--- title: "Menções em IA e visitas ao site: o que o estudo da Profound permite afirmar" description: "Mais de dois milhões de conversas ajudam a investigar visitas após menções de marcas. Entenda a comparação, os limites causais e o que a ausência de referência não prova." canonical: "https://tropk.ai/recursos/pesquisas/mencoes-em-ia-e-visitas-ao-site" last_modified: "2026-10-12T16:14:20.158Z" --- # Menções em IA e visitas ao site: o que o estudo da Profound permite afirmar Revisado em 2026-10-06. ## O que está em investigação Esta é uma leitura editorial da Tropk, revisada em 6 de outubro de 2026, de uma pesquisa da Profound publicada em 1º de julho. Os dados e a análise estatística pertencem à Profound. A pergunta é se usuários que encontram uma marca em uma [resposta de IA](/recursos/glossario/resposta-de-ia) visitam seu site posteriormente com mais frequência do que uma linha de base estimada. O estudo encontra associação positiva; isso não transforma menção em compra nem elimina todas as explicações alternativas. A diferença interessa porque o marketing pode observar uma marca sendo recomendada e não encontrar um clique identificável no analytics. O usuário pode buscar a marca depois, digitar o endereço ou continuar por outro canal. Ao mesmo tempo, uma visita sem referência não revela o que a originou. A análise deve manter essas duas possibilidades abertas, em vez de atribuir todo tráfego direto à IA. ## Pontos importantes - A Profound analisa mais de dois milhões de conversas de um painel consentido nos Estados Unidos, entre janeiro e junho de 2026. - O estudo compara visitas posteriores a uma menção de marca com uma previsão baseada em janelas anteriores. - Os efeitos ajustados são apresentados em pontos percentuais e medem visitas, não vendas ou receita. - A associação observada não elimina interesse prévio nem outras explicações para as visitas. - Separe representação da marca, navegação e resultados de negócio; tráfego sem referência não deve ser atribuído automaticamente à IA. ## Como a Profound construiu a comparação A [pesquisa original](https://www.tryprofound.com/blog/the-ai-mention-effect) usa mais de dois milhões de conversas de janeiro a junho de 2026, de um painel consentido nos Estados Unidos, com navegação e interações em [ChatGPT](/recursos/glossario/chatgpt), [Gemini](/recursos/glossario/gemini) e [AI Overviews](/recursos/glossario/ai-overviews). A exposição exige que a marca apareça na resposta, mas não no [prompt](/recursos/glossario/prompt). São excluídas buscas ou visitas à marca na semana anterior. Visitas nos sete dias seguintes são comparadas a uma previsão linear de três janelas anteriores de sete dias. A incerteza usa bootstrap agrupado por usuário. Há cuidado em reduzir interesse prévio observável, mas não há distribuição aleatória de exposição. Usuários podem estar mais próximos de comprar por razões que a janela anterior não captura. O contrafactual é uma previsão, não um grupo de pessoas idênticas sorteadas para não ver a marca. Essa distinção deve aparecer antes de qualquer promessa comercial. ## Como ler os efeitos reportados O efeito ajustado reportado pela Profound é de 2,07 pontos percentuais no ChatGPT, 3,21 no Gemini e 2,96 nos AI Overviews. Os intervalos de confiança de 95% são, respectivamente, 1,67–2,48; 2,34–4,08; e 2,76–3,17 pontos. Entre primeiras visitas posteriores, 42% ocorreram nas primeiras 24 horas. Esses denominadores e resultados constam no [relatório original](https://www.tryprofound.com/blog/the-ai-mention-effect). O estudo mede visita, não contratação ou faturamento. Pontos percentuais não são percentuais relativos. E um resultado entre pessoas expostas, com filtros específicos, não pode ser multiplicado por todas as visitas do site. A proximidade temporal ajuda a formular hipóteses de influência, mas não identifica sozinha a origem de cada visita. Uma apresentação executiva deve mostrar o resultado e a definição do grupo na mesma tela. ## Três camadas que o relatório de marketing deve separar A primeira camada é representação: a marca apareceu, foi descrita corretamente e se adequava à necessidade? A segunda é navegação: houve visita identificada por referência, [crescimento de buscas pela marca](/recursos/glossario/crescimento-de-buscas-pela-marca) ou outro sinal observável? A terceira é resultado do negócio: o visitante fez uma ação relevante e, quando houver acompanhamento, avançou na relação comercial? Nenhuma dessas camadas substitui as demais. Uma menção favorável pode não gerar visita. Uma visita pode encontrar uma página inadequada. Uma conversão pode ocorrer após várias exposições em canais diferentes. Trabalhar com essas camadas permite identificar o problema antes de escolher a ação: corrigir a informação, melhorar o destino ou revisar a forma de medir. Um indicador único de presença não consegue responder às três perguntas. ## O que a referência de tráfego revela e o que deixa em aberto Uma referência de origem identificável é uma evidência de navegação, mas não reconstrói toda a jornada. Parâmetros podem não estar presentes, a visita pode ocorrer depois e o usuário pode mudar de contexto. A ausência do identificador não deve ser usada para provar ausência de influência. Também não autoriza reclassificar automaticamente sessões diretas ou orgânicas como visitas vindas de IA. A equipe pode combinar séries agregadas de referência, consultas com marca e ações comerciais, documentando mudanças em publicidade, imprensa, eventos e ofertas. Se todos esses sinais crescem ao mesmo tempo, há uma hipótese a investigar. É importante preservar o histórico das campanhas: uma divulgação externa pode aumentar tanto a probabilidade de menção quanto a de visita, sem que uma tenha causado a outra. Perguntas voluntárias de origem em pesquisas com clientes podem acrescentar contexto, desde que a pessoa tenha espaço para relatar mais de um contato e a equipe aceite respostas imprecisas. A lembrança do comprador não é um registro exato de exposição. Ela funciona melhor como evidência complementar do que como mecanismo para preencher, com certeza artificial, toda a atribuição ausente. ## Como testar a hipótese no Brasil A base é norte-americana e o artigo não informa um recorte brasileiro. Hábitos de busca, categorias, idiomas e canais de contato podem ser diferentes. O tamanho de conversas também não equivale ao número de pessoas independentes. Assim, o estudo justifica investigar a jornada local, mas não fornece um coeficiente pronto para prever visitas de uma marca brasileira. Comece por um conjunto estável de perguntas de descoberta e comparação. Registre menções, adequação e fontes por motor. Em paralelo, acompanhe métricas agregadas do site e consultas com marca usando períodos comparáveis. Defina antes quais ações do site representam interesse: ler documentação, pedir demonstração ou iniciar um contato, conforme o negócio. Não altere a definição depois de ver qual número aumentou. Se a equipe corrigir um erro recorrente nas fontes, documente a intervenção e mantenha o acompanhamento. Compare com temas sem intervenção e anote campanhas simultâneas. Esse desenho é uma proposta de aprendizagem operacional, não uma reprodução do painel da Profound. Sem observação de exposição individual e um contrafactual adequado, a conclusão deve continuar sendo compatibilidade entre sinais, não número de visitas causado pela ação. ## Perguntas para uma revisão mensal - A marca apareceu em perguntas que representam necessidades reais, com atributos corretos e ressalvas relevantes? - O destino encontrado pelo comprador explica o que a resposta prometeu? Há continuidade entre informação, página e próximo passo? - A análise distingue referência identificada, hipótese de influência e resultado comercial? Quais campanhas ou mudanças também podem explicar o período? ## Leituras relacionadas Confira [menção em IA](/recursos/glossario/mencao-em-ia), [atribuição](/recursos/glossario/atribuicao) e [tráfego de referência de IA](/recursos/glossario/trafego-de-referencia-ia) antes de comparar métricas. O [prompt de pesquisa e benchmark](/recursos/prompts/pesquisa-benchmark) ajuda a tornar critérios e limitações explícitos. [Monitoramento](/produto/monitoramento) organiza a observação das respostas; [Insights](/produto/insights) ajuda a transformar diferenças em prioridades. A evidência precisa acompanhar a recomendação, inclusive quando ainda não permite concluir a origem de uma visita. ## Fontes e referências - [The AI Mention Effect]() — Profound — Nikolas Laskaris ## Perguntas frequentes ### O estudo da Profound prova que uma menção em IA causa uma visita ao site da marca? Não. A pesquisa da Profound identifica associação entre exposição a uma marca em respostas de IA e visitas posteriores, usando filtros e uma previsão baseada em períodos anteriores. A exposição não foi distribuída aleatoriamente, e fatores não observados podem influenciar a visita. O estudo mede navegação, sem demonstrar automaticamente compra ou receita causada pela menção. ### Qual população e período foram analisados pela Profound no estudo sobre menções em IA e visitas? A Profound utilizou mais de dois milhões de conversas de janeiro a junho de 2026, de um painel consentido nos Estados Unidos com interações em ChatGPT, Gemini e AI Overviews. A análise acompanha visitas nos sete dias posteriores a menções de marca e aplica filtros de interesse prévio. O relatório não apresenta um recorte representativo do Brasil. ### Como interpretar os efeitos de 2,07, 3,21 e 2,96 pontos no estudo da Profound sobre visitas após menções? Os efeitos ajustados reportados são de 2,07 pontos percentuais para ChatGPT, 3,21 para Gemini e 2,96 para AI Overviews, dentro dos grupos e do método do estudo. Pontos percentuais não são percentuais relativos. Esses resultados medem visitas posteriores e não podem ser multiplicados por todas as visitas de um site nem convertidos diretamente em vendas. ### A ausência de referência de IA no analytics significa que uma visita não foi influenciada por IA? Não. Uma pessoa pode conhecer uma marca em uma resposta de IA e visitar o site depois por busca, endereço digitado ou outro canal. A ausência de referência também não prova influência de IA. Combine métricas agregadas, consultas com marca e contexto de campanhas, mantendo separados tráfego identificado, hipótese de influência e resultados comerciais. ## Continue a leitura - [Atribuição]() - [Menção em IA]() - [Prompt para escrever uma pesquisa ou benchmark]() - [Recomendação em IA]() - [Tráfego de referência de IA]() - [Monitoramento de respostas em IA]() - [Insights e oportunidades]() ## Sobre o autor [Luiz Gardelin]() Luiz Gardelin é fundador da Tropk.ai e atua em GEO/AEO, visão de produto, estratégia e crescimento, ajudando marcas a entender e melhorar sua presença nas respostas de IA. --- [Todas as páginas em Markdown]()