Para medir a influência do ChatGPT nas vendas sem rastrear usuários, combine três métodos que não seguem ninguém: perguntar ao cliente como ele conheceu você, comparar períodos e regiões em um teste de incrementalidade e estimar a contribuição de cada canal com um modelo de mix de marketing com dados agregados. Nenhum deles prova sozinho, mas juntos formam uma resposta defensável.

O motivo é simples: a conversa com um assistente acontece fora do seu site, e a sua ferramenta de medição não participa dela. Este guia mostra o que dá para enxergar, o que não dá, como montar cada método e como manter o consentimento do visitante íntegro e com prova durante todo o processo.

Os modelos de atribuição do GA4 distribuem o crédito dos eventos-chave entre anúncios, cliques e outros fatores ao longo do caminho do usuário, e a documentação do Google informa que todos eles excluem as visitas diretas do crédito, a menos que o caminho seja composto só de visitas diretas. Uma recomendação que levou a pessoa a digitar o seu endereço, por exemplo, tende a ser contada como direta.

Nenhuma das páginas oficiais consultadas para este guia descreve como as visitas vindas de um assistente específico aparecem nos relatórios. Por isso este texto não afirma isso. O que vale é o desenho: se a influência não deixa clique identificável, o método precisa ir buscá-la por outro caminho. O guia sobre a jornada do cliente na era da IA detalha onde o fio se perde.

O mais barato e o mais direto é acrescentar, no formulário de cadastro, no checkout ou na primeira conversa comercial, uma pergunta aberta ou com opções: como você conheceu a gente? Entre as opções, inclua assistentes de IA, com o nome dos mais usados, e mantenha um campo livre.

A resposta é declarada, e declaração tem limite: a pessoa pode não lembrar, pode responder o último contato e não o primeiro, pode misturar opções. Use as respostas como indício e como apoio à leitura dos outros métodos, e não como número final. Revise as opções a cada trimestre, porque o que as pessoas escrevem no campo livre mostra o que faltava na lista.

A resposta declarada é um dado que a pessoa dá a você, em um contexto claro. Ainda assim, colete só o necessário para a finalidade, o que a LGPD chama de necessidade (art. 6º, III), e não a misture com informações que identifiquem a pessoa sem motivo. Quando a análise for por grupos, trabalhe com totais.

Se você pode controlar uma ação, pode testar. Um exemplo hipotético: você publica conteúdo pensado para ser citado por assistentes em alguns temas e não em outros, ou investe em visibilidade só em algumas regiões, e compara as vendas. A diferença entre os grupos, depois de descontar a oscilação normal, é o efeito da ação.

A página do Google sobre Conversion Lift descreve o desenho: um grupo de tratamento e um de controle, com o lift sendo a diferença de conversões entre eles, e estudos geográficos feitos com dados geográficos agregados. O guia sobre teste de incrementalidade mostra como planejar. Aqui há uma limitação: você não controla o que o assistente recomenda, então o teste mede o efeito da sua ação, e não da conversa em si.

O marketing mix modeling estima a contribuição de cada fator sobre as vendas usando séries semanais. Segundo o guia do Robyn, ele trabalha com dados agregados em vez de dados de usuários individuais e, segundo a documentação do Meridian, aceita variáveis de controle como o volume de buscas.

Aqui entra uma ideia prática, que é uma sugestão nossa e não uma funcionalidade documentada: incluir como variável de controle uma série que represente o interesse pela sua marca, como as buscas pelo nome. Se as vendas sobem quando esse interesse sobe, e o investimento em canais pagos não explica a alta, há um indício de influência de fora, que pode incluir assistentes. Indício, não prova. O caminho completo está em MMM na prática.

Imagine, só como ilustração, uma empresa de software. No cadastro, uma parcela crescente de clientes escolhe "assistente de IA" como origem. Nas semanas em que publicou conteúdo novo sobre um tema, as buscas pelo nome da marca subiram. O modelo agregado não atribui essa alta ao investimento pago. Nenhum dos três prova a influência, mas os três apontam para o mesmo lado.

Essa convergência é o que sustenta uma decisão, como manter o investimento em conteúdo, com a ressalva de que a conclusão é uma estimativa.

Cada método erra de um jeito diferente, e é por isso que a combinação ajuda. A pergunta declarada tem viés de memória. O teste mede só o que você controla. O modelo mostra correlação ajustada. Quando os três apontam na mesma direção, a confiança sobe; quando divergem, você descobre onde investigar.

Um roteiro curto:

1. Acrescente a pergunta de origem e acompanhe por um trimestre.
2. Registre, em uma planilha, as ações de conteúdo e de visibilidade, com data.
3. Planeje um teste em regiões ou temas, com uma métrica definida antes.
4. Se já tem histórico longo, monte ou revise o modelo agregado.
5. Compare os resultados e escreva o que cada método sustenta e o que não sustenta.

Nada disso autoriza contornar a recusa de um visitante. A medição deve respeitar a escolha de cada pessoa, e quem recusou continua recusando. Na AdOpt, a prova da escolha de cada visitante é o registro no Consent Log guarda data e hora, as tags e cookies aceitos ou recusados e as versões dos documentos.

Para saber quanto do seu tráfego está dentro da medição, acompanhe a taxa de consentimento e use sempre a mesma definição. É essa cobertura que diz o quanto você enxerga de um lado só da história.

Não afirmamos quanto do tráfego ou das vendas vem de assistentes de IA, nem que esse efeito seja grande ou pequeno: nenhuma das fontes oficiais consultadas traz esse número, e uma estatística sem estudo aberto não entra aqui. Também não descrevemos como um assistente específico envia visitas ao seu site. Se essa informação for importante para você, procure a documentação do produto e confirme antes de usar.

• Marketing Mix Modeling (MMM): o que é e quando usar
• Jornada do cliente na era da IA

Em parte. Não existe um número exato, mas dá para chegar a indícios combinando a pergunta de origem no cadastro, testes de incrementalidade em nível agregado e modelos de mix de marketing com dados semanais. Nenhum deles segue pessoas, e cada um cobre uma parte do quadro. A conclusão honesta é uma faixa de confiança.

Porque a conversa acontece fora do seu site e, depois dela, a pessoa pode digitar o endereço ou buscar o nome da marca. Nos modelos de atribuição do GA4, as visitas diretas não recebem crédito, salvo caminhos formados só por visitas diretas. A documentação consultada não descreve o caso de cada assistente.

A pergunta em si é uma informação que a pessoa fornece em um contexto claro. Ainda assim, colete só o necessário para a finalidade, informe para que usará a resposta e evite ligar a resposta a identificadores sem necessidade. Para cookies e tags de medição, o consentimento do visitante continua necessário e deve ficar registrado.

Comece pelo mais barato: acrescente a pergunta de origem no cadastro ou no checkout, inclua assistentes de IA entre as opções e acompanhe por um trimestre. Em paralelo, registre as ações de conteúdo com data. Com esse histórico, o teste e o modelo agregado ficam mais fáceis de montar e de interpretar.

Quer que o consentimento do seu site chegue íntegro à medição, com prova? Fale com a gente e vemos juntos o que o seu site precisa.