As páginas de treinamento de LLM funcionam mesmo?
Sim. Em um teste controlado de oito semanas, a categoria que recebeu páginas de treinamento foi rastreada cerca de 17% mais do que uma categoria comparável mantida de fora como linha de base. Uma categoria de produtos recebeu páginas de treinamento de LLM pré-renderizadas. Uma categoria equivalente ficou de fora do lançamento e serviu como linha de base. Oito semanas depois, a categoria tratada era rastreada 17% mais que o grupo de controle. O rastreamento subiu no site inteiro nas mesmas semanas, então, sem o grupo de controle, não haveria como distinguir o nosso efeito do pano de fundo. A página que alteramos é uma página de listagem de categoria comum, então a mesma construção se aplica a páginas de ecommerce em Shopify, Magento, Adobe Commerce, Salesforce Commerce Cloud e em qualquer outra plataforma capaz de renderizar HTML no servidor. Um rastreamento de treinamento é como um modelo aprende sua marca de cor. Acerte nisso e o assistente cita seu produto a partir do que já sabe: sem busca na web, sem citação, sem link para clicar, apenas as especificações e comparações que ele leu uma vez e guardou. Isso só acontece se um rastreador de treinamento conseguiu ler a página em primeiro lugar, e esse é o único elo da cadeia que uma marca pode controlar e medir diretamente. A seguir vêm a página que publicamos, as oito semanas depois de ela entrar no ar e os três testes que fizemos para tentar derrubar o resultado.
- AI training crawls ran 17% above the untouched control. Medido ao longo das 8 semanas após o lançamento. O resultado se mantém em um teste de placebo com 46 datas de lançamento inventadas, ao remover qualquer uma das páginas da análise e diante de mudanças na janela de análise.
- A comparable category ran alongside as a holdout, and every number is measured against it. O rastreamento subiu com força no site inteiro na mesma janela, então é o grupo de controle que separa o efeito do pano de fundo. Ele também sustentou as verificações de qualidade dos dados: quando os rastreamentos de treinamento marcaram zero por sete dias seguidos em todas as categorias ao mesmo tempo, inclusive na de controle, isso apontou uma falha de registro em vez de comportamento dos rastreadores, e esses dias foram descartados.
- Both categories more than doubled. The training pages account for the 22% gap between them. Os rastreamentos de treinamento brutos subiram 2.7x na categoria tratada e 2.2x no grupo de controle, que não recebeu absolutamente nada, ou seja, boa parte desse crescimento foi setorial e teria acontecido de qualquer forma. Indexadas contra suas próprias médias pré-lançamento, as duas linhas terminam a janela com 22% de distância. Na média das oito semanas completas, a diferença fica em 17%.
-
In-stock pages gained 43% of training crawls. Out-of-stock pages lost 22%.
Páginas em estoque (10): 5,090 → 7,270 rastreamentos de treinamento (+43%)Páginas sem estoque (3): 870 → 680 (−22%)Todas as páginas sem estoque perderam atenção de rastreamento. Isso vem de 13 páginas e não foi previsto de antemão, então é uma pista que gostaríamos de testar como se deve, não um achado.
- Once a model has read your pages, it can recommend them without looking them up. A training crawl is what puts your product facts into the model itself, so an assistant can answer from memory rather than going out to the web. Getting crawled is not the same as getting recommended. What it changes is what the model knows about your range by default, before anyone asks it anything, and it is the part of the chain a brand can change on purpose and check the next morning. Crawls are the only thing we measured here.
Uma categoria recebeu páginas de treinamento. Uma categoria comparável, não.
Nosso cliente publicou páginas de treinamento de LLM pré-renderizadas para uma categoria de produtos em maio de 2026. Uma segunda categoria, de tamanho comparável, ficou de fora do lançamento para servir de linha de base. Tudo neste relatório é medido contra esse grupo de controle.
Uma "página de treinamento" aqui é uma página pré-renderizada no servidor, construída para que um rastreador de IA consiga ler toda a história do produto sem executar JavaScript: especificações, comparações e respostas em linguagem simples, com links no corpo do texto para cada página de produto. A pergunta é se publicá-las muda alguma coisa no comportamento de um rastreador.
Responder isso é mais difícil do que parece, porque o rastreamento de IA está subindo em todo lugar. Publique páginas de treinamento em maio, veja os rastreamentos subirem em junho, e você aprendeu muito pouco. É preciso saber o que teria acontecido de qualquer jeito. A categoria de controle fornece isso: é a melhor estimativa disponível do que a categoria tratada teria feito se nada tivesse sido publicado.
As categorias são renomeadas com nomes de planetas. As páginas de produto dentro da categoria tratada são renomeadas com nomes de luas. Os números são exatamente como foram medidos. Nosso cliente e sua vertical não são revelados.
A métrica são os rastreamentos de treinamento de IA: acessos de rastreadores de treinamento de IA às páginas de produto para as quais a página de listagem de cada categoria linka a partir do corpo do conteúdo. Links de navegação, cabeçalho e rodapé ficam de fora, então estamos contando rastreamentos nas páginas para as quais a página de treinamento efetivamente aponta.
A unidade de observação é o dia, não o acesso. Uma sessão de rastreamento pode emitir centenas de requisições em rajada, então tratar 17,030 acessos como 17,030 sorteios independentes faria quase tudo parecer significativo. São 118 dias nos gráficos abaixo e 57 dias de cada lado do lançamento dentro das janelas estatísticas.
Depois que um modelo leu suas páginas, ele pode recomendá-las sem consultar a web.
Um rastreamento de treinamento leva os fatos do seu produto para dentro do próprio modelo, de forma que um assistente possa responder de memória em vez de recorrer à web. É essa a métrica que este estudo movimenta.
Veja como isso aparece na prática. Alguém pergunta a um assistente qual destes deveria comprar. Ele responde citando o seu produto, descrevendo o que ele faz e para quem serve, e comparando com a alternativa, tudo a partir do que já aprendeu. Não há busca, não há citação, não há link de fonte. O modelo conhece a sua linha do mesmo jeito que conhece qualquer outra coisa, e esse conhecimento veio de páginas que um rastreador de treinamento leu e absorveu meses antes.
A recuperação ao vivo, em que um assistente busca uma página no meio da resposta e a cita, é a outra porta de entrada. Ela importa, e começa no mesmo lugar: um rastreador pedindo uma página ao seu servidor e recebendo algo que consegue ler.
Entregue a ele uma casca de JavaScript e você não está em nenhuma das duas. O modelo não aprende o que o seu produto faz, a camada de recuperação não tem nada para puxar e, quando um comprador pede a um assistente para comparar a sua linha com a de um concorrente, o assistente responde com o que ele tem. Isso costuma ser um anúncio de marketplace, um site de avaliações ou o concorrente.
Essa é a versão honesta de por que este número importa, e é também a razão de sermos cuidadosos com o que afirmamos a partir dele. Este estudo prova que as páginas de treinamento fizeram as páginas serem lidas com mais frequência. Ele não prova o que qualquer modelo fez com o que leu. Não vamos fingir o contrário, e um relatório que salta direto de um gráfico de rastreamento para uma promessa de receita é um relatório em que você não deveria confiar.
O que torna o rastreamento digno de perseguição mesmo assim é ser o único elo da cadeia sobre o qual você pode agir diretamente. Você não consegue obrigar um modelo a citar você. Você consegue decidir o que o seu servidor entrega a um rastreador, e consegue contar o que acontece em seguida.
Cerca de 3,000 palavras de conteúdo pré-renderizado ficam abaixo da grade de produtos.
"Página de treinamento de LLM" é uma expressão vaga, então desmontamos a página no ar e contamos o que havia nela.
A página de listagem mantém sua grade de produtos normal no topo. Tudo abaixo da grade é o conteúdo de treinamento: HTML pré-renderizado que um rastreador consegue ler sem executar JavaScript. Chega a cerca de 3,000 palavras, aproximadamente 77% do corpo de texto da página.
A estrutura se repete de propósito. Toda análise detalhada de produto tem o mesmo formato: uma seção "o que torna este diferente" dividida em seis motivos com títulos separados, seguida de uma tabela de especificações. Um modelo que a lê tem pouco a inferir, porque cada resposta já está como um bloco autocontido sob um título que nomeia a pergunta que ela responde.
Boa parte dos conselhos sobre visibilidade em IA é, na verdade, conselho sobre schema, então deixamos o schema de fora. Links para os produtos dentro do texto ficaram de fora pelo mesmo motivo. O que se moveu, moveu-se porque o conteúdo estava no HTML, organizado sob títulos e em tabelas, e legível sem um navegador. Isso nos dá um piso limpo para construir: o próximo teste adiciona os links internos, o seguinte adiciona os dados estruturados, e a cada vez conseguimos medir quanto vale cada adição isoladamente, em vez de publicar tudo de uma vez e adivinhar qual parte fez o trabalho.
Mais uma coisa deixada de fora de propósito: apenas 6 das 13 páginas de produto linkadas receberam um bloco de análise detalhada próprio. As outras sete são linkadas na grade e nada mais. Isso não foi um descuido. Sobram sete páginas que receberam o benefício de estar em uma página enriquecida sem ter texto próprio, o que acaba sendo uma das comparações mais úteis do estudo.
Os rastreamentos de treinamento subiram 2.7x na categoria tratada e 2.2x no grupo de controle. A diferença entre eles é de 22%.
Cada linha está indexada de modo que sua própria média pré-lançamento seja 100, então ambas começam no mesmo nível. As duas mais que dobram ao longo da janela, inclusive a de controle, que não recebeu nada. Só os 22% que as separam no fim podem ser creditados às páginas de treinamento.
Em números semanais brutos, a categoria tratada foi de 630 rastreamentos por semana para 1,690, uma alta de 2.7x. Nas mesmas semanas, o controle intocado foi de 1,670 para 3,650, uma alta de 2.2x, sem nenhuma página de treinamento.
O rastreamento de IA está subindo em quase todos os sites neste momento, então quase qualquer mudança que você publicar será seguida por uma alta nos rastreamentos. Uma alta, por si só, carrega pouquíssima informação. O que carrega informação é crescer mais rápido que uma categoria comparável que foi deixada em paz.
A categoria tratada cresceu mais que o controle em 17%.
Os mesmos dados com a maré alta descontada. A categoria tratada é dividida pelo controle e depois indexada de modo que a média pré-lançamento seja 100. Acima de 100 significa que ela cresceu mais rápido que o resto do site.
Antes do lançamento, a linha oscila em torno de 100 sem tendência, que é a cara de um controle válido: as duas categorias andavam juntas. Depois do lançamento, ela sobe e permanece elevada. A média pós-lançamento da própria linha é 114. A estimativa formal, que é uma regressão em escala logarítmica e não uma média de razões, é de +16.8%, com intervalo de confiança de 95% de +7.8% a +26.4%. Dois estimadores diferentes, ambos caindo na mesma faixa.
A linha azul e a faixa sombreada são objetos diferentes. A linha é uma razão diária e qualquer dia isolado dela significa muito pouco. A faixa é o ganho médio estimado ao longo de toda a janela pós-lançamento, e sua altura é a incerteza em torno dessa média. A faixa é o achado. O último ponto da linha não é.
Como validamos o achado: três testes, e ele se manteve nos três.
Um teste que devolve um número bom não vale muito sozinho. Estes são os três que fizemos contra ele.
46 datas de lançamento inventadas não produziram nada.
Refizemos a análise inteira contra 46 datas de lançamento que inventamos. Um método que encontra efeitos nessas datas está encontrando efeitos no ruído. Nenhuma das 46 produziu um efeito tão grande quanto o real.
Nenhuma página isolada sustenta o resultado.
Removemos cada uma das 13 páginas por vez e refizemos a análise. O resultado se manteve todas as vezes, variando de +10% a +19%. Nenhuma página isolada sustenta o achado.
A estimativa é estável em diferentes configurações.
Comprimentos de janela e defasagens de autocorrelação diferentes movem a estimativa em alguns pontos e nunca mudam a conclusão.
Um padrão merece ser mostrado à parte. O rastreamento segue um ciclo semanal forte, e a mudança depois do lançamento é bastante desigual ao longo da semana. Qualquer comparação que não alinhe dia da semana com dia da semana está medindo, em parte, o calendário.
O sábado caiu. Todos os outros dias subiram, e quinta e domingo subiram mais.
Uma correção, e vale explicitá-la. Um resultado como este poderia, em princípio, ser uma coincidência, então a primeira coisa que fazemos é perguntar quão grande teria que ser essa coincidência. Nossa primeira passagem dizia que a chance de obter isso só por sorte era de cerca de 1 em 3,000.
O teste de placebo nos mostrou que esse número era generoso demais. Quando apontamos a mesma matemática para datas em que nada tinha acontecido, ela ainda voltava alegando um resultado com muito mais frequência do que deveria, ou seja, o método se impressiona mais facilmente do que aparenta. Rebaixamos nossa própria confiança para acompanhar. Uma leitura justa da chance fica mais perto de 1 em 50. Isso ainda é um resultado real, apenas uma afirmação mais modesta que a primeira.
A chance não é o número a guardar. A faixa é. Nossa melhor estimativa do ganho é 17%, e o intervalo em torno dela vai de 8% a 26%. É essa a frase que defenderíamos: as páginas de treinamento produziram entre 8% e 26% mais rastreamento, e muito provavelmente algo em torno de 17%.
O rastreamento extra caiu sobre os produtos que estavam em estoque.
A média da categoria esconde o formato disso. Aberto nas 13 páginas de produto, o rastreamento extra se distribui de forma bastante desigual.
Agrupar as páginas antes de suavizar é o que torna isso legível. Uma página de produto isolada recebe um punhado de rastreamentos por dia, e uma linha disso é quase toda tremor. Somadas, as dez páginas em estoque ficam estáveis durante a primavera e depois dão um degrau para cima após o lançamento. As três páginas sem estoque fazem algo diferente, e não é bem a história que esperávamos.
A linha sem estoque já vinha escorregando antes de as páginas de treinamento existirem. Ela chega baixa à data de lançamento e cai mais depois. Não podemos entregar toda essa queda às páginas de treinamento, e não vamos fazer isso. Parte dela começou antes, por razões que este estudo não mediu.
Página a página o ruído é evidente, e é justamente por isso que o mostramos. Painéis individuais se afastam muito da própria linha de base nos dois sentidos antes de qualquer coisa ter sido publicada. O que sobrevive a esse ruído é o placar no fim da janela.
E não é só a situação de estoque. Lembre-se de que apenas seis das treze páginas receberam um bloco de análise detalhada próprio. Ordene as páginas pelo que a página de treinamento de fato lhes deu e um gradiente aparece.
As páginas com um bloco escrito próprio ganharam mais. As páginas que só eram linkadas a partir de uma página que ficou mais rica também ganharam, e essa é a metade mais surpreendente: um produto não precisa de texto próprio para se beneficiar. As páginas sem estoque perderam terreno nos dois casos.
Todas as três páginas sem estoque perderam atenção de rastreamento ao longo da janela. Nove das dez páginas em estoque ganharam. A exceção, Pandora, é um item de linha de baixo valor e não um produto principal, e caiu 32%.
Essa afirmação se apoia em 13 pontos de dados e não foi prevista de antemão. Nenhuma página individual aqui é significativa sozinha e não anexamos valor-p a nenhuma delas. Parte da queda das páginas sem estoque também é anterior ao lançamento, como mostra o gráfico agrupado. É uma pista que vale testar como se deve em outra categoria, não um resultado.
O achado cobre rastreamentos de treinamento. Ele não se estende além disso.
O que este desenho mede bem e onde ele se esgota.
Rastreamentos de treinamento são a métrica que este estudo consegue sustentar. As contagens diárias são grandes o bastante, o grupo de controle é limpo e o efeito sobrevive a todos os testes que jogamos contra ele. Tudo neste relatório é uma afirmação sobre a frequência com que rastreadores de IA buscaram estas páginas, e nada além disso.
Comportamento a jusante é outra questão. As referências vindas de assistentes de IA ficaram em +9% contra o grupo de controle, mas a menor mudança que este desenho conseguiria detectar de forma confiável é de cerca de ±72%, então esse número é ruído fantasiado de resultado. Não vamos reportá-lo como achado. Medir o que acontece depois do rastreamento exige muito mais tráfego ou muito mais tempo, e provavelmente as duas coisas.
Uma categoria não é uma lei. Este é um único grupo tratado medido contra um único grupo de controle ao longo de oito semanas. Basta para dizer que o mecanismo funcionou aqui. Não basta para dizer qual seria o tamanho do efeito em outro catálogo, em outra vertical ou daqui a um ano.
Construindo sua primeira página de treinamento de LLM: o que colocar nela e como saber se funcionou.
Esta é a página que medimos, descrita como especificação de construção, mais a estrutura de medição que exigiríamos antes de alguém publicar qualquer coisa.
A página que produziu um ganho de 17% é uma página de listagem de categoria com um bloco longo e bem organizado de HTML pré-renderizado abaixo da grade de produtos. Não há truque nisso. Os passos abaixo são o que compõe essa página, na ordem em que a construiríamos de novo.
Coloque na página de categoria, abaixo da grade
Não em uma URL nova, e não escondido atrás de uma aba ou de um acordeão. A página que você está enriquecendo é aquela que já linka para todos os produtos da linha, e são esses links de produto que o rastreador segue em seguida.
Faça primeiro o SEO técnico chato, porque nada disso funciona sem ele
A página precisa ser alcançável antes de poder ser lida. Confirme que ela retorna 200 e não está bloqueada no robots.txt para os user-agents de IA que lhe interessam, que está no XML sitemap, que é linkada de algum lugar real em vez de ficar órfã, que o canonical aponta para ela mesma e que ela não é noindex. Todo número neste relatório depende de um rastreador conseguir alcançar a página, e nada do que está escrito importa se ele não conseguir.
Pré-renderize. Esta é a parte que não é opcional
O texto tem que estar no HTML que chega do servidor. Se um rastreador precisar executar JavaScript para ver o seu conteúdo, parta do princípio de que ele não vai ver o seu conteúdo. Busque a página com o JavaScript desativado e leia o que volta. Isso é a sua página de treinamento.
Nada aqui é específico de uma plataforma. Uma página de listagem de categoria é uma página de listagem de categoria, e toda stack de ecommerce relevante consegue renderizar uma no servidor. O que muda é o que costuma quebrá-la.
O teste é o mesmo em todo lugar e leva um minuto: requisite a página com o JavaScript desligado e leia o que volta. Se o bloco não estiver naquele HTML, ele não existe para os fins deste estudo.
Um bloco por produto que você realmente quer vender, cerca de 400 palavras
Seis produtos receberam um bloco aqui, com média de cerca de 400 palavras. Cada um seguiu o mesmo esqueleto: uma seção "o que torna este diferente" e depois uma tabela de especificações. A repetição entre produtos é uma virtude. Ela deixa a linha inteira fácil de analisar e fácil de comparar.
Divida o argumento em cerca de seis motivos com títulos separados
Não é uma lista de bullets, e não é um parágrafo corrido. Cada motivo ganha seu próprio subtítulo e cerca de 30 palavras abaixo dele. O título deve nomear aquilo que responde, de forma que a resposta possa ser extraída sozinha e ainda fazer sentido.
Dê a cada produto uma tabela de especificações
Cerca de 14 linhas de atributos: tudo o que um comprador de fato compararia antes de escolher entre dois dos seus produtos. Uma tabela declara o fato e o rótulo do fato na mesma linha, e é por isso que ela sobrevive muito melhor à extração do que a mesma informação escrita em prosa.
Acrescente uma tabela de comparação de toda a linha
Os mesmos atributos, todos os produtos, preço incluído. Este é o objeto mais citável da página inteira: é a resposta para "qual devo levar", que é a pergunta que as pessoas de fato fazem a um assistente.
Termine com quatro ou cinco perguntas reais de compra
Perguntas como títulos, respostas de cerca de 100 palavras e uma tabela pequena dentro da resposta sempre que uma tabela ajudar. Escreva as perguntas que o seu time de vendas ouve, não as que uma ferramenta de palavras-chave sugere.
Aponte para produtos que você realmente pode vender
Todas as páginas sem estoque neste estudo perderam atenção de rastreamento, enquanto as páginas em estoque ganharam. Essa separação não está comprovada e parte da queda é anterior ao lançamento, mas agir sobre ela não custa nada. Não gaste orçamento de rastreamento anunciando produtos que ninguém pode comprar.
Escolha um grupo de controle antes de construir qualquer coisa
Escolha uma categoria comparável, de tamanho e tráfego parecidos, e registre por escrito que ela não recebe páginas de treinamento neste trimestre. Sem isso, você não consegue distinguir o seu efeito da alta setorial do rastreamento de IA, e vai acabar reportando a alta como se a tivesse causado.
Colete pelo menos oito semanas de linha de base antes
Você precisa de histórico suficiente para mostrar que as duas categorias andavam juntas antes de você mexer em uma delas. Se elas já estavam divergindo, a comparação não vale nada, e só a linha de base revela isso.
Registre os acessos de rastreadores de IA na borda, por URL, por dia
Logs de servidor ou de CDN, não uma tag de analytics em JavaScript: os rastreadores que interessam nunca executam a tag. Mantenha a granularidade diária. O dia é a unidade que você vai analisar, porque uma única sessão de rastreamento pode disparar centenas de requisições em rajada, e contar acessos faria quase tudo parecer significativo.
É para isso que o WISLR AI Channel Analytics foi construído. Ele lê o tráfego de rastreadores de IA na borda, por URL e por dia, a partir dos seus próprios logs em vez de uma estimativa de terceiros, que é exatamente o dado sobre o qual todo número deste relatório foi construído. Se você não quiser montar a pipeline por conta própria, esse é o atalho.
Reporte a diferença, nunca o crescimento bruto
Os seus rastreamentos vão subir. Os do grupo de controle também. O único número que vale colocar diante da liderança de ecommerce é a diferença entre os dois, e qualquer relatório que mostre crescimento de rastreamento sem um grupo de comparação está mostrando um gráfico, não um resultado.
Meça de novo daqui a um trimestre
As semanas mais fortes deste estudo foram as duas últimas. Isso é efeito cumulativo, com os rastreadores reindexando a linha, ou é ruído, e oito semanas não distinguem uma coisa da outra. Agende a reavaliação agora, enquanto o grupo de controle ainda existe.
Podemos rodar este estudo no seu catálogo.
Nós construímos as páginas de treinamento, seguramos uma categoria comparável como linha de base antes de qualquer publicação e medimos o que as páginas fizeram contra ela. É essa a diferença entre reportar uma alta de 2.7x e reportar os 22% dela que você de fato causou.