”) são entre 14% e 20% MENOS propensas a disparar AIO. O seoClarity rastreou keywords transacionais em março de 2025 e viu que apenas 8,9% delas mostraram AI Overview, contra perto de 25% em informacionais. O clique ainda flui pra essas páginas mais comerciais e específicas.
Juntando tudo, o que parece dar resultado pra uma marca early-stage é a combinação de três frentes: brand-managed estruturado (site com schema, Google Business, listings, reviews), sinal humano em camadas (LinkedIn de fundadores como motor primário, depois SMEs, depois imprensa e comunidade), e páginas comerciais e transacionais específicas no site, configuradas pra extração por IA. Não é receita, é a hipótese que melhor se sustenta com os dados que vi.
5. Como medir se estou sendo citado
Métricas de visibilidade em IA viraram categoria de produto em 2025. Há ferramentas comerciais especializadas, e há método manual lo-fi. Os dois funcionam, com limitações honestas.
As métricas que mais aparecem nos estudos são share of voice em respostas de IA por categoria, AI citation rate por página, frequência de menção em prompts relevantes, e quem são os concorrentes citados quando a marca não aparece. Casos públicos: a HubSpot mantém 35,3% de share of voice em respostas de IA na categoria CRM mesmo tendo perdido 70% do tráfego orgânico. O Bank of America tem 32,2% de visibilidade em queries bancárias em plataformas de IA, segundo a Profound, dado citado em pesquisa da Dataslayer. A Seer mediu que marcas citadas em AI Overviews ganham 35% mais cliques orgânicos e 91% mais cliques pagos comparado a não-citadas.
As ferramentas comerciais disponíveis hoje:
| Plataforma | Função | Status |
|---|---|---|
| Adobe LLM Optimizer | Mede visibilidade em ChatGPT, Perplexity, Copilot, Gemini | Lançado 2025 |
| Profound | GEO tracking enterprise (usado pelo BofA) | Estabelecido |
| AthenaHQ | ”GPS pra AI search” | Comercial |
| Semrush AI Visibility Toolkit | Compara brand vs concorrentes em ChatGPT/Claude | Dentro do Semrush One |
| Ahrefs Brand Radar | AI mentions tracking | Lançado 2025 |
| LLMrefs | Tracking dedicado a LLMs | Comercial |
Pra quem não tem orçamento de ferramenta paga, a The HOTH publicou um método manual simples. A receita é montar uma lista de 20 a 50 prompts que importam pro negócio, rodar mensalmente em ChatGPT, Gemini e Perplexity, e registrar se a marca aparece, em que ordem, quais concorrentes são citados, e com quais fontes. É a versão lo-fi do que as ferramentas pagas fazem.
As limitações são reais e vale assumir. LLMs são não-determinísticos: a mesma query roda diferente a cada sessão e varia por geo, histórico e versão do modelo. Testes manuais geram resultados instáveis, e mesmo as ferramentas comerciais ainda estão calibrando metodologia. Não há padrão consolidado de benchmark por categoria, nem framework claro de atribuição de conversão saindo de menção em IA. A medição existe, é melhor que não medir, e ainda é insuficiente pra reporte definitivo.
6. O que eu vou fazer
Saio dessa pesquisa com mais clareza sobre o que mudou do que sobre como agir. Mas algumas direções ficaram firmes o suficiente pra começar a guiar decisão.
A primeira é que conteúdo educacional genérico, no formato de blog corporativo amplo, não parece ser onde investir tempo agora. O custo marginal caiu, a competição fica direta com a IA, e o retorno em tráfego está caindo no agregado. Isso não significa abandonar texto longo. Significa que texto longo precisa carregar dado próprio, ângulo definido ou recorte que ainda não exista bem feito em português, sob risco de virar mais um guia entre os milhares.
A segunda é que LinkedIn founder-led parece ser a aposta mais defensável de ativação humana hoje. Os dados sobre Profound e LinkedIn como domínio mais citado em queries profissionais são sólidos o suficiente pra justificar consistência. A direção que pretendo tomar é construir cadência pessoal de publicação, com prioridade pra posts que carreguem aprendizado da operação, não opinião genérica.
A terceira é que listings, schema markup, Google Business e reviews não são detalhe técnico, são infraestrutura de visibilidade em IA. O estudo da Yext, mesmo com as ressalvas comerciais, mostra que pra qualquer query com componente local ou operacional, marca sem dados estruturados é marca invisível. Vale auditar e organizar essa frente antes de investir em conteúdo.
A quarta é que medir, mesmo mal, é melhor que não medir. Pretendo começar pela versão manual da The HOTH, com uma lista pequena de prompts ligados ao trabalho e ao blog, e ir refinando. Quando o investimento em ferramenta paga fizer sentido, a base manual já vai estar calibrada.
A quinta, e talvez a mais incômoda, é assumir que parte do que acho hoje vai estar errado em seis meses. Os estudos disponíveis se contradizem, as plataformas mudam de comportamento, e o cenário em 2026 não vai ser o cenário em 2027. Então o compromisso real é com a frequência de revisão, não com a estabilidade da resposta.
Pra quem está lendo isso e está em situação parecida, ou seja, aprendendo o tema, tentando aplicar em contexto real, sem orçamento de agência ou ferramenta enterprise, a sugestão honesta é começar simples. Olhar pro próprio site com olho de quem precisa estruturar dado, não criar volume. Publicar onde o decisor da sua categoria realmente está, não onde é mais fácil. E aceitar que essa fase vai ser de teste, não de execução de playbook pronto.
Voltar daqui a três meses pra ver o que se sustenta.
Tese baseada em material próprio de pesquisa. Fontes principais consultadas: Seer Interactive, Pew Research, Semrush, Ahrefs (Ryan Law), Kaleigh Moore, Yext, Profound, Muck Rack, The Digital Bloom, BrightEdge, seoClarity, Foundation Inc, Tinuiti, AthenaHQ, Dataslayer, The HOTH, Gartner, Forrester, HubSpot.