Durante o ano passado, continuei ouvindo a mesma pergunta em conversas sobre marketing e crescimento: “Como os LLMs realmente afetam o tráfego?” Então decidi me aprofundar e tratar os LLMs como um canal real, não como um tópico exagerado.

Large Language Models (LLMs) são sistemas de IA treinados em grandes quantidades de texto para que possam compreender e gerar linguagem humana. Modelos como ChatGPT, Perplexity e as experiências baseadas em IA do Google não respondem mais apenas a perguntas. Eles ajudam as pessoas a planejar viagens, comparar marcas e decidir onde reservar, comprar ou clicar em seguida.

Basicamente, os LLMs funcionam prevendo as próximas palavras mais prováveis ​​com base no contexto. Mas o que realmente importa para as empresas é onde essas respostas aparecem e com que frequência sua marca passa a fazer parte delas.

Neste artigo, comparo os LLMs não apenas com base na visibilidade atual, mas também na sua contribuição potencial para uma categoria moldada pela frequência e em que contextos eles influenciam a descoberta.

Mas primeiro, vamos começar com alguns princípios básicos.

Os diferentes tipos de LLMs e no que eles são bons

Os modelos LLM se comportam de maneira diferente e influenciam o tráfego de maneiras diferentes. Para entender melhor, mapeei os principais tipos de LLMs.

LLMs de conversação (onde as pessoas pensam em voz alta)

Alguns modelos, como o ChatGPT, são desenvolvidos para conversação. As pessoas os usam para debater, planejar e fazer perguntas amplas. Esses modelos tendem a revelar marcas em explicações e recomendações.

LLMs de estilo de pesquisa (onde as pessoas desejam uma resposta rápida)

Outros modelos, como Perplexidade e modos de pesquisa baseados em IA, combinam pesquisa em tempo real com raciocínio LLM. Eles são frequentemente usados ​​no início da descoberta, quando o usuário ainda está explorando opções.

Experiências verticais de LLM (onde a intenção é restrita)

Existem também experiências semelhantes ao LLM incorporadas em produtos específicos, viagens, mapas, reservas e comércio. Geralmente são momentos de alta intenção e a exposição da marca pode estar mais próxima da conversão.

Por que comparar LLMs por categoria é realmente importante

Foi aqui que as coisas ficaram práticas para mim. Percebi que tentar “otimizar para todos os LLMs” é uma armadilha. A atenção é limitada, os orçamentos são limitados e nem todos os modelos influenciam a sua categoria igualmente.

Alguns modelos apresentam consistentemente as mesmas marcas. Outros mal mostram visibilidade significativa. É por isso que a comparação é importante. Quando comparei os LLMs corretamente, consegui separar “interessante” de “importante”.

É também aqui que o pensamento competitivo é importante. Não basta ser visível, é preciso estar visível em comparação com seus concorrentesdentro dos mesmos prompts e tópicos.

Alguns LLMs têm oportunidades limitadas de influenciar uma categoria, simplesmente por causa de como e quando os usuários interagem com eles. Outros representam uma superfície potencial de descoberta muito maior. A comparação de LLMs ajuda a separar modelos com impacto real em nível de categoria daqueles com potencial menor e mais restrito.

Como comparei o impacto dos LLMs usando Similarweb

Para ir além das suposições, usei a visualização de comparação de LLMs no Similarweb Ferramenta de visibilidade de marca de IA comparar a visibilidade atual e a contribuição potencial de cada LLM para a categoria de viagens. Comecei com uma visão ampla para compreender os padrões gerais, mas não parei aí. O verdadeiro insight veio quando reduzi o escopo e observei como o comportamento do LLM muda por tópico.

No nível de todos os tópicos, o quadro era bastante estável. As mesmas marcas líderes apareceram de forma consistente e a hierarquia não mudou muito. Isso me disse algo importante desde o início: quando a questão é ampla, os LLMs dependem fortemente da familiaridade geral com a marca. Eles recorrem a nomes que já associam a viagens em sentido amplo.

Mas no momento em que mudei para uma categoria mais específica, Plataformas de Aluguel por Temporada, o comportamento mudou visivelmente e encontrei alguns insights interessantes:

• O que chamou a atenção de imediato foi que a visibilidade ficou muito mais concentrada. Em vez de espalhar menciona em um grupo mais amplo de marcas, os LLMs estreitaram seu foco. Os modelos pareciam mais confiantes, mais decididos e menos dispostos a introduzir alternativas de cauda longa. Isso me disse que quando o intenção é claro, os LLMs não tentam ser exploratórios. Eles tentam ser úteis e definitivos.
• Notei também que o posicionamento relativo entre as marcas líderes permaneceu apertado, mas a distância de todas as demais cresceu. Esse foi um grande sinal. Sugere que em tópicos de alta intenção, os LLMs não apenas recomendam marcas, eles validam os líderes da categoria. Se uma marca já “pertence” a esse caso de uso específico no entendimento do modelo, ela permanece na resposta. Se isso não acontecer, ele desaparece quase totalmente.
• Outra mudança interessante foi a consistência desse comportamento em diferentes LLMs. Embora os níveis gerais de visibilidade variassem de acordo com o modelo, o padrão permaneceu o mesmo. Uma vez estreitado o tema, todos os LLMs tornaram-se mais seletivos. Isso me diz que não é uma peculiaridade de um modelo. É uma regra geral de como os LLMs lidam com intenções específicas.
• O que isso me ajudou a entender é que os LLMs não recompensam igualmente a relevância geral e a relevância específica. Estar amplamente associado a viagens ajuda você a aparecer quando a pergunta é vaga. Mas quando o prompt é focado, apenas marcas com uma conexão forte e bem estabelecida com essa categoria exata permanecem visíveis.
• Foi também aqui que o valor estratégico da análise em nível de tópico realmente me chamou a atenção. Olhar apenas para a visão agregada pode dar uma falsa sensação de segurança. Uma marca pode parecer forte no geral, mas desaparece quando o tópico se torna específicoisso é um risco real. Por outro lado, uma marca que parece secundária em nível de categoria ainda pode ser muito competitiva se possuir um nicho claro e bem definido.

Ao comparar as duas visões lado a lado, pude ver não apenas quem ganha, mas onde ganha. Isso mudou totalmente a forma como penso sobre a otimização do LLM. Em vez de perguntar como aumentar a visibilidade em todo o lado, a melhor questão passou a ser: em que tópicos o modelo já confia em nós e onde é que essa confiança se quebra?

Foi aí que os dados deixaram de ser descritivos e passaram a orientar decisões reais. Mostrou-me que vencer nos LLMs não significa estar presente em todas as conversas. Trata-se de ser relevante nas conversas que mais importam.

O que eu tirei disso

Depois de passar por essa análise, minha conclusão foi simples: não se trata de perseguir cada novo modelo de LLM. É saber quais modelos influenciam sua categoria e depois aparecer onde esses modelos já esperam encontrar você.

Ferramentas Similarweb Gen AI tornou isso mensurável. Em vez de adivinhar, pude ver onde a visibilidade era forte, onde era fraca e onde estavam as maiores lacunas de oportunidades. Essa é a diferença entre tratar os LLMs como uma tendência e tratá-los como um verdadeiro canal de crescimento.

É claro que a visibilidade por si só não conta toda a história. Ao comparar LLMs, também é importante considerar quanto tráfego cada modelo recebe. Um LLM com alta visibilidade, mas baixo uso, pode contribuir com menos valor geral do que um modelo com menor visibilidade e alcance muito maior. Olhar para os LLMs dessa forma ajuda a transformar a visibilidade em uma oportunidade real.

Perguntas frequentes

1. O que significa quando uma marca “aparece” em um LLM?
Significa que a modelo menciona ou recomenda a marca quando os usuários fazem perguntas relevantes. Essa exposição pode influenciar decisões mesmo que ninguém clique em um link.

2. Os LLMs realmente geram tráfego ou apenas conscientização?
Eles fazem as duas coisas. Às vezes, eles enviam tráfego direto, mas mesmo quando não o fazem, determinam quais marcas os usuários consideram antes de pesquisar ou visitar um site.

3. Quais LLMs a Similarweb mede?
Similarweb mede a visibilidade da marca nas principais experiências LLM, incluindo modelos de conversação como ChatGPT, modos de IA de estilo de pesquisa e plataformas focadas em respostas, como Perplexity. Isso permite que as equipes comparem como diferentes LLMs apresentam marcas em cenários reais de usuários.

4. Quais métricas a Similarweb usa para comparar LLMs?
A visualização Comparação de LLMs pontua as marcas com base na visibilidade, mostrando a frequência com que cada marca aparece nas respostas do LLM. Isso facilita a comparação da exposição relativa da marca entre modelos usando uma métrica consistente e comparável.

5. Posso comparar a visibilidade do LLM por tópico no Similarweb?
Sim. Similarweb permite comparar a visibilidade do LLM em diferentes tópicos, como férias na praia, aluguéis de curto prazo ou acomodações em hotéis. Isso ajuda a revelar como a visibilidade da marca muda à medida que a intenção do usuário se torna mais específica.

6. Todos os LLMs são igualmente importantes para os profissionais de marketing?
Não. Alguns modelos apresentam marcas de forma muito mais consistente do que outros. É por isso que compará-los é importante, em vez de tratá-los como um único canal.

7. Por que o ChatGPT é tão importante nesta análise?
Porque é amplamente utilizado para planejamento e pesquisa, especialmente para questões relacionadas a viagens. Isso o torna uma importante superfície de descoberta, não apenas um chatbot.

8. Se minha marca for forte em geral, ela terá um bom desempenho em todos os tópicos?
Não necessariamente. À medida que o tópico se torna mais específico, os LLMs concentram-se mais na relevância do que na força geral da marca.

9. As marcas menores podem competir em LLMs?
Sim, mas não tentando vencer em todos os lugares. Marcas menores tendem a ter melhor desempenho quando possuem claramente um tópico ou caso de uso específico.

10. Diferentes LLMs recompensam sinais diferentes?
Sim. Alguns apoiam-se mais na autoridade geral, enquanto outros são mais sensíveis à relevância e ao contexto do tópico.

11. A otimização LLM é o mesmo que SEO?
Não exatamente. Há sobreposição, mas os LLMs se preocupam mais com clareza, consistência e como uma marca é comumente descrita na web.

12. Qual é o maior erro que as equipes cometem hoje com LLMs?
Tentar otimizar todos os modelos de uma vez, em vez de focar naqueles que realmente influenciam a descoberta em sua categoria.

por Maayan Zohar Basteker

Especialista sênior em SEO na Similarweb

Maayan é um especialista sênior em SEO com mais de 7 anos de experiência em SEO. Ela adora projetos de pesquisa complexos, criando estratégias de SEO e realizando auditorias técnicas.