O problema do ROI com o tráfego de IA que ninguém está medindo corretamente
Os mecanismos de busca foram projetados para fazer várias coisas ao mesmo tempo: classificar um campo de opções, encaminhar o usuário para uma delas e manter o ser humano dentro da decisão para que o mecanismo nunca seja o dono da escolha. Essa última parte não foi um acidente. Foi a arquitetura de responsabilidade. Grandes modelos de linguagem foram construídos sem nada disso. Eles foram construídos para responder diretamente à pergunta, o que é um trabalho totalmente diferente, e as escolhas de design que se seguem mudam a aparência da visibilidade, a aparência do risco e a palavra ROI honestamente, pode significar quando aquilo que está enviando tráfego para você nunca foi criado para enviar tráfego.
Dois sistemas, dois empregos
A descrição do trabalho de um mecanismo de pesquisa é longa. Ele rastreia a web, indexa-a, classifica um conjunto de resultados candidatos em relação a uma consulta, apresenta-os como uma lista classificada e espera que o humano tome uma decisão de clique. O próprio SERP vem caminhando em direção à retenção há anos, com galerias, rich snippets, caixas de resposta, mapas locais, carrosséis de vídeo e visões gerais de IA, todos em camadas com recursos que mantêm o usuário na página por mais tempo e direcionam menos deles para sites de terceiros. Mas o contrato subjacente era sempre o mesmo. O motor oferece opções. O usuário seleciona um. O usuário é dono da escolha.
Um LLM não oferece opções. Produz uma resposta. A citação, quando aparece, não está funcionando como instrumento de encaminhamento. Está mais próximo de um artefato de aterramento produzido por um pipeline de recuperação, ou em alguns enquadramentos, uma proteção de confiança, ou ambos ao mesmo tempo. Qualquer que seja a leitura de sua preferência, nenhuma delas descreve um sistema projetado para enviar tráfego para outro lugar. O sistema foi projetado para resolver a questão no local.
Essa distinção está subjacente a todas as conversas métricas neste espaço. Quando os profissionais perguntam qual é a taxa de referência do LLM, como é o número de tráfego atribuído, qual é o clique de uma resposta de IA, eles estão fazendo perguntas que pressupõem um mecanismo de roteamento que não faz parte da arquitetura. Qualquer tráfego que chegue é um subproduto, não um objetivo de design, e confundir os dois é o primeiro erro em quase todas as conversas sobre ROI de visibilidade de IA.
A superfície de responsabilidade mudou
O humano na decisão do clique foi o escudo do SERP. Se o link selecionado pelo usuário levasse a algum lugar prejudicial, enganoso ou difamatório, o mecanismo poderia apontar para a lista de opções e para a agência do próprio usuário na escolha de uma. O motor não publicou a reivindicação. Foram apresentadas 10 fontes candidatas, o usuário escolheu uma e o que aconteceu a seguir não foi o resultado editorial do mecanismo. Esse não é um recurso pequeno. Essa é a razão pela qual as proteções da Seção 230 foram estruturadas da maneira que foram, e por que a classificação algorítmica tem sido tradicionalmente tratada como algo diferente do discurso direto.
Os LLMs não têm escudo equivalente para apoiar. O sistema produz a resposta diretamente, com sua própria voz, sem campo de opções ou fonte selecionada pelo usuário. A superfície de responsabilidade que o SERP foi projetado para descarregar depende do modelo que produz o resultado, e os casos que já tramitaram nos tribunais estão começando a esboçar as bordas dessa superfície.
Walters v. OpenAI foi rejeitado em julgamento sumário em maio de 2025, e a decisão baseou-se fortemente nas isenções de responsabilidade da OpenAI e em um leitor sofisticado que sabia razoavelmente que o chatbot poderia ter alucinações. Essa leitura protege chatbots de consumo de uso geral em um tipo de caso muito específico. Ela não protege todos os produtos que utilizam um modelo de linguagem. Num assunto separado, a Air Canada foi responsabilizada pelas declarações falsas do seu chatbot de atendimento ao cliente sobre a sua própria política de tarifas de luto, porque um cliente poderia razoavelmente confiar no agente de suporte da marca de uma companhia aérea para obter informações precisas sobre as políticas dessa companhia aérea. Confiança razoável é o termo jurídico chave, e quanto mais especializado e confiável o chatbot parecer, mais difícil se tornará a defesa da isenção de responsabilidade.
O litígio ativo ainda está mapeando a fronteira. A OpenAI está atualmente enfrentando vários processos judiciais vinculados a alegações de que o ChatGPT levou os usuários ao suicídio ou a delírios prejudiciais, vários deles envolvendo menores. O caso de direitos autorais do New York Times contra a OpenAI foi autorizado a prosseguir por um juiz federal em março de 2025, e a Anthropic fez um acordo com os autores de livros em agosto de 2025 por uma quantia estimada em bilhões. As reclamações europeias sobre o GDPR continuam a passar pelo Noyb. Batalha v. Microsoft ainda está no ar. Nenhum desses resultados foi resolvido e alguns serão rejeitados com base nos mesmos fundamentos de isenção de responsabilidade que resolveram Walters. A questão não é que os operadores de LLM perderão todos os casos. A questão é que a superfície de responsabilidade agora cabe ao sistema que produz o resultado, quer o demandante individual ganhe ou perca, e cada construção de marca contra um LLM herda alguma versão dessa superfície quando utiliza o resultado do sistema no seu próprio trabalho voltado para o cliente.
O problema do denominador
O argumento mais comum contra o investimento no trabalho de visibilidade da IA parece decisivo até que você observe atentamente o que está sendo medido. O argumento é mais ou menos assim: ChatGPT e os outros enviam uma pequena fatia de tráfego de referência, em algum lugar na casa de um dígito do total de entrada, então por que realocar o orçamento para um canal que mal move a agulha? A pesquisa da Conductor estima a parcela combinada de referências de IA em cerca de 1% do tráfego do editor. Esse número é real. À primeira vista, parece encerrar a questão do ROI de forma clara.
Não fecha nada. O problema é o denominador.
Embora a parcela de tráfego da IA permaneça praticamente estável, o volume absoluto de tráfego orientado por pesquisa entrou em colapso na maioria das categorias de editores. Os dados da Similarweb mostram que o tráfego orgânico para editores de notícias caiu de cerca de 2,3 mil milhões de visitas mensais em meados de 2024 para menos de 1,7 mil milhões em maio de 2025, uma perda de mais de 600 milhões de visitas em menos de um ano. O tráfego de pesquisa do Business Insider caiu 55% entre abril de 2022 e abril de 2025, o HuffPost perdeu cerca de metade de suas referências de pesquisa e o The New York Times viu a participação de pesquisa em seu tráfego de desktop e celular cair de 44% para 37%. As pesquisas sem clique subiram de 56% para 69% entre maio de 2024 e maio de 2025, à medida que as visões gerais de IA se expandiam em todo o SERP. Uma pesquisa do Reuters Institute com 280 líderes de mídia no final de 2025 descobriu que eles esperam outro declínio de 43%, em média, nos próximos três anos.
Lido neste contexto, uma percentagem estável de um bolo em contracção não é estável. É uma perda. Os céticos que apontam para o número de 1% estão a medir a quota relativa de uma base de tráfego que está a contrair-se abaixo deles e estão a tratar uma queda absoluta como se fosse um estado estacionário. A verdadeira questão não é se os LLMs já estão enviando tráfego significativo. A verdadeira questão é se o canal que costumava enviar tráfego significativo ainda está fazendo o que costumava fazer, e a resposta é visivelmente não. O denominador está se movendo e qualquer cálculo de ROI ancorado no denominador antigo é um cálculo do ambiente anterior, não do atual.
O que dizem os bilhões
Se os argumentos da intenção do design e da responsabilidade e do denominador ainda deixam margem para dúvidas, o último lugar a procurar é a preferência revelada. O que as empresas com os dados internos mais completos sobre o comportamento dos usuários estão realmente fazendo com seu capital?
A resposta é inequívoca. Os cinco maiores fornecedores de infraestruturas de nuvem e IA dos EUA comprometeram-se entre 660 e 690 mil milhões de dólares em despesas de capital em 2026, quase duplicando os níveis de 2025. Só a Alphabet está a apontar para entre 175 e 185 mil milhões de euros em 2026, mais do que duplicando os seus gastos de 91 mil milhões em 2025. Microsoft, Amazon, Meta e Oracle estão apresentando curvas agressivas semelhantes. O número que mais importa, e que neutraliza o contra-argumento habitual, vem dos estrategistas de crédito do Bank of America que estimam que o investimento em IA atingirá 94% dos fluxos de caixa operacionais em 2025 e 2026, acima dos 76% em 2024.
Essa não é a forma de uma cobertura defensiva. Um hedge é uma fração do fluxo de caixa, utilizado para evitar ser pego de surpresa se a aposta de um concorrente compensar. As empresas não colocam 94% do fluxo de caixa operacional numa categoria durante dois anos consecutivos, a menos que a liderança acredite genuinamente que a categoria é o negócio. E essas equipes de liderança têm acesso a dados que o resto de nós não tem. Eles podem ver dentro de seus próprios produtos, suas próprias mudanças de comportamento de usuário, suas próprias análises de coorte, suas próprias conversas de pipeline empresarial. Estão legalmente obrigados a distribuir o capital dos acionistas de uma forma que reflita o que realmente veem, e o que estão a aplicar é a arquitetura que produz respostas diretas em vez de listas ordenadas de opções. Para acreditar que a pesquisa tal como a conhecíamos continua a ser o padrão ouro, é preciso acreditar que dezenas de CEO, conselhos de administração e equipas de liderança sénior com décadas de dados apenas internos estão a ler os seus próprios números de forma errada, enquanto uma indústria externa sem nenhum desses dados está a ler o mercado corretamente. Isso não é lápis.
O lado do comportamento humano da equação apresenta o mesmo ponto em um registro diferente. Todas as tecnologias que poupam trabalho alguma vez introduzidas remodelaram o status quo mais rapidamente do que os seus céticos previam, porque a eficiência cognitiva não é uma preferência. É um comportamento de sobrevivência, ligado a longos períodos em que as calorias eram escassas e os atalhos eram importantes. Quando surge uma nova ferramenta que torna alguma tarefa significativamente mais fácil, a adoção não é uma questão de saber se. É uma questão de quão rápido e ao longo de qual curva. O ChatGPT está agora com cerca de 900 milhões de usuários ativos semanais, acima dos 200 milhões de 18 meses antes, e a categoria completa já ultrapassou um bilhão de usuários ativos em todas as plataformas. O comportamento já mudou. O dinheiro já mudou. A única coisa que não mudou completamente é o quadro de medição que a maioria dos profissionais ainda usa para avaliar o canal.
O que traz a questão de volta àquela que realmente vale a pena perguntar. O que você faz se não houver ROI pela definição antiga e você ainda não puder ignorar o canal? A resposta honesta é que as marcas precisarão investir em um trabalho de visibilidade cujo retorno não seja expresso em cliques ou tráfego de referência, pois cliques e tráfego de referência são artefatos do design anterior. Sendo a fonte citada, a fonte fundamentada, a fonte confiável dentro da resposta é um tipo diferente de visibilidade e precisará de um tipo diferente de medição. As equipes que descobrirem isso primeiro não o farão porque encontraram um caso de ROI que convenceu seu CFO. Eles farão isso porque analisaram as curvas de capex, as curvas comportamentais e as curvas de passivo e concluíram que o canal é o futuro, independentemente de a planilha já saber como pontuá-lo.
Se isso chegar a algum lugar real em seu trabalho, ou se parecer errado de onde você está sentado, eu gostaria de ouvir sobre isso. A mudança que está acontecendo agora é muito grande para o ponto de vista de qualquer praticante, e o melhor sinal que recebo vem das conversas que começam após o término do artigo.
Mais recursos:
Esta postagem foi publicada originalmente em Duane Forrester Decodes.
Imagem em destaque: Krot_Studio/Shutterstock; Paulo Bobita/Mecanismo de busca Jornal
