Business-to-Agent: a nova fronteira da economia algorítmica

Em março de 2026, um diretor de procurement de uma indústria farmacêutica de médio porte de São Paulo me mostrou o relatório que mudou a minha forma de explicar B2A para conselhos. Ele 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.

A tese deste artigo é direta: Business-to-Agent (B2A) não é um buzzword de palco. É a camada que se acumulou entre o B2B e o B2C ao longo dos últimos dezoito meses. Ignorar essa camada custa receita real, e o custo só fica visível no trimestre seguinte, quando o pipeline esfria sem motivo aparente.

Como CEO da Brasil GEO, ex-CMO da Semantix (Nasdaq) e cofundador da AI Brasil, eu venho repetindo a mesma frase em comitês desde o último Cannes Lions: 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.

O instinto natural de quem cresceu vendendo B2B é encaixar B2A como mais uma etapa antes do MQL. Errado. O agente autônomo não está antes do funil — ele é o topo do funil. Ele filtra o universo de fornecedores, formata a comparação, decide quem aparece na shortlist e até negocia preliminarmente em nome do comprador.

O Gartner projetou em Predicts 2026: Search and Generative Discovery 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, e o número equivalente no Brasil chegou a 54% segundo a Anthropic Economic Index 2026.

O comportamento de compra B2B mudou junto. 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. Tráfego de referência saindo de motores de IA cresceu 527% interanual segundo a 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.

O modelo mental que uso com clientes corporativos é simples: pense no mercado como uma pilha de três camadas, não como duas categorias paralelas. A camada B2A senta entre as outras duas e decide o que sobe. O comprador humano ainda existe e ainda decide — mas o universo de opções que chega até ele já passou pelo filtro do agente.

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

O ponto operacional: a camada B2A não substitui as outras. Ela antecede as outras. Uma marca que tem um time comercial excelente, mas é invisível no agente, recebe menos oportunidades para o time fechar. O ROI do B2B passa a depender do desempenho no B2A.

Esse é o motivo pelo qual a primeira pergunta que faço em diagnóstico 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? A resposta a essa pergunta substitui qualquer relatório de Share of Voice em painel de marca para 2026 em diante.

Contexto. Indústria de equipamentos médicos com 22 anos de mercado, presença em 600 hospitais, 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 reescrever o site institucional, sem novo orçamento de mídia e sem prejudicar o tráfego SEO existente.

Abordagem. Aplicamos o framework Sprint GEO 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:

1. O agente não memoriza propaganda. Ele memoriza dados estruturados consistentes entre fontes.
2. 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.
3. O custo de não fazer nada não é zero. É a perda silenciosa de share para concorrentes que estruturaram primeiro.

O instinto da maior parte dos times de marketing é começar pelo conteúdo. Errado de novo. Sem infraestrutura de dados, o conteúdo novo é invisível para o rastreador. Comece pela base.

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.

Não é mágica. É engenharia. O agente prefere fontes que se descrevem com precisão a fontes que dependem de inferência.

O ceticismo de board sobre B2A é justo em parte e errado em parte. Três mitos dominam a conversa em mesa de conselho brasileira em 2026. Vale endereçar antes de seguir:

Mito 1 — "isso é um ciclo passageiro de hype, igual blockchain corporativo". Não é. 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. Em vez de tratar alucinação como motivo para ignorar B2A, trate como evidência de que monitoramento estruturado é parte da operação.

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). E mais: o Google não controla Claude, ChatGPT, Perplexity, Mistral, Cohere, modelos proprietários internos das corporações. Apostar que uma única plataforma vai resolver 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.

Toda diretoria de marketing que cresceu em mídia tradicional aprendeu a operar Share of Voice — a fatia do investimento publicitário do setor que pertence à própria marca. Em B2A essa métrica perde sentido. O agente não compra mídia. O agente memoriza dados estruturados, valida contra fontes terceiras e devolve uma resposta sintética.

A métrica equivalente é Share of Model: a frequência com que a marca aparece nominalmente nas respostas de um conjunto fixo de prompts representativos do nicho. Pense como Top of Mind algorítmico, com a diferença crucial de que o algoritmo é auditável de forma direta — basta abrir o motor e medir.

O método que aplico em todo cliente da Brasil GEO segue cinco passos:

1. Definição do prompt bank. 30 a 50 queries que representam decisões reais de comprador no nicho — pergunta de comparação, pergunta de credibilidade, pergunta de recomendação consultiva.
2. Rodada multi-LLM. Cada query é executada diariamente em ChatGPT, Gemini, Claude e Perplexity, com snapshot textual da resposta completa.
3. Extração estruturada. Para cada resposta, três campos: marca foi citada (sim/não), em que posição da resposta, com que fatos.
4. Diff temporal. Compare semana a semana. Detecte regressão (a marca sumiu) ou alucinação (a marca aparece com fato errado).
5. Plano de correção. Para cada alucinação detectada, um pull request — atualização de Schema, novo conteúdo, ajuste em fonte terceira. Reindexação via IndexNow e GSC.

O Stanford HAI AI Index 2026 documentou que LLMs reformulam suas respostas a uma mesma query com variabilidade de até 12% por semana, mesmo sem retreinamento explícito. Isso significa que monitoramento contínuo não é luxo — é controle de qualidade. Marca que mede uma vez por trimestre opera no escuro 89 dias em cada 90.

Em conselhos consultivos onde participo, vejo o mesmo padrão de morte prematura de iniciativas B2A. Três erros de governança específicos, sempre os mesmos:

Erro 1 — terceirizar B2A para agência de SEO sem método próprio. A agência aplica o playbook antigo com camada de IA por cima. Vai gerar 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. 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 dele. 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.

Esses três erros, juntos ou separados, explicam a maior parte dos casos em que "GEO não funcionou na nossa empresa". Não é o canal que falhou. É o desenho de governança.

Pergunta honesta de board: se o CEO desligasse o orçamento de mídia paga por 30 dias e me desse esse dinheiro para investir em B2A, o que eu faria? Resposta sequencial:

1. 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.
2. 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.
3. Semana 3. Publicação de llms.txt + llms-full.txt + JSON-LD em páginas canônicas. Refatoração de uma landing-piloto com estrutura de resposta direta.
4. Semana 4. Wave editorial de 4 a 6 artigos longos no padrão HBR, cada um com FAQs marcados e cross-links internos.
5. 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 — porque o agente prefere fontes que confirmam o que ele já memorizou.

Se você é diretor de marketing, CMO ou CEO de uma empresa B2B e leu até aqui, faça uma única coisa antes de fechar essa página. Abra o Claude, o ChatGPT, o Gemini e o Perplexity em quatro abas. 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? Se a resposta for "não apareceu" ou "apareceu com fatos errados", você tem evidência suficiente para abrir o caso interno. Se apareceu bem, parabéns — e atenção, porque o agente reavalia a cada ciclo de retreinamento e o concorrente que estruturar primeiro vai disputar essa posição com você.

Quem leva a sério essa transição em 2026 vai colher cinco anos de vantagem composta. Quem espera evidência irrefutável vai pagar caro para entrar quando o custo de visibilidade já estiver formado. A AI Brasil — comunidade que cofundei e que reúne mais de 15 mil membros e 800 empresas — discute publicamente esse playbook quase toda semana, com cases reais de empresas brasileiras em transição. Use a comunidade como benchmark gratuito antes de qualquer decisão de orçamento.

O diagnóstico de 30 minutos da Brasil GEO existe para transformar essa intuição em baseline numérico. Vale o tempo independentemente da decisão final de contratar ou não — porque o número que sai dali entra no seu próximo board com ou sem fornecedor envolvido.