Como rastrear o tráfego do modo Google AI no Search Console
Em 3 de junho de 2026, o Google introduziu relatórios de desempenho de IA generativa de pesquisa no Search Console, visualizações dedicadas de impressões em recursos de IA generativa na Pesquisa, como visões gerais de IA e modo de IA. Por fim, há relatórios oficiais de visões gerais de IA que mostram com que frequência esses recursos envolvem suas páginas. O que não inclui são as consultas por trás da atividade de IA, e o relatório é apenas da interface do usuário. Verifiquei novamente em minha própria propriedade em 11 de agosto de 2026 que nem a API Search Analytics nem a exportação em massa do BigQuery expõem os dados generativos de IA, portanto, não há uma maneira oficial de rastrear o tráfego do modo AI no nível da consulta.
Exceto que as perguntas aparecem de qualquer maneira. Fragmentos de conversas reais de IA, respostas como “sim, continue”, acompanhamentos e solicitações inteiras coladas começaram a aparecer como consultas comuns no relatório de desempenho. Anastasia Kourou postou sobre as estranhas strings no LinkedIn, e John Mueller do Google respondeu, confirmando que esses dados sempre estiveram disponíveis no relatório de desempenho e apontando para a documentação do Google.
Escrevi o relato completo com 16 meses de meus próprios dados separadamente e implantei meu método de extrair essas consultas por meio de meu MCP do Google Search Console, então o que se segue são apenas as maneiras práticas de extrair as consultas de IA no Search Console para o aberto, além de uma ferramenta gratuita desenvolvida por meu próprio modelo de aprendizado de máquina personalizado que faz isso para você.
A corrida pelas consultas
Assim que o vazamento se tornou público, os SEOs começaram a criar maneiras de retirar essas dúvidas.
A onda inicial, em junho de 2025, era a regex de contagem de palavras, trazendo à tona longas consultas de conversação apenas por comprimento, qualquer coisa com mais de 32 palavras, por exemplo. Barry Schwartz completou essas primeiras tentativas, creditando Metehan Yeşilyurt, Vijay Chauhan e David Konitzny. As abordagens ficaram muito mais específicas desde então.
Método 1: inventário completo de Glenn Gabe no Excel
A IU do relatório de desempenho limita qualquer tabela a 1.000 linhas, portanto, em um site grande, a maioria dos dados de consulta permanece oculta antes de você começar. A resposta de Glenn Gabe é pular a IU. Ele extrai o conjunto completo de consultas por meio da API Search Analytics usando o Analytics Edge no Excel e, em seguida, faz com que Claude organize a lista e sinalize prováveis consultas no modo AI. Se você já usa Excel, isso coloca todo o inventário dentro do fluxo de trabalho que você conhece.
Método 2: Regex personalizado de Jean-Christophe Chouinard
Jean-Christophe Chouinard perseguiu o mesmo problema no interior do relatório. Em 14 de agosto de 2026, ele publicou uma regex no LinkedIn que sinaliza strings de conversação diretamente no filtro de consulta do relatório de desempenho, usando a opção Regex personalizada. Ele o construiu comparando prompts que as pessoas normalmente digitam em LLMs, a partir de dados aos quais ele tem acesso, com strings raramente vistas no GSC antes das visões gerais de IA.
O resultado é uma longa alternância abrangendo verbos de alerta (escrever, redigir, gerar, resumir, explicar, agir como), saudações, agradecimentos (sim, ok, parece bom, sim, continue), recusas e acompanhamentos (mais, continue, mostre-me mais, quaisquer outras opções). Cole-o no filtro e você terá uma visão instantânea e gratuita do relatório que você já abriu.
Separadamente, seu estudo de caso de 12 de janeiro de 2026 mostrou que os cliques do modo AI são rastreados no Search Console, mas as consultas por trás deles são quase exclusivamente anônimas, uma advertência que paira sobre todos os métodos aqui.
Método 3: Visualizador GSC avançado de Amin Foroutan
O Advanced GSC Visualizer de Amin Foroutan é uma extensão gratuita do Chrome que agrega gráficos avançados, anotações e um assistente de IA aos dados do Search Console, com acesso à API com um clique. Não há filtro específico do modo AI nele.
Método 4: meus servidores MCP
Meu Search Console MCP tem o detector de conversa integrado como uma ferramenta chamada genai_conversation_queries, e meu BigQuery MCP executa o mesmo detector na exportação em massa, que é onde reside o conjunto anônimo de consultas. Ambos são executados localmente, portanto, seus dados são transferidos apenas entre você e o Google. O que eles fazem bem é automação e escalabilidade com rótulos em nível de consulta em cada linha. O limite é a configuração e não a detecção, pois você precisa de um cliente MCP e de uma configuração, para que sejam adequados aos usuários técnicos.
Os 4 métodos lado a lado
| Método | Forte em | Limites |
|---|---|---|
| Glenn Gabe, API em Excel com Claude | Inventário de consulta completo em um fluxo de trabalho do Excel | Classificação por execução, baseada em padrões |
| Jean-Christophe Chouinard, regex personalizado | Filtro gratuito instantâneo dentro do relatório | Lista de padrões em inglês |
| Amin Foroutan, visualizador avançado do GSC | Mapeando e explorando sem exportações | Nenhum filtro específico do modo AI |
| Meus MCPs | Automação e escala, rótulos em cada consulta | Precisa de um cliente MCP e configuração |
Olhe para baixo na coluna Limites e os três primeiros compartilham uma lacuna. As listas de padrões e a classificação por execução não podem detectar de forma confiável casos extremos, como sondagens de rastreador de classificação, prompts de aproveitamento de agente, strings coladas ou sondagens “minha localização é”. Eles também foram criados para o inglês, portanto, uma resposta em Tamil ou uma string Hinglish misturada com código passa sem rótulo. O Método 4 resolverá esse problema com um modelo de ML personalizado.
Por que isso precisa de um modelo de ML
Classificar cada consulta em intervalos nomeados, entre idiomas, com as estranhas strings geradas por máquina incluídas, é muito difícil de ser feito com precisão com métodos convencionais. Porque existem muitos casos extremos, etc. Portanto, a única maneira confiável de fazer isso funcionar é treinar um modelo de aprendizado de máquina.
Então decidi construir um.
Como construí o detector
O detector tem duas partes. As regras determinísticas possuem as classes exatas (artefatos de resposta, sondagens de rastreador, prompts de aproveitamento do agente) e um modelo treinado possui a fronteira difusa entre conversacional, cauda longa e comum.
O modelo é o xlm-roberta-base do FacebookAI, pré-treinado em 100 idiomas e ajustado em meu próprio escapamento de conversa do Search Console, além de linhas sintéticas em oito idiomas, incluindo Tanglish e Hinglish misturados com código. Eu o validei em pouco mais de 120.000 consultas pontuadas e o treinei novamente duas vezes em caso de falha. Ele é executado quantizado em um contêiner Cloudflare de escala zero, e o mesmo modelo agora alimenta uma ferramenta gratuita que qualquer pessoa pode usar sem qualquer configuração.
A ferramenta
Essa ferramenta é o classificador de consultas AI Mode e AI Overview, gratuito neste site, e você não precisa se inscrever ou me fornecer seu e-mail.
Se a rota GSC MCP parecia um esforço, este é o mesmo detector com esse esforço removido.
Como funciona
Solte as exportações de consulta do Search Console ou do BigQuery como CSV e vários arquivos serão empilhados em uma única execução.
Etapa 1: O modelo classificará suas consultas em um dos sete grupos.
Etapa 2: Se você adicionar um relatório de IA generativo do Search Console, a ferramenta extrairá os dados da página e os mapeará em relação às suas consultas. (No seu relatório, você verá uma coluna “Página de IA”. Você verá o URL completo ao exportar o CSV.)
As regras determinísticas rotulam os baldes óbvios diretamente no seu navegador, e essas consultas nunca saem do seu dispositivo. Faço isso porque quero minimizar a quantidade de dados que processo e para ajudar a acelerar as coisas.
Todo o resto vai para o modelo, é classificado na memória e nada disso é armazenado. Cada consulta retorna com um intervalo e uma pontuação de confiança. Em palavras simples, os grupos são consultas de conversação completas, respostas curtas como “sim, continue”, pivôs de acompanhamento como “e o plano profissional”, sondagens de rastreador de classificação, prompts de aproveitamento do agente, strings coladas e pesquisas comuns. Você pode filtrar por intervalo, classificador e confiança e, em seguida, exportar cada linha rotulada para CSV sem limite de linha.
Como usá-lo
Cinco etapas, do início ao fim.
- Tire suas dúvidas. Em cerca de 1.000 consultas, a exportação normal do relatório de desempenho já está concluída. Sites maiores podem empilhar várias exportações filtradas, extrair a lista completa por meio da API com Search Analytics for Sheets ou Looker Studio ou despejar a tabela de exportação em massa do BigQuery para CSV. Se você é um SEO, já sabe como obter mais de 1.000 consultas do GSC.
- Solte o CSV ou CSVs na página.
- Pressione Classificar.
- Filtre ou pesquise a tabela rotulada.
- Exporte o CSV rotulado.
Limitações
A ferramenta lida confortavelmente com até 100.000 consultas exclusivas por execução no navegador, e uma grande execução precisa que a guia seja mantida aberta, o que eu aceito ser uma maneira muito 2010 de calcular. O segundo limite se aplica a todas as formas de rastrear o modo AI no Google Search Console, inclusive o meu. O Google anonimiza consultas raras; sequências de conversação são raras e parte do pool nunca é exibida, portanto, trate os resultados de saída como uma contagem insuficiente. Minha exportação do BigQuery mostra 57,7% das minhas impressões no pool anônimo nos últimos 59 dias, medidos em 11 de agosto de 2026.
O modelo me custa dinheiro real para funcionar e, como você já me conhece, não vendo nada e nenhuma das minhas ferramentas exige qualquer forma de inscrição ou acesso pago. Então tenho que colocar algumas limitações e limites para que todos possam usar essa ferramenta.
Então, por favor, jogue bem. Você não quer ser a pessoa que estraga as coisas.
A ferramenta está em versão beta e, se muitas pessoas começarem a usá-la, ela ficará mais lenta e o processamento poderá demorar mais. Nesse caso, espere e tente novamente.
Além disso, observe que ofereço meu tempo e experiência gratuitamente, portanto, não exijo suporte ao cliente, etc. Sim, tenho que escrever essas coisas porque algumas pessoas não agem como adultos razoáveis.
Mais de 100.000 consultas
Acima de 100.000 consultas exclusivas, precisamos executar uma execução em lote. Envie o seu e minha agência o executará como um trabalho em lote adequado e, em seguida, enviará por e-mail os resultados completos. Também podemos transformar as descobertas em um relatório completo e prático ou ajudar em seu trabalho mais amplo de AI SEO.
Mais recursos:
Este post foi publicado originalmente no Suganthan.
Imagem em destaque: Roman Samborskyi/Shutterstock
