A mídia de mais alta intenção já criada ainda não tem régua

Pela primeira vez em mais de uma década, o tráfego que mais converte no varejo digital americano não vem da busca orgânica nem da rede social. Vem de dentro de um chatbot.

Segundo a Adobe Analytics, o tráfego referido por plataformas de inteligência artificial para sites de varejo nos Estados Unidos cresceu 393% ano contra ano no primeiro trimestre de 2026, com pico de 1.151% em dezembro. E não é tráfego vazio: em maio de 2026, esse visitante convertia 54% mais que o visitante de canais não-IA — uma inversão completa em doze meses, já que um ano antes o tráfego de IA convertia a quase metade da taxa dos outros canais. A receita por visita era 37% maior; o tempo no site, 48% maior. A Salesforce estimou que, na Cyber Week de 2025, 20% de todos os pedidos globais foram influenciados por algum agente ou assistente de IA.

Esses números descrevem o nascimento de um novo inventário de mídia. E todo inventário novo, na história da publicidade, seguiu o mesmo roteiro: primeiro a atenção migra, depois o dinheiro vai atrás, e só por último — sempre por último — chega a régua para medir se aquilo funcionou. A busca levou anos para ter atribuição confiável. As redes sociais, idem. O retail media ainda está construindo a sua. Agora um quarto território se abre, mais rápido que todos os anteriores, e ele chega com um problema que os outros não tinham: dentro de um agente de IA, não há clique, não há página, e a "exposição" é uma frase sintetizada por um modelo. As ferramentas que a indústria usa para medir mídia foram desenhadas para um mundo de impressões e cliques. Esse mundo está deixando de existir exatamente onde a conversão é mais alta.

O novo inventário: por que a recomendação do agente vale mais que o banner

A diferença entre um anúncio numa página de busca e uma recomendação dentro de um agente não é de formato — é de posição na jornada. O buscador organiza links e devolve dez opções; o agente sintetiza, compara e sugere uma. Quando o consumidor pergunta a um assistente "qual a melhor cafeteira até 500 reais para apartamento pequeno", ele não está no topo do funil pesquisando categoria. Ele está no momento exato em que a decisão está sendo construída — e delegando parte dessa decisão à máquina.

Isso explica os números de conversão. A Criteo, primeira empresa de adtech a integrar o programa de anúncios que a OpenAI testa dentro do ChatGPT, afirma que usuários originados de plataformas de LLM convertem cerca de 1,5 vez mais que os de outros canais, com base na análise de centenas de varejistas conectados à sua plataforma. A Adobe chega a múltiplos ainda maiores. Os números variam por metodologia — e essa variação, por si só, já é parte do problema que este artigo quer expor —, mas a direção é consensual: o tráfego do agente é tráfego de altíssima intenção.

O tamanho do prêmio explica a pressa. A McKinsey projeta que o agentic commerce — a compra intermediada por um agente de IA — pode gerar entre US$ 900 bilhões e US$ 1 trilhão em receita de varejo só nos Estados Unidos até 2030, e de US$ 3 a 5 trilhões globalmente. A Mordor Intelligence dimensiona o mercado de IA agêntica em varejo e e-commerce em US$ 60,4 bilhões em 2026, crescendo a 29% ao ano. A IDC estima que a IA agêntica represente de 10% a 15% do gasto em tecnologia da informação em 2026. Não é uma frente experimental disputando migalhas. É a próxima camada de intermediação entre a marca e o consumidor — e quem controla a camada de intermediação sempre cobrou pedágio.

Quem está construindo o leilão dentro do agente

A corrida para monetizar esse inventário já tem competidores definidos, e cada um aposta numa arquitetura diferente.

A Criteo escolheu ser a camada de anúncios de quem não tem agente próprio. Depois de entrar como primeira adtech no piloto de publicidade do ChatGPT, em março de 2026, a empresa anunciou em junho a redução do investimento mínimo por campanha de US$ 50 mil para US$ 10 mil, somada a incentivos comerciais — o movimento clássico de quem quer criar liquidez num inventário antes dos concorrentes. Em fevereiro, já havia lançado um serviço de recomendação para assistentes de IA construído sobre o Model Context Protocol, reportando ganho de até 60% em relevância de recomendação em testes internos. Todd Parsons, Chief Product Officer da Criteo, resume a aposta: o marketing de performance está sendo redesenhado em tempo real e o anunciante não pode mais operar em silos de canal.

A Amazon escolheu o caminho oposto: o agente é dela. O Rufus, seu assistente de compras, já atende mais de 250 milhões de clientes e tem projeção de gerar cerca de US$ 10 bilhões em vendas incrementais, segundo o Retail Technology Innovation Hub. Mais relevante para o futuro da mídia: o Rufus passou a executar ações agênticas — adicionar ao carrinho, recomprar, alertar sobre preço e até comprar automaticamente quando um item atinge o valor-alvo. Quando o agente compra sozinho, a própria noção de "anúncio" se dissolve dentro da recomendação.

O Google aposta na escala do catálogo. O AI Mode usa o Shopping Graph, com mais de 50 bilhões de listagens de produto, e a empresa já testa anúncios nesse ambiente. Em janeiro de 2026, lançou o Universal Commerce Protocol, um padrão aberto para que agentes de IA descubram produtos e concluam compras entre diferentes varejistas, com Shopify, Etsy, Walmart e Target entre os mais de vinte parceiros iniciais — sustentado por protocolos complementares de pagamento e de comunicação entre agentes, incluindo o Model Context Protocol originalmente criado pela Anthropic.

E há quem tenha recuado. A Perplexity, das primeiras a testar compra dentro do agente, sinalizou que anúncios corroem a confiança no assistente e, por ora, ficou de fora da monetização por mídia. A divergência é reveladora: ainda não há consenso sobre se o agente é um lugar legítimo para anúncio ou se a presença comercial destrói justamente a confiança que faz o agente converter. Essa tensão — entre monetizar e preservar a neutralidade da recomendação — é a mesma que define quem vai dominar o espaço.

Na Ásia, a discussão já é infraestrutura. A Alibaba integrou seu assistente Qwen diretamente ao Taobao, permitindo buscar, comparar, pedir e pagar sem sair do fluxo do agente, sobre um catálogo de mais de 4 bilhões de itens — com a publicidade por palavra-chave seguindo como espinha dorsal da sua receita de mídia.

O problema fundamental: não há clique, não há página, não há régua

Aqui o artigo vira. Todo o entusiasmo acima esbarra num fato técnico que a indústria ainda não resolveu: as métricas que sustentam a publicidade digital foram construídas para um ambiente que o agente de IA elimina.

A atribuição de mídia digital, há vinte anos, depende de três coisas: uma impressão que pode ser contada, um clique que pode ser rastreado e uma página de destino onde a conversão acontece. O modelo dominante — last-click, que credita a venda ao último toque antes da compra — já era frágil no retail media, onde cada rede reivindica a mesma venda dentro da própria janela. No ambiente do agente, ele simplesmente não tem onde se apoiar. Qual é a "impressão" quando o produto aparece embutido numa frase que o modelo escreveu? Qual é o "clique" quando o agente adiciona ao carrinho sozinho? Onde está a "página" quando a jornada inteira acontece dentro de uma conversa?

Os próprios compradores de mídia relatam o vácuo. Campanhas dentro do ChatGPT, hoje, operam com transparência reduzida quando comparadas a plataformas consolidadas como Google, Meta ou Amazon Ads: indicadores de atribuição, de visibilidade e de contexto de exibição ainda estão em construção. Existe demanda crescente do anunciante e, ao mesmo tempo, ausência de governança analítica. É o retrato de um inventário que cresce mais rápido do que a capacidade de provar que ele funciona — e, quando isso acontece, o setor corre o risco de financiar números que descrevem correlação e vendê-los como causa. Ruído com aparência de evidência.

O risco é maior justamente porque a conversão é alta. Um tráfego que já chega com intenção de compra infla qualquer métrica de último toque: o agente recebe o crédito por vendas que aconteceriam de qualquer forma, porque ele conversa com quem já decidiu comprar. Sem um contrafactual — uma forma de estimar o que teria acontecido sem a recomendação —, é impossível separar o que o agente causou do que ele apenas testemunhou. E essa é a definição exata do problema de incrementalidade, agora transportado para um ambiente onde ele é mais difícil de resolver e mais caro de ignorar.

O que a indústria está montando para medir o que não tem clique

A resposta que vem se formando — ainda fora do Brasil, em grande parte — não é tentar recriar o clique dentro do agente. É abandonar o último toque e medir incrementalidade: o quanto a exposição efetivamente causou em vendas, e não o quanto ela registrou.

A base já foi publicada. Em novembro de 2025, o IAB e o IAB Europe lançaram as Guidelines for Incremental Measurement in Commerce Media, organizando a mensuração causal em torno de três princípios: contrafactual crível, controle de viés e separação entre sinal e ruído. É a primeira régua formal que trata incrementalidade não como um relatório a mais, mas como o critério que distingue mídia que funciona de mídia que apenas acompanha a venda. Antes dela, em janeiro de 2024, o IAB e o MRC já haviam publicado as diretrizes de mensuração de retail media, padronizando o que conta como impressão servida e medida.

Em fevereiro de 2026, na sua reunião anual de liderança, o IAB foi além e anunciou o Project Eidos, descrito por seu CEO, David Cohen, como um esforço coordenado de toda a indústria para modernizar a mensuração de publicidade: estruturas compartilhadas de classificação e fluxo de dados, sistemas interoperáveis e uma abordagem comum de atribuição, incrementalidade e modelagem de mix de marketing entre canais. O relatório State of Data 2026 do próprio IAB aponta o pano de fundo: um ecossistema de mensuração fragmentado por plataformas proprietárias e abordagens cross-channel inconsistentes, com a IA sendo aplicada simultaneamente para criar o problema e para tentar resolvê-lo.

A lógica por trás de toda essa movimentação é simples de enunciar e difícil de executar: se você não consegue contar o clique, precisa estimar a causa. E estimar causa exige método científico — testes com grupo de controle (holdout), experimentos geográficos (geo-lift), controles sintéticos. São as mesmas famílias de método que o setor vinha aplicando ao retail media tradicional, agora obrigadas a funcionar num ambiente onde a unidade de exposição é ambígua. O comércio mediado por IA não dispensa essa engenharia. Ele a torna obrigatória.

Por que incrementalidade deixa de ser opcional no ambiente do agente

No retail media tradicional, medir incrementalidade ainda é, para muitos anunciantes, um luxo metodológico — algo que se faz no piloto, não na operação. Dentro do agente de IA, deixa de ser opcional por uma razão estrutural: o agente é, por desenho, uma máquina de recomendar o que já tem alta probabilidade de ser comprado.

Quando o assistente sugere um produto, ele o faz porque seu modelo estimou que aquela é a melhor resposta para aquele usuário. Ou seja: o agente seleciona, por construção, os casos de maior intenção. Atribuir a ele a venda que se segue é confundir a seleção com o efeito — o erro causal mais antigo do livro. A única forma de saber se a recomendação patrocinada gerou venda incremental, ou se ela apenas apareceu na frente de quem já ia comprar, é comparar contra um contrafactual: o que esse mesmo usuário teria feito sem aquela recomendação. Sem esse controle, todo número de performance dentro do agente é inflado por desenho.

Há ainda uma camada de transparência que o ambiente do agente torna crítica. Quando a recomendação é patrocinada, mas chega ao consumidor com a mesma aparência de uma sugestão neutra do assistente, a fronteira entre conteúdo e anúncio se dissolve — e com ela, a possibilidade de o mercado auditar o que está pagando. Foi exatamente essa preocupação que levou ao menos um competidor relevante a recuar da monetização. A mensuração causal, nesse contexto, não é só uma questão de eficiência do anunciante; é a condição para que o inventário do agente seja confiável o suficiente para sustentar investimento de marca, e não apenas captura de demanda já existente.

A consequência prática é que a vantagem competitiva, nessa nova camada, não vai para quem tiver o agente com mais usuários. Vai para quem conseguir provar, com validade causal, que a recomendação dentro do agente gera venda que não aconteceria de outra forma. Inventário, todos terão. Régua confiável, não.

O ecossistema americano já se organiza nessa direção. E o Brasil?

O descompasso geográfico é o ponto que mais deveria preocupar quem opera retail media na América Latina. Enquanto o mercado brasileiro ainda debate, em boa medida, quanto investir em retail media e como estruturar as primeiras redes, o ecossistema americano já está uma camada à frente: discutindo como medir incrementalidade dentro de um ambiente de mídia que ainda está nascendo. O IAB publica diretrizes de mensuração causal; a Adobe mede semana a semana a conversão do tráfego de IA; Criteo, Amazon e Google disputam a arquitetura do leilão dentro do agente. A infraestrutura de medição está sendo construída em paralelo com o inventário — não anos depois, como aconteceu na busca e no social.

O Brasil tem, aqui, uma escolha que se repete a cada ciclo tecnológico: importar a régua pronta, anos depois, ou construir a sua no mesmo compasso. A janela para a segunda opção é estreita e está se fechando. O tráfego de IA para o varejo brasileiro vai crescer — provavelmente na mesma curva que a Adobe já registra nos Estados Unidos. As plataformas de anúncio que dominam o mercado americano vão chegar com suas soluções de mídia em IA empacotadas. E, quando chegarem, a pergunta não será se há inventário do agente para comprar. Será se o anunciante brasileiro tem como saber, com rigor, se aquele inventário entregou venda incremental — ou se está, mais uma vez, pagando por ruído com aparência de evidência, agora gerado por um modelo de linguagem.

A mídia de mais alta intenção já criada chegou antes da régua para medi-la. Foi assim com todos os inventários anteriores. A diferença, desta vez, é a velocidade: o agente de IA não vai dar uma década de carência para o mercado acertar a mensuração, como a busca deu. Para quem opera retail media em mais de uma rede no Brasil hoje, fica a pergunta que define os próximos dezoito meses: quando o tráfego do agente bater na sua operação, você vai ter régua própria para dizer o que ele causou — ou vai aceitar o número que a plataforma do agente entregar?