Agent experience: o que muda quando quem visita seu site é um agente de IA
Em junho de 2026 a web cruzou uma linha que estava prevista pra 2027. O tráfego automatizado passou o tráfego humano: 57,5% das requisições HTML vêm de robôs, contra 42,5% de gente. Quem anunciou foi o próprio CEO da Cloudflare, Matthew Prince, no dia 3 de junho, dizendo que a virada chegou mais rápido do que ele mesmo previa.
Boa parte desse volume não é o crawler chato de sempre. São agentes de IA navegando no lugar de uma pessoa: abrem sua página, tentam entender o que você vende, comparam com o concorrente e voltam pro chat com uma resposta pronta. Agent experience é o nome que o mercado deu pra camada que decide o que acontece nesse encontro. É a experiência que um agente tem quando tenta usar a sua marca. A gente vem tratando isso como parte da operação de marketing, e não como um projeto de TI que fica pra depois.
O visitante do seu site mudou de espécie
Seu site foi desenhado pra um humano com olhos, paciência e mouse. Quem chega agora tem parser, timeout e zero tolerância a menu escondido atrás de hover. A escala já saiu do campo da curiosidade.
Os números de tráfego vêm da Cloudflare Radar e do HUMAN Security, compilados na análise da WorkOS publicada em junho de 2026. O volume de requisições é do relatório trimestral da DataDome, divulgado em 16 de julho: 17,7 bilhões de requisições entre abril e junho, contra 12,2 bilhões no primeiro trimestre.
Vale reparar num detalhe do mesmo relatório. O tráfego de MCP, o protocolo que conecta agente e ferramenta, já bate picos perto de 500 mil requisições por dia, com ciclos de uso definidos. Isso quer dizer que agentes estão chamando ferramentas de empresas em rotina, não em teste isolado.
O que é agent experience
O termo foi cunhado pela Netlify em 2025. A definição oficial deles é curta: “agent experience é a experiência completa que agentes de IA terão como usuários de um produto ou plataforma”. Na prática, eles resumem em três perguntas.
Descoberta
O agente consegue entender o que o seu serviço faz sem depender de um humano explicando? Isso passa por documentação legível por máquina, nomenclatura consistente e dados estruturados.
Confiabilidade
Ele consegue chamar sua interface e receber sempre a mesma resposta pro mesmo pedido? Agente odeia comportamento imprevisível, porque ele não sabe improvisar como uma pessoa improvisa.
Recuperação
Quando algo falha, a mensagem de erro diz o que fazer em seguida? Um “erro inesperado” genérico encerra a tarefa. Um erro que explica qual campo faltou deixa o agente concluir.
Se você já cuida de UX pra pessoa e de DX pra desenvolvedor, agent experience ocupa a terceira cadeira nessa mesa. A diferença é que o público dela cresce oito vezes mais rápido que o humano.
Agent experience e GEO resolvem problemas diferentes
Vale separar duas coisas que estão sendo tratadas como sinônimo por aí. Quando a gente escreveu sobre Generative Engine Optimization, o assunto era visibilidade: como a sua marca aparece citada dentro de uma resposta do ChatGPT ou do Gemini. Agent experience começa depois disso. É o que acontece quando o agente decide te usar e precisa efetivamente operar alguma coisa sua.
A confusão sai cara porque o retorno de tráfego é pequeno e concentrado. O levantamento da Previsible analisou 6,77 milhões de sessões em 166 propriedades digitais entre novembro de 2024 e maio de 2026.
Dado
Quase todo o tráfego que a IA devolve vem de um lugar só
% do tráfego de indicação gerado por modelos de linguagem, nov/2024 a mai/2026
Fonte: Previsible, 2026 State of AI Discovery Report, via Conversion, julho de 2026.
O volume mensal cresceu 9,9 vezes no período e chegou a 644.478 sessões em maio de 2026. Cresce rápido, partindo de uma base baixa. Entre veículos de publicação, o tráfego vindo de modelos de linguagem ficou em 0,11% do total de visitas, mesmo com o conteúdo sendo citado nas respostas.
Quem investe em agent experience esperando um pico de sessão no Analytics vai se frustrar. O ganho aparece em outro lugar, e a gente volta nisso na seção de métricas.
A conta do rastejo é assimétrica
Existe uma métrica que ficou popular em 2026 e explica bem o desconforto do mercado: o crawl-to-refer ratio, quantas páginas um bot lê do seu site pra cada visita que ele devolve. Os números de 2026 compilados pela WorkOS mostram o ClaudeBot em torno de 23.951 páginas por visita, o Perplexity em cerca de 111 e a busca tradicional do Google em aproximadamente 4,9.
A leitura fácil é reclamar. A leitura útil é entender pra que esse rastejo serve. Dados da Cloudflare de maio de 2026 mostram que 51,8% das requisições de crawlers de IA são pra treinamento e só 9,3% pra busca. Treinar significa que seu conteúdo entra na base que forma a opinião do modelo sobre a sua categoria, sem clique nenhum no meio do caminho.
Isso muda o critério de sucesso de conteúdo. Publicar pra ganhar sessão continua valendo. Publicar pra ser a fonte que o modelo usa quando alguém pergunta da sua categoria passou a valer também, e mede diferente. A gente já tinha tocado nisso ao falar de comércio agêntico, quando a IA pesquisa a compra e o site fecha a venda.
Por que llms.txt sozinho não resolve
A primeira reação de quase toda agência foi publicar um arquivo llms.txt na raiz do site e considerar o assunto resolvido. Os dados desmontam esse atalho.
Um estudo da Ahrefs com 137 mil domínios, reportado pelo PPC Land em julho de 2026, encontrou o seguinte: 97% dos arquivos llms.txt receberam zero requisição em maio de 2026. O GPTBot respondeu por 4,51% das requisições que existiram, o ClaudeBot por 0,80% e o DeepseekBot por 0,02%. Enquanto isso, a adoção cresceu 8,8 vezes em doze meses, de 4.088 pra 36.120 instâncias.
Cresce a oferta do arquivo e não cresce a demanda por ele. Nas Fortune 500, a adoção estava em 7,4% em março de 2026, 37 empresas de 500.
O que o arquivo faz de verdade
llms.txt funciona melhor como mapa pra agente que já decidiu operar no seu site do que como canal de descoberta. Ele ajuda quando o agente precisa achar rápido a documentação, a tabela de preço ou o endpoint certo. Ele não faz o agente te encontrar. Custa perto de nada manter, então mantenha, sem esperar que ele carregue a estratégia sozinho.
As quatro camadas de uma marca legível por agente
Na nossa operação, a gente organiza agent experience em quatro camadas. A ordem importa, porque cada uma sustenta a seguinte.
1. Dados
Catálogo, preço, prazo, política de troca e área de atendimento em formato estruturado, com JSON-LD e sitemap. Se o dado só existe dentro de uma imagem ou de um PDF escaneado, ele não existe pro agente.
2. Interface
Uma forma programática de fazer as três ou quatro ações que importam no seu negócio: consultar disponibilidade, simular orçamento, agendar, abrir chamado. Pode ser API, pode ser servidor MCP. A Cloudinary lançou em 5 de agosto de 2026 uma camada inteira nessa linha, com suporte a MCP e ambiente que o próprio agente provisiona sem intervenção humana.
3. Documentação
Texto que descreve o que cada ação faz, quais parâmetros aceita e o que acontece quando falha. Escrito pra ser lido por máquina, com exemplo concreto em cada bloco.
4. Permissão
Regra explícita de quem pode fazer o quê. Qual agente você deixa entrar, o que ele pode consultar, o que ele pode executar e o que exige um humano confirmando. Essa camada conversa direto com o que a gente escreveu sobre governança de agentes de IA no marketing.
Repare que só a camada 1 é tarefa clássica de marketing. As outras três exigem que marketing e produto sentem na mesma mesa, o que costuma ser o gargalo real dentro das empresas.
Como a gente prioriza agent experience na operação
Ninguém vai fazer as quatro camadas de uma vez. O caminho que tem funcionado aqui na Hipercode é este, e ele cabe em duas semanas de trabalho.
Passo 1: olhar o log antes de opinar
Puxe o log do servidor e separe as requisições por user-agent. Você vai descobrir quais agentes já visitam você, com que frequência e quais páginas eles pegam. Quase sempre a resposta surpreende quem nunca olhou.
Passo 2: escolher uma tarefa, não um site inteiro
Defina a única tarefa que um agente precisaria concluir na sua marca. Numa clínica, é agendar. Num e-commerce, é conferir disponibilidade e preço. Numa agência, é entender escopo e faixa de investimento. Uma tarefa só.
Passo 3: rodar o teste do agente sem ajuda
Abra um assistente de IA qualquer e peça pra ele executar essa tarefa no seu site, sem você guiar. Onde ele trava é exatamente o seu backlog. Esse teste custa vinte minutos e entrega mais clareza que qualquer relatório.
Passo 4: estruturar o dado dessa tarefa
Marque com JSON-LD só o que a tarefa escolhida exige. Nada de sair marcando o site inteiro de uma vez.
Passo 5: publicar a rota programática
Exponha aquela ação numa API simples ou num servidor MCP, com documentação e limite de uso. Aqui a discussão vira arquitetura de agentes, e o time que já pensa em orquestração sai na frente.
É o mesmo princípio que a gente aplica pra tirar agentes de IA do piloto e levar pra produção: escopo pequeno, medida clara, expansão depois que funciona.
O que medir
Medir isso por sessão vai te dar um número feio e uma conclusão errada. Três indicadores funcionam melhor.
- Volume e composição de bot no log. Quantas requisições, de quais agentes, em quais páginas. É a linha de base que quase ninguém tem.
- Taxa de conclusão de tarefa. Rode o teste do passo 3 uma vez por mês, com o mesmo roteiro, e registre se o agente concluiu, travou ou desistiu. Vira série histórica em três meses.
- Citação em resposta de IA. Pergunte pros modelos principais o que eles respondem sobre a sua categoria e veja se sua marca aparece, com que descrição e com qual dado.
Esses três se encaixam no mesmo raciocínio de medir ROI de IA no marketing: eficiência primeiro, efetividade depois, sem inventar métrica bonita que ninguém usa pra decidir.
Por onde começar essa semana
Agent experience ainda está no começo, e é justamente por isso que dá pra sair na frente com pouco esforço. A maioria das marcas brasileiras nem olhou o próprio log de bot ainda. Quem estruturar o dado da tarefa principal e publicar uma rota programática decente vai estar num grupo pequeno quando a demanda apertar.
Se você quer um caminho concreto, comece pelo passo 3. Peça pra uma IA fazer, no seu site, a coisa que seu cliente mais faz. Anote onde ela trava. Esse é o seu diagnóstico, feito em vinte minutos e sem custo.
Depois disso, a conversa vira operação: quem cuida do dado, quem mantém a rota, quem revisa a permissão e com que cadência. É o mesmo desenho que a gente descreve no guia de operação de marketing com IA e que a gente monta na prática pros clientes em o que a gente faz. Dá pra ver como isso aparece em projeto real nos nossos cases.
Quer que a gente rode esse diagnóstico de agent experience junto com você e traga o backlog priorizado? Fale com a gente e a gente marca uma conversa.