A crise estrutural da atribuição de IA: por que last-click falha

Adobe e BrightEdge parecem discordar: menos de 1% de tráfego referral de IA versus cerca de 15% de atividade de agentes. Eles medem camadas diferentes: navegador e servidor.

Last-click falha quando a IA influencia antes do último clique. O usuário descobre a marca no Perplexity, compara no ChatGPT e compra dias depois via busca de marca. O GA4 atribui a Organic, mas a intenção nasceu na IA.

Há quatro falhas: influência de IA vira Direct, requests de agentes não executam JS, referrers são reconhecidos de forma incompleta e o usuário cruza várias plataformas. Em apps, MMPs também não veem o upstream web da IA.

A resposta é atribuição em camadas: AI Exposed, AI Referred, AI Assisted, AI Last-Touch, Agent Checkout e MMP Confirmed. Cada camada tem valor, desde que seu limite de evidência esteja claro.

Também é preciso separar crescimento observado, crescimento comparável e expansão de cobertura. Edge Lite pode revelar requests antes invisíveis, não necessariamente uma demanda 15 vezes maior.

Na prática, o limite do last-click attribution não deve ser tratado como uma iniciativa isolada de conteúdo. Dados de produto, respostas de IA, requests de agentes, visitas, comportamento e pedidos precisam ser lidos como uma cadeia de evidência. Só assim o time decide se o gargalo está em dados, conteúdo, integração técnica ou orçamento.

Também é preciso disciplina de medição. Busca com IA e Agentic Commerce já são observáveis, mas ainda não têm a estabilidade de paid media clássico. Prompt sampling, referrers, logs de servidor e pedidos Shopify têm pontos cegos. A medição útil separa evidência forte, sinal assistido e correlação.

Ampliação: medir por força de evidência, não por last-click

A atribuição de IA fica frágil quando todos os sinais são comprimidos em um ROAS único. Primeiro é preciso nomear a camada de evidência.

Também é preciso separar tipos de crescimento. Um salto depois de Edge Lite pode ser demanda real ou apenas cobertura nova. O sinal útil para orçamento é crescimento comparável, com a mesma definição.

Assim a IA não é superestimada nem subestimada. A liderança enxerga separadamente receita confirmada, evidência forte de visita, assistência e exposição. A discussão de orçamento passa a qual camada precisa melhorar.

Ampliação: tratar o redesenho da atribuição de IA como decisão operacional

Na prática, o redesenho da atribuição de IA não deve ser tratado como tema editorial isolado. É uma decisão operacional: quem é dono de exposição, visita, assistência e conversão além do last-click, quais dados sustentam a promessa e com que frequência eles são atualizados. Sem essa disciplina, a marca publica mais conteúdo, mas a evidência lida pela IA continua frágil.

O primeiro passo é separar o que uma pessoa entende na página do que um agente consegue verificar. Um bom layout não compensa Schema fraco, feed antigo, políticas pouco legíveis ou avaliações sem estrutura. Por outro lado, uma marca pode continuar na comparação quando cobertura de medição, crescimento comparável e conexão com pedidos está organizado e atualizado.

A medição precisa seguir a mesma lógica. Toda semana, o time deve separar exposição, requests de agentes, visitas vindas de IA, comportamento commerce e conexão com pedidos. Todo mês, só deve chamar de crescimento aquilo que é comparável sob a mesma definição. Um salto após nova tag ou Edge signal pode ser cobertura, não demanda.

A ordem de melhoria importa: reduzir interpretações erradas, ampliar dados legíveis por máquina, melhorar a experiência após a chegada e depois reforçar o vínculo com receita. Assim o time não mistura conteúdo, qualidade de dados e atribuição.

Em mercados de língua portuguesa, especialmente no Brasil, preço, prazo, troca, Pix, marketplace, WhatsApp e avaliações podem mudar a confiança. Localizar bem significa alinhar a evidência comercial ao mercado, não apenas traduzir o texto.

FAQ

Q1: Por que GA4 subestima IA?

A: Requests de servidor invisíveis, referrers incompletos e busca de marca influenciada por IA.

Q2: O que é atribuição em camadas?

A: Separar exposição, visita, assistência, último toque e checkout por força de evidência.

Q3: Dá para calcular AI ROAS exato?

A: Não como número único perfeito; é melhor criar baseline por camadas.

Q4: CitationGraph substitui AppsFlyer?

A: Não. Ele complementa MMPs com sinais upstream de IA.