Atribuição por cliques perde utilidade com descoberta via IA

O paradoxo da medição

A atribuição baseada em cliques nunca foi ideal para canais não pagos, mas os cliques deram uma ilusão de precisão. Com a descoberta via IA, essa base desmorona: Google AI Overviews e ChatGPT entregam respostas sem visita ao site, eliminando os dados de referência e conversão que revelavam como os clientes descobriam as empresas.

O autor Kevin Indig, em conversa com George Bonaci, VP de Growth da Ramp (empresa que processa mais de US$ 100 bilhões em pagamentos anualizados para mais de 70 mil negócios), descreve um paradoxo: a tecnologia melhorou, mas a capacidade de entender de onde vêm os clientes piorou. Google Analytics cada vez mais modela conversões porque restrições de consentimento impedem observação direta; a Apple permitiu que usuários de iPhone desativassem o rastreamento entre apps em 2021, e a Meta respondeu com conversões modeladas em vez de comportamento observado. As plataformas capturam mais comportamento, mas expõem menos aos anunciantes para aumentar margens - e a privacidade e o uso de múltiplos dispositivos completam o quadro.

O colapso da atribuição

Bonaci argumenta que a atribuição se tornou uma muleta que substitui o pensamento crítico: "todo modelo de atribuição é errado" e o problema não está resolvido. O modelo deve ser usado para alinhar incentivos, com prós e contras sempre em mente. A jornada clássica de busca → clique → conversão é corroída pela IA, dando lugar a prompt → síntese → visita direta - muito mais difícil de rastrear. Segundo a Graphite, a IA pode ser subatribuída em até 10 vezes.

Isso não significa ignorar a atribuição. O tráfego de referência permanece um dos poucos sinais diretos em AI Search, mas mostra apenas que algo mudou - não o que houve antes do clique nem a demanda criada. Bonaci mantém um modelo de multi-touch na Ramp, mas com metas organizacionais de alto nível e constantes ressalvas sobre onde o modelo falha.

Alternativas melhores

A abordagem sugerida é entender o objetivo do negócio e escopar métricas à ação - por exemplo, em ABM, medir qual porcentagem do TAM foi alcançada, engajada e ativada por mês. Quando indicadores avançados não podem ser ligados à receita, mantê-los mesmo assim, porque há raciocínio lógico sobre seu impacto.

Indig propõe dois caminhos:

1. Triangulação: combinar métricas com pontos cegos diferentes - um indicador de exposição (AI Share of Voice), um sinal comportamental (atribuição autorrelatada ou tags de CRM) e um resultado de negócio (conversões). A confiança cresce quando os sinais se movem juntos. Um estudo citado encontrou correlação média-forte entre Share of Voice e conversões. Mas triangulação fortalece a evidência sem estabelecer causalidade. Uma pesquisa da BCG com 3 mil profissionais de medição mostrou que 46% usam MMM, testes de incrementalidade e atribuição multi-touch juntos, e líderes com essa abordagem integrada alcançam até 70% mais crescimento de receita.

2. Incrementalidade: construir contrafactuais comparando resultados com e sem uma atividade. Os métodos incluem holdouts randomizados, experimentos geográficos, lançamentos em fases, testes switchback, quasi-experimentos e MMM calibrado com experimentos. Segundo o IAB, 76% dos tomadores de decisão de compra nos EUA usam testes de incrementalidade, 73% usam atribuição e 67% MMM - mas apenas 39% usam os três juntos.

O valor do imensurável

A tese mais provocativa de Bonaci: quase tudo que é diretamente mensurável está se tornando commodity graças à IA. O diferencial estará no trabalho difícil de quantificar - criatividade e originalidade. Segundo ele, olhar apenas para a atribuição teria levado a Ramp a cancelar marketing de marca, eventos e correspondência direta em favor de outbound genérico e anúncios simplistas, com resultados meramente medianos. Para CMOs e CFOs, o alfa migra para o imensurável, o que deve empurrá-los a demandar medições mais nuançadas e indiretas.

Conclusão

A mensagem central: atribuição por cliques explica uma fração cada vez menor do que gera demanda. Ela deve continuar existindo, mas como ferramenta de alinhamento com limites explícitos, combinada com triangulação e incrementalidade - e a verdadeira diferenciação pode estar justamente no que os modelos de medição não capturam.