Quando quem pesquisa é um agente de IA: o que muda pra sua marca

Quando um agente de IA pesquisa no lugar do comprador, sua marca deixa de ser avaliada por uma pessoa e passa a ser avaliada por um extrator de dados. O agente não navega com paciência, não perdoa página confusa e não preenche formulário: ele varre dezenas de fontes, extrai fatos verificáveis, monta um relatório comparativo e descarta quem não entrega dado estruturado. Isso já acontece hoje nos recursos de busca e de deep research do ChatGPT, do Gemini e do Perplexity. E o dever de casa pra entrar nesses relatórios é o mesmo que já vale pra ser citado em respostas de IA.

Este post separa o que já é rotina do que ainda é projeção, mostra como um agente decide quem entra na comparação e termina com 5 passos executáveis hoje.

O que já acontece hoje, e o que ainda é projeção?

Honestidade primeiro, porque o assunto "agentes" atrai hype como ímã. Vamos dividir em duas colunas.

Já acontece, e você pode reproduzir agora. Modelos com busca fazem pesquisa multi-fonte numa única resposta: o ChatGPT com busca, o Perplexity e o Gemini consultam várias páginas, cruzam o que encontram e devolvem uma síntese com citações. Usuários já delegam a comparação inteira ao chat: "compare esses três ERPs pra uma distribuidora de 80 funcionários" é uma pergunta que o modelo responde de ponta a ponta, sem o comprador abrir um site sequer. E os recursos de deep research dão o passo seguinte: mediante um único pedido, o modelo trabalha por vários minutos, consulta dezenas de fontes e produz um relatório estruturado de compra, com tabela comparativa e recomendação. Nada disso é demo de conferência. Está no plano pago das três plataformas, e no Brasil o público é grande: somos o 3º maior mercado do ChatGPT no mundo, com 5,05% do uso global (dado do nosso manifesto de categoria, compilado em mai/2026).

Ainda é projeção, e tratamos como projeção. O agente autônomo que pesquisa, escolhe e conclui a transação sozinho, com pagamento e tudo, não é a norma hoje. A infraestrutura está sendo construída em público: protocolos de comércio agêntico como o ACP (OpenAI e Stripe) e o AP2 (Google) já foram publicados. Mas comportamento em escala é outra coisa, e qualquer número de adoção de "compras por agente" que você vir por aí merece desconfiança. Não vamos inventar um aqui.

A tese deste post não depende da projeção. Depende só da primeira coluna: a pesquisa de compra já está sendo delegada. Quem já mudou de fornecedor com base em orientação de chatbot não é minoria exótica: 69% dos compradores B2B, segundo o G2 Answer Economy Report (abr/2026, n=1.076). O agente de pesquisa é a versão industrializada desse mesmo movimento.

Como um agente pesquisa diferente de um humano?

Um humano lê e perdoa. Encontra "preço sob consulta", suspira e talvez preencha o formulário. Deduz a spec que falta a partir de um case. Liga pro comercial quando a página não responde. A jornada humana tolera fricção porque o humano tem contexto, paciência finita mas real, e um telefone.

O agente extrai e descarta. Ele abre 30 páginas em minutos, procura fatos que consiga registrar num campo (preço, prazo, limite, integração, certificação), cruza fontes pra verificar e segue adiante. O que não vira dado registrável vira lacuna. E lacuna, num relatório comparativo, é quase eliminação: a linha do concorrente está completa, a sua tem buracos, e a recomendação final favorece quem deu ao modelo material pra afirmar algo com confiança.

Repare no deslocamento. No funil clássico, informação incompleta no site era tática: gerava conversa com vendedor. Na pesquisa agêntica, informação incompleta é ausência. O agente não liga pra ninguém. Sem dado estruturado, você não entra no relatório. E o comprador que encomendou o relatório nunca fica sabendo que você existia.

Isso conversa direto com o que já medimos em respostas de chat. No nosso estudo de 150 medições numa indústria B2B (15 perguntas, 4 modelos, 885 menções extraídas), a marca líder em citações tinha 0% de menção nas perguntas de topo de funil, aquelas em que o comprador descreve o problema sem citar nomes. O detalhe completo está em GEO: o que é e por que o SEO que você faz hoje não resolve. A pesquisa agêntica endurece esse mesmo filtro: se o modelo já omitia a marca numa resposta de 3 parágrafos, um relatório que exige dados verificáveis por célula da tabela omite com ainda mais facilidade.

O que um agente de pesquisa prioriza numa fonte?

Observando relatórios de deep research que rodamos sobre categorias que auditamos, quatro atributos se repetem em quem entra na comparação.

Fatos verificáveis. Número, unidade, data, fonte. "Implantação rápida" não preenche campo nenhum. "Implantação média de 45 dias, medida em 2025 sobre 30 projetos" preenche, e ainda dá ao modelo uma frase citável.

Preço acessível sem formulário. O agente não troca e-mail por PDF. Se o preço, ou ao menos a faixa de entrada, não está em HTML aberto, o campo fica vazio ou é preenchido por terceiros (marketplaces, fóruns, comparadores), com números que você não controla.

Comparabilidade. O agente monta tabela. Specs publicadas em tabela, com as mesmas unidades que o resto do mercado usa, entram quase sem atrito. Specs enterradas num vídeo institucional não entram.

Entidade inequívoca. Nome consistente em todas as fontes, schema de Organization e Product, perfis que confirmam uns aos outros. Se o modelo não tem certeza de que a "Acme Sistemas" do seu site é a mesma "Acme" do diretório de reviews, ele descarta ou funde as duas erradamente.

Um trecho ilustrativo torna isso concreto. As marcas abaixo são fictícias e o texto foi montado por nós no formato real dos relatórios de deep research:

Pedido do comprador: "Faça uma pesquisa aprofundada: preciso contratar um WMS pra um centro de distribuição com 12 mil posições de pallet. Compare as melhores opções nacionais e recomende."

Trecho do relatório (exemplo ilustrativo):

"Três fornecedores atendem os critérios com dados verificáveis:

LogixBR publica preço por faixa de posições (a partir de R$ 4.200/mês até 15 mil posições), SLA de 99,5% em página pública e um estudo de caso com números auditáveis (redução de 31% no tempo de picking, medição de 6 meses). É a opção com melhor relação entre custo declarado e evidência.

ArmazenaTech não publica preço, mas mantém tabela técnica completa (integrações, limites por plano, requisitos de hardware) e documentação aberta, o que permitiu verificação cruzada com reviews independentes. Incluída com a ressalva 'preço sob consulta'.

VetorWMS entra pela especificidade: única com certificação para armazém frigorificado documentada publicamente, requisito citado no seu pedido.

Um quarto fornecedor frequentemente citado no setor foi excluído da tabela: o site não informa preço, specs ou casos com números, e as fontes externas divergem até sobre o nome comercial atual da empresa."

Releia a última frase do trecho. O quarto fornecedor pode ser o melhor produto do mercado. Pro comprador que encomendou esse relatório, ele não existe.

O paradoxo do gating: por que esconder o preço te tira da shortlist?

Aqui mora o conflito mais desconfortável entre o playbook de geração de leads e a pesquisa agêntica. Preço atrás de formulário foi desenhado pra forçar conversa: o humano quer o número, entrega o e-mail, o SDR liga. Funcionou por uma década.

O agente quebra o mecanismo pelos dois lados. Ele não preenche o formulário, então você não ganha o lead. E ele registra "preço: não informado" na sua linha da tabela, então você perde a comparação pra quem publicou número. O gate foi construído pra capturar o comprador no meio da jornada. Só que a jornada mudou de dono: quem passa pelo seu site agora é o pesquisador contratado, e ele não deixa contato.

Isso não significa demolir toda a captura de leads amanhã. Significa reconhecer o trade-off que antes não existia: cada dado escondido é uma célula vazia no relatório que decide sua shortlist. O meio-termo que temos recomendado nas auditorias é publicar a faixa de entrada ("a partir de R$ X/mês, plano com Y") em HTML aberto e reservar o formulário pra proposta dimensionada. O agente preenche o campo, o comprador chega com número ancorado, e o comercial continua tendo conversa pra fazer.

Como preparar sua marca pro comprador-agente: 5 passos pra hoje

Nenhum passo abaixo é aposta no futuro. Todos melhoram sua citação em respostas de IA agora, e é por isso que valem: o futuro agentic paga o mesmo dever de casa. É o playbook de entidade e página citável, priorizado pela lente do extrator.

1. Publique preço ou faixa de entrada em HTML aberto (1 a 2 h, mais a discussão interna, que é a parte difícil). Página /precos com número, moeda e o que está incluído, sem formulário na frente. Deu certo quando: uma busca no seu site em janela anônima chega ao número em 1 clique.
2. Converta suas specs em tabela comparável (2 a 4 h). Limites por plano, integrações, prazos, certificações, nas unidades que o mercado usa. Deu certo quando: um estagiário preenche uma planilha comparativa só com sua página, sem inferir nada.
3. Resolva sua entidade (2 a 3 h). Mesmo nome comercial em site, LinkedIn, diretórios e reviews; schema Organization e Product com sameAs ligando os perfis. Deu certo quando: perguntando "quem é [sua marca]?" a um modelo com busca, a resposta não mistura você com homônimos nem usa nome antigo.
4. Publique 1 página citável answer-first por pergunta-chave da categoria (meio dia por página). Resposta direta no primeiro bloco, dado com fonte, estrutura extraível. O passo a passo completo está em como estruturar uma página que a IA cita.
5. Meça sua linha de base antes e depois (5 min pra começar). Rode a auditoria gratuita e registre em quantas perguntas da categoria sua marca aparece hoje. Sem baseline, os passos 1 a 4 viram fé. Com baseline, viram experimento: você remede em 60 a 90 dias e vê o delta com intervalo de confiança, como descrito na nossa metodologia.

Limitações declaradas, porque este post também segue a regra da casa: nossa evidência direta vem de medir respostas de chat e relatórios de deep research, não de agentes transacionais de ponta a ponta, que ainda não operam em escala mensurável. O comportamento de extração varia por modelo e muda a cada release. E os critérios de priorização que listamos são leitura qualitativa de relatórios que geramos, não um experimento controlado com N publicável. Tratamos tudo como evidência direcional. A direção, porém, aponta pro mesmo lugar que os dados de chat já apontavam.

Perguntas frequentes

Agentes de IA já compram sozinhos hoje?

Como norma, não. Protocolos de transação agêntica como ACP e AP2 já foram publicados, mas o padrão real em 2026 é o agente pesquisar, comparar e entregar um relatório, com o humano fechando a compra. A transação autônoma em escala é projeção, e qualquer estatística de adoção que circule hoje merece ceticismo.

Preciso abandonar a captura de leads pra aparecer pra agentes?

Não. O ajuste é publicar a faixa de preço de entrada em página aberta e reservar o formulário pra proposta dimensionada. Assim o agente preenche o campo de preço na comparação e o comercial segue recebendo conversas, agora com comprador que já viu número.

Como descubro se minha marca já entra nesses relatórios?

Medindo. Peça um deep research sobre a decisão de compra da sua categoria em 2 modelos e veja se sua marca entra na tabela e com quais dados. Pra uma leitura com mais amostras e intervalo de confiança, a auditoria gratuita devolve sua matriz de menções em 5 minutos.

Otimizar pra agente é diferente de otimizar pra ser citado por IA?

O dever de casa é o mesmo: entidade inequívoca, dados verificáveis, páginas citáveis. O que muda é a tolerância: o agente pune lacunas de dados com mais força que uma resposta de chat, porque monta tabela em vez de texto corrido. Quem já trabalha GEO com rigor está, na prática, se preparando pros dois.

---

O comprador-agente não exige que você adivinhe o futuro. Exige que você faça agora o que a citação por IA já cobrava: publicar dado verificável e medir. A vantagem é de sequência, não de profecia: quem estabelece baseline hoje vai enxergar o efeito da pesquisa agêntica nos próprios números quando ela virar norma, enquanto o resto do mercado ainda estará discutindo se ela chegou. Comece pela auditoria gratuita e, com a matriz na mão, ataque o passo 1: a página de preço.