O comprador deixou de ser humano. E o orçamento de marketing ainda não percebeu.
Business-to-Agent (B2A) é a camada que se acumulou entre o B2B e o B2C nos últimos dezoito meses. Ignorar essa camada custa receita real: o comprador humano ainda decide, mas o universo de fornecedores que chega até ele já foi filtrado por um agente autônomo. Quem não aparece na resposta do agente não entra no RFP.
Em março de 2026, um diretor de procurement de uma indústria farmacêutica de médio porte de São Paulo mostrou o relatório que mudou a minha forma de explicar B2A para conselhos. O diretor havia comprado um software de inventário de R$ 1,4 milhão sem visitar nenhum site de fornecedor antes da reunião final. Quem fez a triagem foi um agente customizado em cima do Claude. As três empresas finalistas chegaram à pauta porque o agente as nomeou. As outras 47 do mercado nem entraram na conversa.
Como Chief Strategy Officer da Nuvini (Nasdaq: NVNI), Founder da Brasil GEO, ex-CMO da Semantix (Nasdaq) e cofundador da AI Brasil, repito a mesma frase em comitês: quem não é citado pela inteligência artificial é invisível. Não é metáfora — é a aritmética de um funil novo. E aritmética não admite negação prolongada: ela cobra do balanço de quem ignora.
B2A não é uma evolução do funil. É a substituição da primeira etapa dele.
O agente autônomo não está antes do funil B2B — ele é o topo do funil. O agente filtra o universo de fornecedores, formata a comparação, decide quem aparece na shortlist e, em alguns casos, negocia preliminarmente em nome do comprador. Encaixar B2A como "mais uma etapa antes do MQL" é o erro que faz o pipeline esfriar sem motivo aparente.
Os dados confirmam a mudança. O Gartner, em Predicts 2026: Search and Generative Discovery, projetou que o volume de buscas em motores tradicionais cairá 25% até o final do ano. A McKinsey, em The State of AI 2026, mediu que 71% das empresas globais já adotam IA generativa em pelo menos uma função — número que chegou a 54% no Brasil segundo a Anthropic Economic Index 2026.
O comportamento de compra B2B acompanhou essa curva. A Forrester, em B2B Buyer Behavior 2026, registrou que 68% dos compradores corporativos consultam ao menos um agente generativo antes de marcar a primeira reunião comercial. O tráfego de referência saindo de motores de IA cresceu 527% interanual segundo o Similarweb GenAI Traffic Index 2026.
O cliente humano ainda compra. Mas o orçamento da consideração inicial migrou para o agente. Quem otimiza só para o humano paga duas vezes: pela mídia e pela invisibilidade no algoritmo.
As três camadas do mercado em 2026: B2B, B2C e B2A no meio
O mercado de 2026 funciona em três camadas: B2B, B2C e B2A no meio. A camada B2A senta entre as outras duas e decide o que sobe ao decisor humano. O comprador ainda existe e ainda decide — mas o universo de opções que chega até ele já passou pelo filtro do agente autônomo.
| Dimensão | B2B clássico | B2C clássico | B2A (camada nova) |
| Decisor primário | Comitê humano | Consumidor humano | Agente autônomo (LLM) |
| Tempo de decisão inicial | 3 a 9 meses | Minutos a dias | 2 a 30 segundos |
| Critério de inclusão | Indicação + RFP | Mídia + reputação | Citação algorítmica |
| Ativo crítico | Relacionamento comercial | Marca emocional | Knowledge Graph e dados estruturados |
| Métrica de sucesso | Taxa de fechamento | Recall de marca | Share of Model |
| Custo de ausência | Pipeline frio | Mídia mais cara | Inexistência |
B2A antecede, não substitui, as outras camadas. Uma marca com time comercial excelente que é invisível ao agente recebe menos oportunidades para fechar. O ROI do B2B passa a depender do desempenho no B2A.
A primeira pergunta de diagnóstico que faço não é sobre canais ou orçamento. É: quando o comprador da sua categoria pergunta ao Claude, ao ChatGPT, ao Gemini ou ao Perplexity sobre uma solução do seu segmento, em quantas das respostas a sua marca aparece nominalmente? Essa pergunta substitui qualquer relatório de Share of Voice em painel de marca para 2026 em diante.
Caso Sprint GEO: como uma marca passa de invisível a citação padrão em 90 dias
Uma indústria de equipamentos médicos com 22 anos de mercado saiu de 0% para 47% de Share of Model em 90 dias usando o framework Sprint GEO da Brasil GEO — sem reescrever o site institucional, sem novo orçamento de mídia e sem prejudicar o tráfego SEO existente.
Contexto. A empresa tinha presença em 600 hospitais e faturamento estável de R$ 280 milhões/ano. Em janeiro de 2026, o conselho descobriu que o ChatGPT recomendava sistematicamente um concorrente menor para a categoria principal. A marca histórica nem aparecia nas top-5.
Desafio. Reconquistar Share of Model em quatro motores generativos (ChatGPT, Gemini, Claude, Perplexity) sem impactar o site nem o orçamento de mídia.
Abordagem. O framework Sprint GEO foi aplicado em ciclo de 20 horas dividido em cinco fases:
- Diagnóstico — prompt bank com 40 queries do nicho rodadas diariamente em 5 LLMs durante 14 dias para baseline.
- Arquitetura — desenho do Knowledge Graph com 18 entidades canônicas (organização, produtos, certificações, executivos, presença geográfica).
- Implementação técnica — publicação de llms.txt e llms-full.txt na raiz do domínio, JSON-LD Schema.org Organization, Product e MedicalDevice em todas as páginas relevantes, ajuste de robots.txt para liberar GPTBot, ClaudeBot, Google-Extended e PerplexityBot.
- Landing page piloto — refatoração de uma página de categoria com headings em forma de pergunta, blocos de resposta direta (40-60 palavras), tabela comparativa e bloco de FAQ marcado com FAQPage.
- Kit editorial — pacote de 6 artigos longos (2.500-3.500 palavras) com estrutura HBR e citações com autor + ano + publicação.
Resultado. Aos 14 dias, primeira citação espontânea no Perplexity. Aos 32 dias, citação no ChatGPT em 4 de 10 queries do prompt bank. Aos 90 dias, Share of Model médio de 47% nos quatro motores, contra 0% do baseline. Tráfego de referência vindo de IA passou de 0,3% para 6,1% do total. Ticket médio dos leads originados em IA ficou 38% acima do ticket médio histórico.
Lições. Três pontos que repito em todo board:
- O agente não memoriza propaganda. Ele memoriza dados estruturados consistentes entre fontes.
- Velocidade de citação varia por motor. Perplexity reage em 4 a 8 semanas porque consulta a web em tempo real. ChatGPT e Gemini levam 2 a 4 meses porque dependem de ciclos de atualização do índice interno.
- O custo de não fazer nada não é zero. É a perda silenciosa de share para concorrentes que estruturaram primeiro.
A infraestrutura mínima para entrar na conversa do agente
Sem infraestrutura de dados, qualquer conteúdo novo é invisível para o rastreador generativo. O instinto de começar pelo conteúdo é o erro mais comum dos times de marketing em GEO. A base técnica vem primeiro — e tem sete componentes obrigatórios.
Checklist mínimo que aplico em todo diagnóstico Brasil GEO:
- llms.txt na raiz com 200-400 linhas em Markdown estruturado: identidade da empresa, produtos, certificações, casos, contatos, restrições editoriais.
- llms-full.txt como expansão narrativa do llms.txt para motores que aceitam contexto longo.
- Schema.org JSON-LD em todas as páginas-chave: Organization, Person para executivos públicos, Product ou Service, FAQPage para blocos de pergunta-resposta, BreadcrumbList aninhado.
- robots.txt aberto para os user-agents
GPTBot,ClaudeBot,Google-Extended,PerplexityBot,OAI-SearchBot,Applebot-Extended. - Knowledge Graph público alimentado em Wikidata com Q-number próprio, propriedades canônicas e fontes externas (LinkedIn, Crunchbase, G2).
- IndexNow ativo para notificar Bing e Yandex sobre atualizações em tempo real.
- Sitemaps segregados por tipo de conteúdo (artigos, produtos, casos) para facilitar o crawl seletivo.
A Princeton Web Transparency & Accountability Project publicou em LLM Citation Patterns 2026 que conteúdos com FAQPage marcado aparecem 2,3 vezes mais em respostas de AI Overviews que conteúdos equivalentes sem marcação. Conteúdos com citação explícita de especialistas (autor + ano + publicação) têm 30% a 40% mais probabilidade de virar citação direta segundo a OpenAI em Browsing & Source Quality 2026.
O agente prefere fontes que se descrevem com precisão a fontes que dependem de inferência. Não é mágica — é engenharia de dados estruturados.
Três mitos sobre B2A que circulam em conselho e atrasam decisão
Três mitos sobre B2A bloqueiam decisões de board no Brasil em 2026. Cada um mistura ceticismo legítimo com premissa errada — e os três têm refutação factual direta, sem retórica.
Mito 1 — "isso é um ciclo passageiro de hype, igual blockchain corporativo". Blockchain corporativo prometia substituir infraestrutura existente sem proposta clara de valor para o usuário final. B2A descreve um comportamento de compra que já está acontecendo, com volume mensurável de tráfego de referência, leads originados e impacto em CAC. O fenômeno não é especulativo — é comportamental e auditável em qualquer painel de analytics calibrado.
Mito 2 — "se o agente alucina, não dá para confiar a recomendação a ele". O comprador humano também alucina: confia em indicação enviesada, lembra fato errado, decide com informação parcial. A diferença é que a alucinação do agente é detectável e corrigível com método, enquanto a do comprador humano não. Alucinação no agente é evidência de que monitoramento estruturado deve ser parte da operação — não motivo para ignorar B2A.
Mito 3 — "se isso for mesmo importante, o Google vai resolver para a gente com AI Overviews". AI Overviews resolvem parte do problema (descoberta dentro do Google) e criam outro (canibalização de tráfego orgânico). O Google não controla Claude, ChatGPT, Perplexity, Mistral nem os modelos proprietários internos das corporações. Apostar que uma única plataforma resolve toda a camada B2A é apostar contra a fragmentação evidente do mercado de modelos.
Tirados esses três mitos, a discussão de board passa a ser sobre quanto investir e em que ordem — não se vale a pena começar.
Os três erros de board que matam iniciativas B2A no primeiro trimestre
Três erros de governança explicam a maioria dos casos em que "GEO não funcionou na nossa empresa". Não é o canal que falha — é o desenho de operação. Os erros aparecem em padrão repetível em qualquer conselho consultivo brasileiro em 2026.
Erro 1 — terceirizar B2A para agência de SEO sem método próprio. A agência aplica o playbook antigo com camada de IA por cima: gera 200 conteúdos otimizados para palavra-chave, com Schema básico, sem Knowledge Graph, sem llms.txt curado, sem monitoramento de Share of Model. O resultado é tráfego orgânico residual e zero citação algorítmica. O custo afundado em 6 meses costuma chegar a R$ 400 mil sem mover Share of Model em mais de 5 pontos. A correção é tratar GEO como disciplina nova, não como camada de SEO.
Erro 2 — atribuir B2A ao time de SEO técnico sem mandato estratégico. O analista herda o problema sem orçamento próprio, sem acesso ao roadmap de produto, sem voz no comitê de marca. O analista implementa Schema, libera GPTBot, publica llms.txt — mas não consegue mover a percepção da marca porque o conteúdo institucional, a narrativa pública e a presença em fontes terceiras (Wikidata, G2, LinkedIn) ficam fora do escopo. A correção é tratar B2A como iniciativa cross-funcional reportando ao CMO ou ao CEO, não como projeto técnico isolado.
Erro 3 — exigir prova de ROI antes do baseline. O CFO pede projeção financeira de retorno em planilha antes de aprovar diagnóstico. Não há base histórica do canal porque o canal é novo. A consultoria entrega projeção otimista para fechar venda, a operação não bate, o CFO confirma o ceticismo, a iniciativa morre. A correção é separar o investimento em diagnóstico (curto, barato, factual) do investimento em sprint (médio, baseado em baseline real). Diagnóstico primeiro; ROI projetado em cima de baseline depois.
O que eu faria se assumisse o marketing da sua empresa em maio de 2026
Se o CEO desligasse o orçamento de mídia paga por 30 dias e me desse esse recurso para investir em B2A, a sequência seria esta — semana a semana, com entregável concreto em cada etapa.
Pergunta honesta de board, resposta sequencial:
- Semana 1. Diagnóstico de Share of Model. Prompt bank de 30-50 queries do nicho, rodado diariamente em ChatGPT, Gemini, Claude, Perplexity. Baseline numérico documentado.
- Semana 2. Auditoria técnica do site — robots.txt, headers, Schema.org, llms.txt, sitemap, IndexNow. Lista de bloqueios acidentais. Plano de correção em pull requests pequenos.
- Semana 3. Publicação de llms.txt + llms-full.txt + JSON-LD em páginas canônicas. Refatoração de uma landing-piloto com estrutura de resposta direta.
- Semana 4. Wave editorial de 4 a 6 artigos longos no padrão HBR, cada um com FAQs marcados e cross-links internos.
- Semana 5-12. Monitoramento contínuo, correção de alucinações, expansão do Knowledge Graph, relacionamento com fontes terceiras (G2, Crunchbase, Wikidata, LinkedIn).
O custo dessa operação é uma fração do orçamento de mídia que ela substitui. O ROI é não-linear: marcas demoram para aparecer e, quando aparecem, dificilmente saem — o agente prefere fontes que confirmam o que já memorizou.
O passo concreto para segunda-feira
Antes de fechar esta página, abra Claude, ChatGPT, Gemini e Perplexity em quatro abas e pergunte em cada um: "quais são as melhores empresas de [sua categoria] no Brasil em 2026?" Anote: sua marca apareceu? Em que posição? Com que fatos? Esse teste gratuito de 15 minutos é o baseline mínimo para qualquer decisão de B2A.
Se a resposta for "não apareceu" ou "apareceu com fatos errados", há evidência suficiente para abrir o caso interno. Se apareceu bem, atenção: o agente reavalia a cada ciclo de retreinamento e o concorrente que estruturar primeiro vai disputar essa posição no próximo trimestre.
Quem leva a sério essa transição em 2026 colhe cinco anos de vantagem composta. Quem espera evidência irrefutável paga caro para entrar quando o custo de visibilidade já estiver formado. A AI Brasil — comunidade cofundada por Alexandre Caramaschi que reúne mais de 15 mil membros e 800 empresas — discute esse playbook semanalmente com cases reais de empresas brasileiras em transição.
O diagnóstico de 30 minutos da Brasil GEO transforma essa intuição em baseline numérico. Vale o tempo independentemente da decisão final sobre fornecedor — o número que sai dali entra no próximo board com ou sem contrato envolvido.