O Tráfego de LLM É Um Ponto Cego no Seu Analytics. Veja Por Quê.

Seu Canal de IA Está Crescendo. Seu Analytics Não Está Acompanhando.

ChatGPT, Gemini, Claude, Perplexity e outros LLMs estão gerando mais tráfego do que você imagina. O volume não está pingando, está acelerando em um ritmo que começa a rivalizar com canais consolidados. Alguns analistas estimam que o tráfego de referência de IA pode superar o de busca tradicional até 2028. Achamos que, em alguns sites, isso já está acontecendo.

Este artigo explica por quê, usando testes práticos em dispositivos móveis e desktop, modos de debug de navegador, logging server-side de requisições e outras técnicas em três das principais plataformas de LLM: ChatGPT, Gemini e Claude.

Primeiro, Entenda Onde Seus Usuários Estão

Antes de entrar no que quebra e quando, ajuda entender a escala do problema por tipo de dispositivo.

O mobile é a plataforma dominante no tráfego da web. Segundo o Cloudflare Radar, que acompanha requisições HTTP em uma rede que processa mais de 20% de todo o tráfego global da web, os dispositivos móveis respondem por aproximadamente 50% de todas as requisições web. É melhor tratar esse número como um piso: a rede da Cloudflare carrega um volume significativo de tráfego de API, serviços B2B e ferramentas para desenvolvedores, todos fortemente inclinados para desktop. O tráfego web voltado ao consumidor fica consideravelmente mais alto no mobile. Nas contas do GA4 com as quais trabalhamos no dia a dia, o mobile costuma representar entre 70% e 90% do total de sessões. O tráfego de desktop é real, mas secundário.

O mobile é onde a atribuição de LLM falha mais completamente. O dispositivo que a maioria do seu público usa é o dispositivo em que a medição está mais quebrada.

O Que Testamos

Para entender exatamente onde o rastreamento quebra, realizamos testes práticos em dispositivos móveis e desktop usando os apps nativos e os navegadores web do ChatGPT, Gemini e Claude. Os testes foram conduzidos em um iPhone rodando a versão mais recente do iOS, um dispositivo Android rodando a versão mais recente do Android, um Mac rodando a versão mais recente do macOS e um PC Windows rodando a versão mais recente do Windows.

Para cada cenário, verificamos se os parâmetros UTM estavam presentes, se um referrer era passado ao site de destino e se a identidade da sessão persistia quando o usuário saía da interface do LLM para um navegador padrão.

Eis o que encontramos.

Os Resultados em Resumo

Mobile: Onde Está a Maior Parte do Tráfego, e Onde o Rastreamento Quebra

A tabela acima conta a história com bastante clareza. Para aplicativos mobile, o sinal rastreável é baixo ou inexistente. Mas por quê?

A resposta é a web view, e vale entender o que isso significa de fato antes de entrar nas particularidades de cada plataforma.

Quando um usuário toca em um link dentro de um aplicativo móvel de LLM, seja ChatGPT, Gemini ou Claude, o link normalmente abre em um navegador embutido no app chamado web view. Essa web view não compartilha cookies, dados de sessão ou identidade com o navegador nativo do dispositivo. Qualquer estado de rastreamento estabelecido dentro dessa web view fica preso ali.

A consequência prática: quando um usuário termina de navegar dentro do app de LLM e depois abre o navegador do dispositivo para continuar pesquisando ou converter, não há continuidade. Nenhuma identidade compartilhada. Nenhum handoff. Essa visita vira tráfego direto não atribuído.

O ChatGPT no mobile é a opção mais rastreável entre as testadas. O app passa utm_source=chatgpt.com em links externos, e tecnicamente há um caminho de atribuição, mas ele depende de uma sequência de eventos pouco provável. Para que esse UTM sobreviva até a conversão, o usuário precisaria tocar no link dentro do ChatGPT, ser levado à web view embutida no app e então tocar explicitamente em “Abrir no Navegador” para passar a sessão ao navegador nativo antes de continuar. Note que essa jornada só preserva a sessão em dispositivos Android. No iOS, até mesmo esse atalho quebra a continuidade da sessão.

Na prática, alguém descobre você dentro do ChatGPT. Lê a seu respeito, talvez clique rapidamente para o seu site e segue em frente. Mais tarde, talvez uma hora depois, talvez dois dias depois, a pessoa busca por você no Google ou simplesmente digita sua URL diretamente, e é aí que ela pode iniciar o processo de conversão. Essa sessão não carrega nenhum vestígio da interação com o ChatGPT que deu início a tudo. O UTM sumiu. O referrer sumiu. O GA4 registra como direct ou organic search, e o ChatGPT não recebe crédito. E sim, isso é verdade mesmo que você tenha recursos de rastreamento como o Google Signals habilitados na sua propriedade do GA4.

Gemini e Claude no mobile não passam parâmetros UTM nem referrer em nenhum cenário testado. Sessões dessas plataformas caem como tráfego direto puro. Não há sinal conectando-as de volta ao LLM que as originou.

Uma nuance digna de nota: se um usuário descobre um site e converte dentro da web view, há continuidade de sessão interna dentro desse contexto isolado. A web view retém seus próprios cookies entre sessões, então uma jornada completada inteiramente dentro do app é teoricamente mensurável. As limitações padrão de rastreamento por cookies continuam valendo, e com que frequência os usuários concluem um ciclo completo de conversão dentro de uma web view de app é, por si só, uma questão em aberto que merece ser explorada.

Desktop: Melhor, Mas Ainda Inconsistente

O desktop oferece condições de rastreamento mais favoráveis do que o mobile, mas o cenário ainda é fragmentado dependendo da plataforma e da interface usadas.

Ao contrário do mobile, os apps de LLM no desktop não prendem os links em web views isoladas. Eles entregam os links externos diretamente ao navegador padrão do usuário. Portanto, o problema de isolamento da web view não se aplica no desktop. O que continua valendo é se a plataforma se dá ao trabalho de passar UTMs ou referrer, e nesse quesito os resultados são variados.

O ChatGPT no desktop (aplicativo nativo) passa utm_source=chatgpt.com em links externos, o cenário mais confiável de todas as plataformas testadas no desktop. O ChatGPT no navegador passa um referrer, mas sem UTMs.

O Gemini não tem aplicativo de desktop para Mac ou Windows. Todo o uso do Gemini no desktop passa pelo navegador. O Gemini no navegador passa um referrer, mas sem UTMs, mesma história do ChatGPT no navegador.

O Claude é o pior em todos os cenários de desktop. O app nativo de desktop não passa UTMs nem referrer. O Claude no navegador também não passa nada. Toda sessão vinda do Claude no desktop aparece como tráfego direto completamente não atribuído, independentemente de como o usuário chegou ali.

O Problema Cumulativo: Mesmo Uma Boa Atribuição Nem Sempre Chega à Conversão

Vamos supor por um momento que o rastreamento funcione. O UTM está preenchido, o referrer está presente, a sessão é atribuível. Você pode pensar que está coberto.

Não está.

O caminho de uma interação com um LLM até uma conversão concluída raramente é uma única sessão. Um usuário descobre algo via ChatGPT no celular durante o dia. Clica no link, chega à página, navega por alguns minutos. Sai sem converter. Dois dias depois, volta no laptop para concluir. Nesse ponto, o UTM original pode ter expirado, o dispositivo pode ser outro, os cookies podem ter sumido.

Expiração de cookies, jornadas cross-device e caminhos multi-sessão quebram a atribuição cada um por si. Juntos, garantem que mesmo a fração das sessões referidas por LLM que forem corretamente marcadas no primeiro contato raramente receberá crédito pela conversão final.

Esse não é um problema exclusivo do tráfego de LLM. Mas bate com mais força aqui, porque a descoberta assistida por LLM tende a ocorrer mais cedo na jornada de consideração, as pessoas estão pesquisando e explorando, não prontas para comprar. A distância entre essa primeira visita influenciada por IA e a conversão final é maior do que a típica janela de click-to-conversion do tráfego pago, o que agrava o problema cross-device.

O Que Isso Significa Para Seus Dados

Vamos colocar alguns números aproximados nisso. O objetivo não é falsa precisão: é uma faixa razoável que ajude você a entender a escala do que provavelmente está faltando.

Comece pela divisão de dispositivos. O Cloudflare Radar coloca o tráfego web global mobile em aproximadamente 50% de todas as requisições HTTP, e esse número é conservador para públicos voltados ao consumidor porque a rede da Cloudflare carrega uma mistura pesada de tráfego de API e de desenvolvedores. Nas contas do GA4 com as quais trabalhamos, o mobile costuma ficar entre 70% e 90% das sessões. Usamos 70% aqui para ser conservadores.

Depois, há a questão de como as pessoas realmente usam LLMs no celular. Nem todo mundo usa o app nativo. Alguns acessam ChatGPT, Gemini ou Claude pelo navegador do celular, e o uso pelo navegador é significativamente mais rastreável. Dois cenários balizam a faixa.

Premissas de base usadas em ambos os casos:

• Divisão mobile/desktop: 70% mobile, 30% desktop
• Taxa de sobrevivência do sinal no app: 20% dos cliques no app mobile conseguem passar um sinal utilizável (por exemplo, um usuário Android tocando em “Abrir no Navegador”, ou uma conversão acontecendo dentro da web view)
• Atrito no caminho de conversão: penalidade de 25% aplicada pela perda de sinal em saltos cross-device e cookies expirados
• Fator Google AIO: uma parcela da descoberta influenciada por IA agora acontece via Google AI Overviews e AI Mode, que o GA4 registra como busca orgânica padrão, sem como separar

A faixa

As premissas acima são estimativas, sinta-se à vontade para plugar números que reflitam melhor seu próprio público ou suas próprias hipóteses. Use uma divisão mobile diferente, uma razão app/navegador diferente, uma taxa de atrito diferente. O modelo não pretende ser preciso. Pretende mostrar que, independentemente dos números razoáveis escolhidos, a conclusão é a mesma: existe uma subnotificação substancial acontecendo, e a diferença é grande o bastante para importar.

Com nossas premissas, a faixa vai de aproximadamente 2,5x no extremo otimista a 5x no extremo mais pessimista, e potencialmente mais alto quando se consideram as sessões de Google orgânico influenciadas por LLM, impossíveis de separar com analytics padrão.

Se o seu dashboard mostra que 1,5% das suas sessões vêm de LLMs, é provável que algo entre 4% e 8% dessas sessões realmente tenham vindo de LLMs, e esse número está crescendo rápido. É um canal inteiro escondido nos seus relatórios de Direto e Orgânico.

Dá Para Consertar?

Parcialmente. Não existe solução completa, mas há melhorias significativas ao alcance de equipes dispostas a investir em rastreamento e analytics mais sofisticados.

Rastreamento server-side e logging de requisições podem capturar sinais que o JavaScript client-side ignora por completo. Ferramentas de fingerprinting de dispositivo podem manter identidade probabilística entre contextos de web view e navegador no mesmo dispositivo, preenchendo parcialmente a lacuna de isolamento que o rastreamento padrão via cookies não consegue atravessar. Nenhuma abordagem chega à medição completa, e nenhuma resolve o problema cross-device sem um estado de usuário logado que ancore ambas as sessões.

A resposta honesta: você nunca terá medição completa. A arquitetura dos sistemas operacionais móveis, as políticas de referrer das plataformas de LLM e a natureza das jornadas cross-device multi-sessão trabalham todas contra isso. Mas esse não é o aspecto mais importante a se entender sobre o canal.

O objetivo da medição não é uma contagem perfeita de cada conversão: é um entendimento direcional bom o suficiente para tomar decisões. Você não precisa atribuir cada conversão assistida por LLM para saber que esse canal está crescendo, que a sua fatia dele é algo que você pode influenciar e que as mudanças relativas feitas na sua estratégia de visibilidade de IA aparecerão nos seus números. Se o seu tráfego referido por LLMs dobrar após você reestruturar seu conteúdo para melhor citabilidade por IA, esse movimento é significativo, independentemente de você conseguir ou não amarrar cada venda a uma sessão de chat específica.

Este artigo não é um argumento para desistir da medição. É um argumento para não deixar que medição imperfeita vire desculpa para inação. As equipes que tratam a visibilidade de IA como canal de crescimento sério agora, não quando a atribuição estiver mais limpa, não quando o GA4 se atualizar, mas agora, são as que estão construindo uma vantagem difícil de reverter.

Metodologia

Os testes foram conduzidos em um iPhone rodando a versão mais recente do iOS, um dispositivo Android rodando a versão mais recente do Android, um Mac rodando a versão mais recente do macOS e um PC Windows rodando a versão mais recente do Windows. O Linux não foi testado diretamente, mas espera-se que siga padrões semelhantes. Cada plataforma de LLM, ChatGPT, Gemini e Claude, foi testada via app nativo (quando disponível) e via navegador do dispositivo. Para cada cenário, verificamos se os parâmetros UTM eram populados, se um referrer era passado ao site de destino e se a identidade de sessão persistia quando a navegação passava da interface do LLM para o navegador padrão do dispositivo. Logging server-side foi usado para complementar as observações client-side.

Esta pesquisa reflete o comportamento das plataformas no momento do teste (12 de abril de 2026). As plataformas de LLM atualizam seus apps e interfaces web com frequência, e o comportamento de rastreamento pode mudar.

Conclusão

Os canais de IA não são uma consideração futura. Estão ativos agora, crescendo e moldando decisões em escala. O problema é que a infraestrutura que a maioria das equipes usa para medir esses canais foi construída para um mundo em que um clique gerava um referrer confiável e um cookie que durava o suficiente para ver uma conversão.

O tráfego de LLM não funciona assim.

Trate os números do seu canal de IA como uma subnotificação significativa. As sessões que você consegue enxergar são as que por acaso sobreviveram a todas as camadas de perda de rastreamento. As que não sobreviveram são muito mais numerosas, e incluem pessoas que encontraram você, foram influenciadas pelo que uma IA disse a seu respeito e converteram sem deixar nenhum rastro que você pudesse seguir.

Perguntas Frequentes

Por que meu GA4 mostra quase nenhum tráfego do Claude ou do Gemini?

Porque ambas as plataformas não passam parâmetros UTM nem referrer na grande maioria dos cenários que testamos. No mobile, os links abrem em web views isoladas dentro do app que nunca se conectam ao seu ambiente padrão de analytics. No desktop, o Claude não passa nada, nem no aplicativo nem no navegador. O Gemini passa um referrer no navegador, mas sem UTMs. Sem nenhum dos dois, a maior parte desse tráfego cai no GA4 como direto ou simplesmente não é contabilizada.

O ChatGPT mostra algum tráfego nos meus relatórios. Isso significa que está sendo rastreado com precisão?

Não exatamente. O ChatGPT é a mais rastreável das três plataformas que testamos. Ele anexa utm_source=chatgpt.com em vários cenários, e seu aplicativo de desktop faz isso de forma confiável. Mas, no mobile, o caminho para a atribuição é estreito e dependente da plataforma. O UTM pode sobreviver se o usuário tocar em “Abrir no Navegador” dentro da web view, mas isso só funciona no Android. No iOS, esse handoff não preserva a sessão. A identidade é perdida quando o usuário sai da web view, independentemente de como ele saia. Portanto, mesmo no melhor caso, você precisa de um usuário no Android, usando o app e tocando explicitamente em “Abrir no Navegador” antes de continuar navegando. Essa é uma fatia pequena do seu tráfego real do ChatGPT no mobile. Os números que você vê no GA4 são reais, mas representam uma fração do que o ChatGPT está de fato gerando.

Esse problema afeta apenas usuários de mobile?

O mobile é onde o problema é mais grave, mas o desktop também não está limpo. O Claude no desktop não passa nada em todos os cenários testados, seja no app ou no navegador. O Gemini no desktop passa um referrer, mas sem UTMs, o que pode ou não ser classificado corretamente dependendo da sua configuração do GA4. O aplicativo de desktop do ChatGPT é o único ponto positivo confiável. Portanto, mesmo que seu público fosse inteiramente de desktop, você ainda estaria perdendo uma parcela significativa do tráfego influenciado por LLM.

O que é uma web view e por que ela causa problemas de rastreamento?

Uma web view é um navegador embutido no app que abre quando você toca em um link dentro de um aplicativo móvel. Parece um navegador, mas é isolado do navegador real do dispositivo. Não compartilha cookies, dados de sessão ou identidade com o Safari ou o Chrome. Então, qualquer rastreamento que dispare dentro de uma web view fica preso ali. Quando o usuário abre depois o navegador de verdade para continuar a jornada, ele parece um visitante novinho em folha, sem histórico.

Se a conversão final acontece dentro da web view do aplicativo, isso é rastreado?

Pode ser, mas não de forma limpa. A conversão precisa acontecer dentro da web view para que a cadeia de atribuição se mantenha. O usuário não precisa ter passado toda a jornada ali, mas o passo final sim. O detalhe é que o iOS representa a maioria do tráfego mobile para a maior parte dos públicos e, no iOS, a web view está sujeita às restrições de cookies do WebKit, incluindo a Intelligent Tracking Prevention. Essas restrições podem limitar ou quebrar a continuidade da qual você depende. Portanto, embora esse cenário seja teoricamente rastreável, na prática é a opção menos quebrada disponível, não um caminho confiável.

Posso corrigir isso com rastreamento server-side?

O rastreamento server-side ajuda, mas não resolve tudo. Ele consegue capturar sinais que o JavaScript client-side deixa passar, incluindo dados de referrer que nunca chegam ao GA4. Ferramentas de fingerprinting de dispositivo também podem ajudar mantendo identidade probabilística entre contextos de web view e navegador no mesmo dispositivo. Mas nenhuma das abordagens resolve o problema cross-device, e nenhuma lhe dá medição completa. Você chegará significativamente mais perto da verdade, mas não o caminho todo.

Quanto o tráfego de conversão assistido por LLM está de fato sendo subnotificado?

Com base na nossa análise, algo entre 2,5x e 5x, dependendo do seu público e de como ele usa as plataformas de LLM. A estimativa conservadora (Caso A) assume que metade dos usuários mobile acessa os LLMs pelo navegador, onde o rastreamento funciona em grande parte, produzindo aproximadamente 2,5x de subnotificação após considerar as perdas no caminho de conversão. A estimativa mais realista (Caso B) assume que 80% dos usuários mobile estão no aplicativo nativo, onde o rastreamento essencialmente falha, produzindo uma subnotificação de 4 a 5x. Ambas as estimativas ainda são provavelmente conservadoras, porque uma parcela crescente do que o GA4 classifica como Google orgânico é, na verdade, tráfego influenciado por LLM chegando via AI Overviews e AI Mode, tráfego que é impossível de separar com analytics padrão.

Devo investir mais em visibilidade de IA mesmo sem conseguir medir os resultados?

Sim, indiscutivelmente mais, não menos. O fato de você não conseguir medir o impacto total desse canal não significa que o impacto não exista. Significa que suas ferramentas atuais não estão à altura para enxergá-lo. As sessões que conseguem chegar aos seus relatórios já mostram engajamento significativo. As que não chegam são ordens de magnitude mais numerosas. Tratar esse canal como irrelevante porque os números parecem pequenos é exatamente a conclusão errada a se tirar.