Os Anúncios de Busca Estão Morrendo. Os Leilões em Nível de Token São o Sucessor
A publicidade online funcionou por trinta anos sobre um axioma implícito: o espaço publicitário existe primeiro, e o leilão decide quem o ocupa. Uma posição numa página de resultados de busca, uma impressão num feed — são oportunidades pré-definidas. Toda estratégia de anunciantes já construída assume que os espaços já estão lá, esperando para ser disputados.
Esse axioma está se desfazendo. O Pew Research Center analisou o comportamento real de navegação de 900 adultos nos EUA durante março de 2025, cobrindo 68.879 buscas únicas no Google. Quando a página de busca exibia um resumo de IA, os usuários clicaram em um link tradicional de resultado em apenas 8% das visitas, contra 15% em páginas sem resumo. Cliques em links dentro do próprio resumo de IA? Um por cento. E 26% dos usuários encerraram completamente a sessão de navegação após ver um resumo — contra 16% em páginas sem resumo.
Em outras palavras, os usuários não exploram mais uma página de resultados. Eles terminam de pesquisar e comparar dentro de uma única resposta gerada. As plataformas perceberam. A OpenAI lançou publicidade self-service no ChatGPT em julho de 2026, com Best Buy, Lowe’s e VistaPrint entre os primeiros anunciantes, e o Google incorporou anúncios nos AI Overviews. Ambos escolheram o caminho de menor resistência: transplantar o cartão patrocinado da era da busca para a resposta de IA.
Mas isso é um remendo. O verdadeiro problema estrutural é este: quando uma resposta é gerada palavra por palavra, a própria oportunidade publicitária se torna um produto do processo de geração. Uma equipe de pesquisa da Escola Gaoling de IA da Universidade Renmin da China e da Universidade de Stanford levou a questão ao seu ponto final lógico. O mecanismo deles, chamado LAMA, embute o leilão de anúncios na geração em nível de token do próprio modelo. Isto não é apenas um truque acadêmico — é um roteiro. O objeto do próximo leilão não é o layout. É a direção da resposta.
Por Que “Inserir Anúncios” Nunca Foi Suficiente
A publicidade em IA de hoje é, em essência, “gerar primeiro, colar um cartão depois”. A resposta é a resposta; o anúncio é o anúncio; um não toca no outro. Isso herda a lógica antiga: existe um container de conteúdo finalizado, e a informação comercial é colocada dentro dele.
Mas uma resposta gerada é fundamentalmente diferente de uma página de resultados. O layout da página é fixo — o terceiro resultado é sempre o terceiro resultado. Em uma resposta, se uma marca aparece, onde aparece e como é apresentada dependem tudo do que já foi escrito. Ao recomendar destinos de férias, discutir transporte antes da hospedagem dá a marcas diferentes posições completamente distintas no texto que se segue. A geração não apenas preenche oportunidades de anúncio — a geração as molda.
Isso significa que os anunciantes não competem mais apenas pelo espaço final de exposição. Eles competem por influência sobre “para qual direção a resposta seguirá em seguida”. No momento em que a influência se torna objeto de disputa, ela precisa de regras: Quem aloca essa influência? O que acontece quando um anunciante muda de estratégia no meio da geração? E a resposta permanece honesta em relação à pergunta do usuário, ou se curva ao maior lance?
A pesquisa existente — inserção em nível de parágrafo, lances sobre respostas candidatas — separa geração e alocação em dois estágios sequenciais. A LAMA, sigla para Latent Advertiser Mixture Auction, funde os dois em um único processo. Conforme o modelo gera cada token, os anunciantes relatam simultaneamente “quanto vale para mim se a resposta continuar por este caminho”. A plataforma atualiza a probabilidade de cada anunciante de vencer a exposição final conforme o texto se desenrola, e liquida quando a resposta se completa.
Geração como Alocação: Um Framework Reutilizável
Abstraindo o artigo, este é um framework que eu chamaria de Geração como Alocação: quando a produção de conteúdo e a alocação do valor comercial acontecem dentro do mesmo processo dinâmico, todo mecanismo de alocação estático e a posteriori falha.
O framework se sustenta em três pilares, cada um correspondendo a uma exigência difícil em design de mecanismos:
Primeiro, a honestidade deve ser uma estratégia a qualquer momento, não uma postura inicial. A LAMA satisfaz a compatibilidade de incentivos de estratégia dominante de Markov (Markov DSIC): em qualquer estado alcançável da geração, um anunciante que continua relatando com veracidade nunca sai pior do que um que troca de estratégia no meio do caminho. Uma regra de verificação de relatos locais exige que os relatos de cada anunciante permaneçam internamente consistentes, enquanto os pagamentos se ajustam dinamicamente com a geração — pague quando a trajetória se torna favorável, receba subsídios quando ela se vira contra você. Os experimentos confirmaram a teoria: inflar seu relato realmente compra mais participação de tokens e maior probabilidade de alocação, mas a utilidade esperada verdadeira atinge o pico exatamente no relato honesto. Mentir ganha influência e perde dinheiro.
Segundo, o valor comercial não pode sobrepor a qualidade da resposta. O objetivo da LAMA é o valor do anúncio menos uma penalidade por desvio da resposta nativa, com um limite demonstrável para a distância em relação ao mecanismo ideal. Isso não é um gesto moral; é uma condição de sobrevivência do produto. Um sistema de anúncios que destrói a confiança do usuário não ganha uma segunda chance.
Terceiro, o mecanismo deve explicar a competição real. Na consulta de exemplo “melhores férias na praia do mundo”, a Expedia apareceu cedo na resposta — essencialmente uma âncora de marca usada para introduzir destinos como Maldivas, Bali e o Caribe. A Tripadvisor apareceu depois, com frases que explicavam o que o produto realmente faz: comparar destinos, ler avaliações de viajantes, filtrar hospedagens e experiências. As atualizações de probabilidade da plataforma capturaram essa diferença e concederam a exposição final à Tripadvisor, cuja expressão de valor era mais completa. O que foi alocado não foi o maior lance, mas o valor que genuinamente se sustentava dentro do texto.
A prova de conceito usou 1.239 consultas comerciais reais do dataset Webis Generated Native Ads 2024, abrangendo cenários de fitness, férias e automóveis, cada uma um concurso entre três anunciantes, com o Qwen3-14B como modelo de referência. O resultado: receita da plataforma alta 10,7% e valor para anunciantes alta 3,8%, sem sacrifício nas métricas de experiência do usuário, incluindo relevância, informatividade e naturalidade dos anúncios.
Quem É Reprecificado por Este Framework
Geração como Alocação se aplica muito além da publicidade. Onde quer que a influência entre em um processo de geração e o resultado gerado determine quem ganha valor, a mesma lógica vai reprecificar tudo.
A compras mediadas por agentes são o próximo campo de batalha mais imediato. Quando empresas deixam agentes de IA escolherem ferramentas pagas para seus fluxos de trabalho diários, o processo de decisão do agente é em si uma geração — e quais informações de qual fornecedor entram nesse contexto de decisão, e com que peso, torna-se o novo “ranqueamento pago”. A indústria de SEO já está migrando para GEO (generative engine optimization); a Digiday relata agências correndo para construir capacidades que tornem as marcas legíveis para sistemas de IA. Tudo isso é posicionamento antecipado para influência que entra no processo de geração.
Empurrando mais uma camada: qualquer sistema de IA que gera conteúdo em tempo real e aloca valor ao longo do caminho — feeds personalizados, resoluções de atendimento ao cliente por IA, triagens automatizadas de contratação — enfrenta o mesmo problema de design de mecanismos. Eles compartilham uma característica: não há “layout” para leiloar, apenas um “processo” para governar. Os leilões costumavam decidir quem ocupa um espaço existente. Agora o mecanismo decide como o espaço se forma durante a geração.
Há uma simetria desconfortável a se notar. O design de produto atual da OpenAI separa deliberadamente anúncios de respostas — os anúncios são claramente rotulados, nunca alteram a saída do modelo, e os anunciantes não recebem acesso aos chats. Isso é prudência, e é temporário. Uma vez que um mecanismo tenha demonstrado que a alocação durante a geração eleva a receita sem prejudicar a experiência, a pressão comercial empurrará as plataformas da separação rumo à fusão. Nem reguladores nem as expectativas dos usuários estão prontos para essa fusão.
O Que Fazer Agora, Dependendo de Quem Você É
- Se você é um anunciante ou marca: Pare de otimizar apenas para conversão na landing page. Comece a otimizar sua expressão de valor dentro das respostas. A Tripadvisor venceu a Expedia não pelo tamanho do lance, mas porque suas frases respondiam diretamente “o que este produto faz por mim”. Ser citável em respostas orgânicas sem anúncios — com real densidade informacional — é o bilhete de entrada para os leilões do futuro.
- Se você é uma agência de marketing: Eleve o GEO de “conteúdo estruturado que a IA consegue interpretar” para participação em nível de mecanismo — entenda o que o lance automático se torna em cenários generativos e como desenhar relatos de valor. Esta é a extensão natural da gestão de campanhas de busca, e a janela não ficará aberta por muito tempo.
- Se você é uma plataforma de IA: A fronteira entre anúncios e respostas é seu fosso de confiança; construa-a antes de otimizar receita. Mecanismos no estilo LAMA funcionam no papel, mas a produtozão precisa responder como os usuários percebem e controlam a influência comercial — coloque o controle do usuário e a rotulagem clara à frente do mecanismo, não atrás dele.
- Se você é um publisher ou site de conteúdo: Uma taxa de cliques de 1% dentro de resumos de IA significa que “ser citado” está substituindo “ser clicado” como unidade de exposição. Reconstrua sua estratégia de tráfego e seu poder de negociação em torno de se tornar uma fonte para respostas de IA, não em torno de posições de ranqueamento.
A história da publicidade é a história da forma de mídia decidindo o que é leiloado: jornais leiloavam espaço, a busca leiloava posição, os feeds leiloavam impressões. Quando o meio se torna uma única resposta gerada, o objeto do leilão migra junto. A questão não é mais se a publicidade em IA chega — é em qual camada da geração o leilão se esconde. A LAMA oferece a primeira resposta mecanizada. Pode não ser a forma final, mas a direção agora está legível.
