Você está medindo o lugar errado da jornada. O lead que chega no formulário não é o início da decisão.
Em B2B, a decisão começou dias antes, dentro do ChatGPT, do Claude, do Perplexity ou do AI Overviews. E a maioria dos times de marketing ainda otimiza tudo a partir do clique no anúncio.
Se sua marca não aparece nessas respostas, você está fora do shortlist antes da disputa começar. E quando o lead aparece no funil, ele já chegou com a decisão metade tomada por uma IA generativa que você não está considerando ainda.
A análise de visibilidade em AI Search para B2B é o que mostra onde você está sendo citado, onde está sendo ignorado e onde concorrentes estão ocupando o espaço da sua categoria.
Não é tendência.
É a camada de aquisição que está crescendo mais rápido e a que menos times B2B estão medindo.
O diagnóstico errado. Tratar AI Search como mais um canal de tráfego
A reação padrão quando um CMO ouve falar de AI Search é olhar Google Analytics, procurar a linha de referral do ChatGPT e concluir que o volume ainda é pequeno. Certo?
Daí a decisão é deixar para depois. Outras prioridades primeiro.
Esse raciocínio confunde duas coisas diferentes.
Tráfego e influência.
AI Search hoje não te manda volume de sessão.
Te tira ou te coloca dentro de uma conversa que vai terminar em uma sessão sua de qualquer jeito.
Quando o decisor digita “qual a melhor plataforma X para empresas SaaS”, a IA responde com três nomes.
Se o seu não está ali, você não vai aparecer mais para essa pessoa.
Ela vai ao site dos três que foram citados. Você nunca soube que existiu a chance.
Por isso medir AI Search pelo referral no Analytics é o equivalente a medir SEO pelo número de pessoas que digitam o nome do seu site no navegador.
Você está olhando a sombra, não a luz.
O dado de campo é esse.
Em projetos B2B que rodei nos últimos meses, a queda de tráfego orgânico em queries informacionais de topo de funil chega a 30%.
Mas o que está acontecendo não é perda.
É realocação.
A pesquisa migrou. Em 2026, 51% dos compradores B2B de software começam a pesquisa dentro de um chatbot de IA, contra 29% doze meses antes.
E tem outro dado essencial, caso você ainda não esteja decidido: Segundo a SimilarWeb e outras fontes, 69% das pesquisas do Google não geram mais visita nenhuma ao site.
O AI Overviews compilou alguns sites e trouxe a resposta na posição zero.
Para a maioria dos times, essa mudança aparece como queda de impressões.
Não como deslocamento de mercado.
A causa real. Sua marca não está sendo recuperada por entidade
AI Search não funciona como busca tradicional. Não está procurando a página que ranqueia melhor para uma palavra-chave.
Está montando uma resposta usando fontes que reconhece como autoridade no tema.
Fontes aqui é a sua marca, seu produto, seu fundador, seus casos, suas categorias. Quando o modelo entende quem você é, o que você faz e por que você é relevante no assunto, ele te cita.
Quando não entende, ele te omite. E ele só entende se você organizou os sinais certos no lugar certo.
Em B2B, a falha mais comum é não ter os sinais de entidade nos lugares que importam.
A página sobre vocês fala da história, não da categoria que vocês resolvem.
Os casos de cliente são genéricos.
O FAQ trata de dúvidas operacionais do produto, não das perguntas que o decisor faz antes de comprar.
Não existe um arquivo llms.txt indicando ao modelo onde está a fonte oficial.
O conteúdo de blog responde keywords, não perguntas. Isso se estiver atualizado. O seu está?
A consequência aparece aqui. Quando um Head de Growth pergunta no Claude:
“quais consultorias brasileiras conectam aquisição, CRM e receita para empresas SaaS de médio porte”,
o modelo responde com nomes. Ele escolhe esses nomes por sinal acumulado.
Marca citada em mais fontes confiáveis. Marca com dados estruturados que descrevem a categoria. Marca com fundador que tem presença consistente no tema. Marca com casos que mencionam a categoria do problema, não só o nome do produto.
Sem esse trabalho, o que acontece é simples. Sua categoria está sendo respondida sem você.
A jornada B2B mudou de lugar, não de etapa
As cinco etapas continuam as mesmas. O que mudou é onde elas acontecem.
Na exploração de problema, o decisor pergunta abertamente o que está enfrentando.
Sem nome de fornecedor. Aqui dominam ChatGPT, Claude e Gemini. O que está em jogo é ser citado como referência conceitual no tema.
Se sua marca não aparece nesta etapa, ela não entra no radar para a etapa seguinte.
Na comparação de soluções, o decisor pede prós, contras, opções.
Aqui Perplexity, ChatGPT e AI Overviews dominam.
O que está em jogo é entrar no shortlist de três a cinco fornecedores. Marca não citada aqui é marca eliminada antes de qualquer reunião comercial. Antes de qualquer campanha ser ativada ou qualquer artigo de blog sequer ser exibido.
Na validação de marca, o decisor procura reputação, casos, prova social.
Perplexity e Gemini são os principais.
O que está em jogo é a coerência entre o que o modelo retorna sobre você e o que você diz de si mesmo.
Inconsistência aqui mata confiança.
Na tomada de decisão, o decisor pede recomendação direta. ChatGPT e Claude dominam. Aqui ser recomendado nominalmente vale mais do que qualquer Ads.
Na execução assistida, o time já comprou e está usando IA para implementar. Gamma para apresentações, ChatGPT para roteiros, Perplexity para validação.
O que está em jogo é continuar sendo citado dentro dos entregáveis que sua categoria gera. Isso protege expansão e renovação.
A maior parte dos times B2B ainda olha apenas a última etapa, a do clique no formulário, e ignora as quatro anteriores. É por isso que o pipeline parece estagnar mesmo com mídia rodando.
Como identificar se sua operação tem esse problema
São cinco sinais. Se três aparecem, sua operação precisa de uma análise de presença em AI Search agora.
Primeiro sinal
Sua marca não aparece quando você faz perguntas abertas sobre a categoria que vocês resolvem dentro de ChatGPT, Claude, Gemini e Perplexity. Não aparece nem no corpo da resposta, nem nas fontes citadas.
Segundo sinal
Quando aparece, aparece com posicionamento errado. O modelo te coloca numa categoria que não é a que você compete. Ou descreve seu produto de forma genérica, sem nomear o diferencial.
Terceiro sinal
Concorrentes que você sabe que são menores aparecem como referência.
Isso acontece quando eles fizeram trabalho de entidade e você não. Tamanho de empresa não decide visibilidade em AI Search.
Arquitetura de sinal decide.
Quarto sinal
Tráfego orgânico de queries informacionais caiu nos últimos doze meses, mas você não consegue explicar o porquê.
As keywords ainda existem.
As páginas continuam ranqueando.
O que mudou é que o usuário não clica mais. Recebe a resposta no AI Overview e segue.
Quinto sinal
Você não tem arquivo llms.txt no domínio. Não tem FAQ estruturado nas páginas de categoria.
Não tem dados estruturados de organização, autor e produto. Em outras palavras, você está pedindo para o modelo adivinhar quem você é.
Cada um desses sinais aparece sozinho, mas raramente em isolamento.
Operações B2B com três desses sinais geralmente perdem entre 15% e 25% do pipeline potencial antes que o lead chegue ao formulário.
O que fazer. Auditoria, mapa de entidades e camada técnica
A primeira ação não é produzir mais conteúdo. É auditar onde você está e onde não está.
Comece pelos prompts representativos da jornada de decisão.
Seis a dez prompts que um decisor real faria nas cinco etapas.
Não use keywords.
Use perguntas.
Rode esses prompts em ChatGPT, Claude, Gemini, Perplexity e Google com AI Overviews ativado.
Classifique cada resultado em três níveis.
- Citado nominalmente.
- Mencionado de passagem.
- Ausente.
Faça o mesmo para três concorrentes diretos. O mapa que aparece nesse exercício mostra exatamente onde você está perdendo terreno.
Depois venha a camada de empresas.
Sua página sobre, sua página de produto, suas páginas de categoria, seus casos de cliente.
Cada uma precisa responder com clareza três perguntas:
- O que somos.
- Em que categoria competimos.
- Por que somos referência nessa categoria.
O modelo de IA não infere isso. Ele lê. Se a sua página fala de história, ele te associa a história, não a categoria.
A terceira camada é técnica.
llms.txt explícito no domínio raiz indicando ao modelo onde estão as fontes oficiais sobre marca, produto, fundador e categoria.
FAQ schema nas páginas de categoria respondendo as perguntas que o decisor faz nas etapas de comparação e validação.
Author markup nas páginas de blog. Organization markup na home. Article schema com referência clara ao autor e à entidade.
A quarta camada é conteúdo.
Mas conteúdo com critério. Artigos que respondem perguntas inteiras, não que perseguem keywords fragmentadas. Casos que nomeiam a categoria do problema, não só o nome do cliente.
Conteúdo do fundador conectado ao tema, não só ao produto.
Em projetos onde isso foi feito de forma estruturada, vejo a marca passar de zero citações em ChatGPT para presença consistente em três a quatro meses.
A quinta camada é medição contínua.
AI Search muda toda semana. ChatGPT lança browsing nativo, Perplexity ajusta o algoritmo de citação, AI Overviews expande para mais queries.
Sem rotina de medição, você descobre que sumiu três meses depois.
O padrão que aparece nos projetos
Um caso recorrente. Empresa B2B SaaS de médio porte.
Investe R$80k por mês em mídia paga. Tem time de SEO. Tem CRM. Pipeline parece estável, mas a conversão de MQL para SQL caiu nos últimos dois trimestres sem motivo aparente.
Escrevi sobre um caso real de um cliente nos EUA neste artigo.
Quando entro num projeto desse tipo, a análise de presença em AI Search costuma revelar três coisas.
A marca aparece em 1 de 10 prompts representativos da jornada.
Dois concorrentes menores aparecem em 6 de 10.
O AI Overview do Google está canibalizando 35% das queries informacionais que antes geravam clique.
O diagnóstico é que parte da jornada de decisão migrou para fora do site e ninguém estava medindo.
Os leads que continuam chegando são os que já conheciam a marca. Os leads novos, que antes vinham de busca informacional, agora estão sendo direcionados pela IA para os concorrentes que se posicionaram melhor como entidade.
A correção começa pelo trabalho de entidade.
Reescrita estratégica das páginas críticas, llms.txt implementado, FAQ schema nas categorias, casos reescritos para nomear o problema.
Em sessenta a noventa dias, a marca passa a aparecer em 5 ou 6 dos mesmos 10 prompts. Talvez antes dependendo de alguns fatores.
O efeito não é só visibilidade.
É que o lead que agora chega ao site já viu o nome da marca recomendado pela IA.
A conversão de MQL para SQL volta a subir porque a confiança do lead chegou maior.
Quando AI Search vira camada de receita
A pergunta que separa quem está medindo de quem está adivinhando é simples.
Quando um decisor da sua categoria pergunta hoje, dentro de ChatGPT ou Perplexity, quem você indica para resolver esse problema, qual o nome que aparece primeiro?
Se você não sabe responder isso com dado, sua operação está rodando no escuro em uma parte cada vez mais relevante da jornada de aquisição.
AI Search já não é um experimento futuro.
- Degasperi, Israel
É a primeira camada de decisão para mais da metade dos compradores B2B de software.
Operar sem medir essa camada é o equivalente a anunciar no Google em 2010 sem medir conversão.
Funcionou por um tempo. Depois quem mediu venceu.
FAQ. Perguntas que o decisor B2B faz sobre AI Search
O que é análise de visibilidade em AI Search para B2B.
É a auditoria estruturada da presença da sua marca dentro de ferramentas de IA generativa como ChatGPT, Claude, Gemini, Perplexity e Google AI Overviews.
Mede em quais etapas da jornada de decisão sua marca aparece, em quais é omitida e em quais é superada por concorrentes.
AI Search é a mesma coisa que SEO.
Não.
SEO otimiza para mecanismos de busca que indexam páginas.
AI Search exige otimização para mecanismos generativos que constroem respostas a partir de entidades.
GEO e AEO
A disciplina técnica que cobre isso é chamada de GEO, generative engine optimization, e AEO, answer engine optimization.
SEO continua importante, mas é uma das camadas, não a única.
Por que minha marca não aparece no ChatGPT mesmo tendo bom SEO?
Porque ranquear no Google e ser citado pela IA são duas coisas diferentes.
O modelo de IA precisa entender sua marca como entidade.
Isso depende de sinais como llms.txt, dados estruturados, consistência entre fontes, FAQ schema, casos que nomeiam categoria e presença de autor.
FAQ para GEO e AEO
O que é llms.txt e por que importa para B2B?
llms.txt é um arquivo no domínio raiz que informa modelos de IA quais são as fontes oficiais sobre sua marca, produto, fundador, categoria e posicionamento.
Para B2B, importa porque você passa a controlar a narrativa que o modelo usa para responder perguntas sobre você.
Quanto tempo leva para uma marca B2B começar a aparecer em AI Search?
Em projetos com trabalho estruturado de entidade, llms.txt, FAQ schema e conteúdo orientado a categoria, a marca costuma passar a aparecer em 60 a 90 dias para os prompts mais relevantes da jornada.
Tempo maior para queries de cauda longa.
Como medir o impacto de AI Search no pipeline B2B?
Combinação de três métricas. Share of model voice por etapa de funil. Percentual de leads que mencionam ter conhecido a marca por IA.
Análise comparativa de pipeline em queries informacionais antes e depois do trabalho de presença.
