From Prompt to Purchase: How AI Brand Recommendations Move Consumers on the Open Web

Resumo Técnico: Do Prompt à Compra: Como as Recomendações de Marcas por IA Movem os Consumidores na Web Aberta

Definição do Problema
Assistentes de IA conversacionais (especificamente LLMs baseados em texto como ChatGPT, Claude e Gemini) tornaram-se um ponto de entrada rotineiro para a busca de informações, mas seu papel na jornada comercial permanece invisível para as análises web padrão. Quando um assistente recomenda uma marca, o usuário frequentemente deixa o chat para pesquisar por essa marca ou visitar seu site por meio de canais orgânicos. Modelos de atribuição de último clique creditam essas ações subsequentes à busca orgânica ou ao tráfego direto, tornando a "menção" do assistente uma exposição não registrada e não atribuída. Além disso, as abordagens de medição existentes frequentemente confundem recomendações genuínas com referências incidentais a marcas com as quais o usuário já interage (ex: "seu download da Netflix"), levando a estimativas confundidas do verdadeiro impacto incremental do assistente.

Metodologia
Os autores utilizam um conjunto de dados de painel observacional que une dados de clique de visualização de página (opt-in) com as conversas dos mesmos usuários com ChatGPT, Claude e Gemini. O estudo emprega um framework rigoroso de inferência causal para isolar o efeito das menções de marcas geradas por IA:

• Unidade de Análise: Uma linha (usuário, resposta, marca) para um léxico curado de marcas de consumo de alto reconhecimento.
• Variáveis de Desfecho: Três comportamentos subsequentes medidos em uma janela de 7 dias após a resposta:
  1. Recall (Lembrança): Uma consulta de pesquisa no Google contendo o nome da marca.
  2. Descoberta: Uma visita ao próprio site da marca.
  3. Varejo: Uma visita a uma página de produto de um varejista onde a marca é identificada no caminho da URL (não apenas no host).
• Estratégia de Identificação: O estudo utiliza um design de placebo retroativo pareado, comparando o comportamento pós-resposta com o comportamento do mesmo usuário em janelas de 14, 21 e 28 dias anteriores.
• Controles de Desconfundimento: Para separar o verdadeiro efeito de "aquisição" do ruído, os autores aplicam vários filtros:
  • Condicionamento de Não-Cliente: Restringir a análise a usuários sem engajamento observado recente (busca, site próprio ou varejo) com a marca nas semanas anteriores.
  • Classificação de Postura (Stance): Uso de um modelo de linguagem pequeno para distinguir entre "recomendações" e "menções incidentais" (menções neutras ou cautelares).
  • Controles Dentro da Resposta: Comparar a marca mencionada/recomendada contra marcas da mesma categoria que a resposta NÃO nomeou (marcas não nomeadas da mesma categoria), que compartilham o mesmo contexto de categoria e sessão, mas não recebem a exposição à marca.
  • Estudos de Eventos de Pré-Tendência: Verificar se o comportamento não aumenta antes da resposta (descartando episódios de clientes existentes).
• Medição de Varejo: Os autores enfatizam a correspondência "consciente do caminho" (identificando a marca no caminho da URL, ex: /Garmin-.../dp/) em vez de apenas o host, o que consideraram um estimador quase nulo para visitas a páginas de produtos.

Principais Resultados
O estudo isola um efeito limpo, semelhante à aquisição, onde recomendações de IA movem usuários observavelmente não engajados para a navegação de marcas na web aberta:

• Ganho Incremental: Para um usuário sem engajamento observado recente, uma recomendação de marca leva a:
  • +4,3 pontos percentuais (pp) de aumento em pesquisas de mesmo nome no Google.
  • +2,4 pp de aumento em visitas ao próprio site da marca.
  • +1,0 pp de aumento em visitas a páginas de produtos de varejistas específicos da marca.
• Sensibilidade de Postura: O efeito é dependente da dose. Menções incidentais (menções neutras) a não-clientes movem o comportamento significativamente menos (+1,8/+1,1/+0,3 pp), sugerindo que a intenção da menção importa.
• Especificidade: O ganho é específico para a marca mencionada. Na mesma resposta, marcas da mesma categoria não mencionadas mostram movimento negligenciável (+0,6/+0,3/+0,3 pp), descartando a intenção geral de categoria ou surtos de atividade em toda a sessão como o principal driver.
• A Falácia do "Agrupamento" (Pooled): O agrupamento ingênuo de todas as menções (incluindo clientes existentes e menções incidentais) produz um funil enganosamente atraente e confundido (+2,08/+2,37/+0,52 pp). Estudos de eventos revelam que, para esses grupos agrupados, a atividade da marca muitas vezes aumenta antes da resposta, indicando que o usuário já estava em um episódio de engajamento ativo.
• Caminho de Navegação: O caminho subsequente é primariamente mediado por pesquisa. Os usuários não costumam clicar em links dentro do chat; em vez disso, eles leem o nome da marca, pesquisam por ela e, então, navegam para os próprios sites ou varejistas. A sequência não é estritamente linear; visitas ao site próprio e ao varejista ocorrem frequentemente como destinos paralelos após uma pesquisa.
• Composição da Audiência: Embora o ChatGPT mostre um ganho bruto maior que o Gemini, a análise dentro do usuário sugere que isso se deve à composição da audiência (usuários do ChatGPT são geralmente mais ativos na web) e não a uma diferença causal na interface do assistente.

Significância e Alegações
O artigo afirma fornecer a primeira medição observacional de como a IA conversacional move os consumidores do prompt para ações adjacentes à compra na web aberta. Suas principais contribuições são:

1. Medição do Não-Registrado: Demonstra que os assistentes criam exposições de marca que os logs web padrão não conseguem atribuir, criando efetivamente um "ponto cego" nos modelos de atribuição atuais, onde o assistente atua como um ponto de contato upstream.
2. Decomposição Metodológica: Oferece um framework para separar efeitos genuínos de aquisição de fatores de confusão, como comportamento de clientes existentes e menções incidentais, usando classificação de postura e condicionamento de não-cliente.
3. Alcance Semelhante à Aquisição: O efeito mensurável concentra-se entre usuários sem engajamento observado recente. Para clientes existentes, a menção coincide com um episódio ativo, mas não acelera claramente o comportamento além da tendência existente.
4. Implicações Práticas: Os autores argumentam que a atribuição de último clique aloca erroneamente o crédito para a busca orgânica e visitas diretas. Eles postulam que uma visita ao varejo "adjacente à compra" (visualização de página de produto) é o proxy observável para a compra neste contexto, e que os sistemas de medição devem considerar a ponte "prompt-para-pesquisa" para valorizar com precisão as jornadas mediadas por IA.

Limitações
Os autores explicitamente observam que o estudo é observacional e não observa transações; "varejo" é definido como uma visita à página de produto, não uma venda. Eles reconhecem que um "choque de intenção" específico da marca dentro de uma sessão (onde a intenção interna do usuário impulsiona tanto o prompt quanto a ação subsequente) permanece não identificável sem um design randomizado. Além disso, a definição de "não-cliente" é comportamental (sem cliques observados recentes) e não comercial (nunca possuiu o produto), o que significa que o efeito é um limite inferior para a verdadeira aquisição.