O motor de aquisição: CRM, inbound, outbound, SEO, GEO e mídia paga

O módulo anterior mostrou o topo do funil murchando sem que ninguém tocasse no site. A reação instintiva é otimizar a página. Mas otimizar a conversão sem entender de onde vem a visita é apertar a torneira sem saber de qual cano a água chega. A taxa de conversão que você mede não é uma propriedade da sua página: é o encontro entre a sua página e a intenção de quem chegou nela. Duas visitas na mesma tela, uma vinda de um anúncio de topo e outra de uma resposta de IA que já recomendou a sua marca, convertem em faixas bem distintas, algo entre uma e duas vezes o comparativo conforme a fonte, e o módulo "Tráfego de LLM: o visitante que chega decidido" mostra por que nenhuma das medições coincide.

Por isso o diagnóstico honesto começa um passo antes da página, no motor de aquisição: os canais que enchem o funil. Este módulo percorre os seis que decidem o jogo em 2026, o que mudou em cada um, e como a escolha de canal condiciona tudo o que os módulos seguintes vão testar.

CRM e base própria, o canal mais barato que quase ninguém opera

O tráfego mais valioso do funil não é o que você compra: é o que já converteu uma vez e ainda está na sua base. Na maior parte das operações, reativar um contato que já converteu sai mais barato que comprar um estranho, e converte melhor porque a familiaridade encurta a decisão. É heurística, não lei: base antiga, mal segmentada ou queimada por disparo genérico pode converter pior que mídia paga bem segmentada, e o custo de manter a base limpa entra na conta. A checagem é sua e é barata: compare custo por conversão da reativação contra o da aquisição paga na mesma janela. Em 2026, o CRM deixou de ser um cadastro parado e virou uma camada que executa. A virada tem nome: IA agêntica. O sistema saiu de sugerir para agir, disparando a sequência, atualizando o registro e escalando o caso sem alguém clicar.

O ponto que sobrevive a qualquer fornecedor: um agente vale o dado que ele acessa. Por isso a fundação de 2026 não é o agente, é a unificação do dado de primeira parte (o CDP, o Data Cloud, o que o mercado chama de RevOps quando alinha marketing, vendas e serviço num sistema só). Sem dado limpo e unificado, a IA agêntica automatiza o erro com mais velocidade. É a mesma lição do módulo "OEC, guardrails e microconversões", um andar acima: sem a métrica certa e o dado confiável, a ferramenta boa amplifica a decisão ruim.

No mercado brasileiro, a leadlovers é o exemplo didático desse canal virando plataforma. Declaração de interesse antes de qualquer elogio: o autor tem relação com o Grupo Nuvini, que controla a leadlovers, e parte do material deste trecho vem de documento interno dessa operação. É um SaaS all-in-one de automação de marketing e vendas, controlado pelo Grupo Nuvini, que empacota numa jornada única a captação (landing pages, formulários, captura por Instagram e WhatsApp), o relacionamento (e-mail com envio ilimitado, WhatsApp via Zaplovers, SMS, CRM nativo com tags e pontuação) e a venda com retenção (páginas de venda, área de membros para cursos, e a plataforma de pagamento própria LLpay). O conceito comercial que ela vende, a "máquina de vendas" pré-configurada, é exatamente a materialização deste módulo: um motor de aquisição montado como funil pronto. O concorrente líder, RD Station, respondeu em 2026 com IA nativa de conversas no WhatsApp incluída sem custo, o que mostra para onde o canal está indo.

Inbound e outbound, a fronteira que a entregabilidade redesenhou

Inbound puxa quem já está procurando, com conteúdo, SEO e GEO que constroem familiaridade antes do contato. Outbound vai atrás de quem ainda não levantou a mão, com prospecção ativa e cold outreach. O discurso da moda chama a soma de "allbound" e sugere que basta fazer os dois. O que esse discurso costuma pular é uma conta técnica que ficou dura: a entregabilidade.

SEO clássico em 2026, rankear numa busca que devolve menos clique

O SEO não morreu, mas o retorno de rankear mudou de forma. O módulo "CRO quando o topo do funil encolheu" já trouxe o número que abre a discussão: a maioria das buscas termina sem clique. A camada de resposta da IA passou a absorver a intenção informacional antes que ela vire visita. Rankear em primeiro lugar continua valioso, mas para uma fatia menor de buscas, e o jogo virou sobre um objetivo novo: ser a fonte que a IA confia o suficiente para citar.

O que passou a decidir a citação é o conjunto de sinais que o mercado abrevia como E-E-A-T (experiência, expertise, autoridade e confiabilidade). Não é um número que se persegue, é um filtro de confiança: dados estruturados, autoria transparente, fonte verificável e conteúdo fresco. É a ponte natural para o próximo canal, porque é exatamente esse sinal de confiança que as engines generativas leem para decidir quem citar.

GEO, ser citado dentro da resposta e não ao lado dela

GEO é Generative Engine Optimization, a disciplina de escrever e estruturar conteúdo para que os sistemas de IA citem a sua marca ao responder. Alguns chamam de AEO, otimização para motores de resposta; para efeito prático, é a mesma coisa. A diferença para o SEO clássico não é cosmética. No SEO você disputa uma posição numa lista de links. Em GEO você disputa uma menção dentro de um parágrafo gerado, muitas vezes sem link nenhum. E, ao contrário do SEO, não existe um algoritmo único: cada engine tem o seu índice e a sua lógica de fonte.

A métrica que organiza o canal é o Share of Model, com que frequência a marca é mencionada ou recomendada por um modelo para um conjunto de prompts, relativa aos concorrentes. É o equivalente em IA ao share of voice da mídia tradicional, e é o número que um board de 2026 deveria cobrar ao lado do tráfego de referência de IA que já aparece no analytics. O curso "GEO Universal Framework" vai fundo em por que um modelo cita uma marca e não outra; aqui o essencial é enxergar GEO como um canal de aquisição com métrica própria, e não como uma variação de SEO.

A infraestrutura de rastreamento de GEO amadureceu rápido, o que é o melhor sinal de que o canal saiu do hype para o orçamento. Ferramentas como Profound (que levantou uma Série C de US$ 96 milhões em fevereiro de 2026, a um valuation de US$ 1 bilhão) e o Brand Radar da Ahrefs já monitoram centenas de milhões de prompts reais em ChatGPT, Perplexity, Gemini, Copilot e Grok. Quando existe capital e ferramenta de medição, existe canal de verdade.

Quem vence as respostas de IA na categoria, e por quê

Quando alguém pede a uma IA a melhor ferramenta de automação de marketing, quem ganha a citação não são só as marcas, são as FONTES que a IA confia. Uma análise de 5,7 milhões de citações em ChatGPT, Gemini, Claude e Perplexity mostrou que mais de um terço vem de dez domínios, liderados por Reddit e por sites de avaliação como G2 e Capterra. A consequência para a marca é direta: presença em prova social e em review independente pesa mais do que qualquer texto no próprio site. Estar em Wikipedia, Reddit e G2 ao mesmo tempo é associado a cerca de 2,8 vezes mais chance de citação, e mídia conquistada responde por perto de 82% das citações, contra o que a marca publica sobre si mesma.

O mercado dessa disciplina amadureceu junto. A Adobe fechou a compra da Semrush em abril de 2026, por cerca de 1,9 bilhão de dólares, com racional explícito de visibilidade de marca na era da busca por IA. Ferramentas dedicadas de rastreamento de Share of Model, como Profound (Série C de 96 milhões de dólares em fevereiro de 2026, a um valuation de 1 bilhão), Ahrefs Brand Radar e o kit de visibilidade em IA da própria Semrush, viraram item de orçamento. Quando incumbente compra ferramenta de SEO por causa de IA e capital de risco entra em medição de citação, o canal deixou de ser hipótese.

Mídia paga em 2026, o leilão que a IA passou a operar

A mídia paga continua sendo o canal que liga na hora, e ficou mais concentrada em duas suítes automatizadas: o Performance Max do Google e o Advantage+ da Meta. A novidade estrutural é que o anunciante controla cada vez menos o "onde" e o "para quem", e cada vez mais o "com qual sinal e qual criativo". A eMarketer projeta que 2026 será o primeiro ano em que a Meta fecha acima do Google em receita global de anúncios, algo como US$ 243 bilhões contra US$ 240 bilhões, uma diferença dentro da margem de qualquer revisão de previsão. Trate como sinal de direção, não como placar apurado: o ano não fechou e a distância projetada é de menos de dois por cento. A leitura mais repetida atribui o movimento a Reels e à medição por servidor, e isso é interpretação de analista, não medição.

A mudança que mais afeta a mensuração de CRO é a do cookie, e ela foi na contramão da previsão. O Google reverteu o fim dos cookies de terceiros (anunciado em julho de 2024, confirmado em abril de 2025) e, em outubro de 2025, desligou a maior parte do Privacy Sandbox, mantendo apenas peças como CHIPS, FedCM e Private State Tokens. Isso não ressuscita o rastreamento antigo: Safari, Firefox e Brave seguem sem cookie de terceiros por padrão, o que já cobre perto de um quinto do tráfego. A conclusão prática não mudou: o ativo durável é o usuário logado e o dado de primeira parte.

Por isso a medição de mídia migrou para o servidor. A Meta trabalha com rastreamento duplo, o Pixel no navegador mais a Conversions API no servidor, alimentando o modelo de IA com sinais de qualidade. O Google faz o equivalente com Enhanced Conversions, enviando dado de primeira parte com hash. Para o programa de CRO isso importa por um motivo direto: a qualidade do sinal de conversão que você devolve para a plataforma passou a valer mais do que o tamanho do lance. O módulo "Privacidade e mensuração sem autoengano" trata do lado jurídico e de consentimento dessa coleta; aqui o ponto é que a mídia paga de 2026 é tão boa quanto o dado first-party que a alimenta.

Anúncios pagos como experimento, onde a IA generativa cruza com o A/B

Resposta rápida: a IA generativa não muda a estatística do teste, ela muda a escala. Ela produz criativo, público e landing page a custo perto de zero, e isso multiplica as variantes muito mais rápido do que a sua verba consegue dar poder a cada uma. Seu trabalho deixa de ser produzir três anúncios e passa a ser domar a abundância, escolher poucas hipóteses fortes e desenhar o experimento que separa sinal de sorte.

Os casos a seguir são experimentos concretos no Google Ads e na Meta em 2026, aproveitando os instrumentos nativos de cada plataforma. A medição server-side (CAPI e Enhanced Conversions) já foi fechada no bloco anterior, então aqui o foco é o desenho.

A regra que atravessa todos os casos

A IA abastece as variantes, mas quem declara vencedor é um instrumento com aleatorização limpa e, quase sempre, um holdout de incrementalidade. Nunca o ROAS que a própria plataforma reporta, porque a caixa-preta leva crédito por venda de marca e retargeting que aconteceria de qualquer jeito.

Dois instrumentos, não um, quando a plataforma decide sozinha

Quando a própria plataforma escolhe em tempo real qual variante servir e para quem, o A/B clássico quebra, porque você perde a alocação fixa que ele exige. A pergunta muda de "qual criativo venceu no painel" para "quanto de venda incremental esse canal gera". Daí a rotina de dois instrumentos que atravessa todos os casos acima.

Primeiro, incrementalidade por geo holdout: Uplift experiment na PMax e Conversion Lift na Meta, dividindo regiões pareadas por histórico, ligando o canal em metade e desligando na outra, medindo a diferença de conversão total. Só declara valor quando o intervalo de confiança do lift não cruza zero.

Segundo, aceitar que a rotação interna de criativo já opera como um bandit, e tratá-la como tal, não como teste de hipótese. O aprofundamento vive em "Quando o A/B não serve: bandits, switchback e rede" e a leitura honesta da atribuição em "Privacidade e mensuração sem autoengano".

Como isso volta para o CRO

O fio que costura os seis canais: a fonte de tráfego define a linha de base de conversão, e a linha de base define o que faz sentido testar. Otimizar a média entre canais é a receita mais comum de tirar conclusão errada com estatística certa. Os ganhos de dois dígitos que se atribuem à personalização por IA são de fornecedor e não sobrevivem a checagem, como trata o módulo "Personalização: regra, modelo e evidência". O que interessa aqui é anterior ao tamanho do efeito: qualquer efeito de personalização, grande ou pequeno, só é mensurável se você separar o tráfego por origem antes de rodar o teste, e só é testável na superfície que reúne volume suficiente. O curso adota como ordem de grandeza cerca de 50 conversões por semana na superfície principal como piso para um teste ser praticável, tema do módulo "Montar ou não montar: a decisão de abrir um programa": abaixo disso, canal nenhum salva o experimento.

A experimentação também mudou de lugar por conta da mensuração. Rodar teste do lado do servidor deixou de ser luxo e virou o caminho padrão de ferramentas maduras, tanto pela velocidade quanto porque o dado de conversão que importa para a mídia paga já vive no servidor. É a mesma direção do módulo "Personalização: regra, modelo e evidência": a fronteira não é escolher entre teste e personalização, é medir as duas coisas com o dado de primeira parte que os seis canais deste módulo, juntos, produzem.