Agentes de IA olham além do topo das listas, mas posição ainda pesa

Agentes de inteligência artificial não são imunes à posição de um hotel em uma lista de busca, mas a posição pesa menos para eles do que para humanos, segundo um estudo que simulou 2.000 sessões de compra em um ambiente de reservas de Manhattan. Os pesquisadores randomizaram a ordem de apresentação de 100 hotéis em cada sessão para separar a colocação na lista das demais informações.

O que o experimento mediu

O estudo analisou duas etapas separadamente: se o agente inspecionou um hotel e se ele o reservou de fato. Um “efeito de posição” significa uma mudança na inspeção ou na escolha associada ao lugar onde o anúncio aparecia. O experimento usou quatro LLMs de Google e Anthropic, com 500 sessões para cada modelo.

Os agentes inspecionaram entre 1,63 e 5,83 hotéis por sessão — contra 1,12 no benchmark humano — e reservaram em 100% das sessões, enquanto humanos converteram em 66%. Subir um hotel na lista tornava a inspeção mais provável, mas isso não se traduziu em reserva final em todos os modelos.

O efeito de posição desaparece em configurações mais fortes

No nível de raciocínio mais alto testado, a curva de inspeção deixou de ter o formato em U estatisticamente significativo e os efeitos de posição na escolha final deixaram de ser significativos para os dois modelos testados. Ou seja: quanto mais “pensante” é o agente, menor o peso da posição na decisão final.

Por que isso importa agora

Com agentes de IA começando a pesquisar e comprar em nome de pessoas, a visibilidade em listas de busca deixa de ser apenas uma disputa por cliques humanos. Para empresas de e-commerce, turismo e serviços no Brasil, entender como agentes exploram listagens — e que eles olham além do topo — muda o cálculo de SEO e de ranqueamento. Se o agente inspeciona mais opções que um humano, a qualidade da informação importa mais do que a posição pura.

Limitações a considerar

Os resultados vêm de um ambiente simulado e de um benchmark específico, não de tráfego real. O estudo compara modelos em um cenário de reserva de hotéis e pode não generalizar para outros tipos de compra. Ainda assim, é um sinal antecipado de como o comportamento de agentes difere do humano.