O visitante do seu site mudou de\u00a0esp\u00e9cie<\/h2>\n
Seu site foi desenhado pra um humano com olhos, paci\u00eancia e mouse. Quem chega agora tem parser, timeout e zero toler\u00e2ncia a menu escondido atr\u00e1s de hover. A escala j\u00e1 saiu do campo da\u00a0curiosidade.<\/p>\n
Os n\u00fameros de tr\u00e1fego v\u00eam da Cloudflare Radar e do HUMAN Security, compilados na an\u00e1lise da WorkOS publicada em junho de 2026<\/a>. O volume de requisi\u00e7\u00f5es \u00e9 do relat\u00f3rio trimestral da DataDome<\/a>, divulgado em 16 de julho: 17,7 bilh\u00f5es de requisi\u00e7\u00f5es entre abril e junho, contra 12,2 bilh\u00f5es no primeiro\u00a0trimestre.<\/p>\n Vale reparar num detalhe do mesmo relat\u00f3rio. O tr\u00e1fego de MCP, o protocolo que conecta agente e ferramenta, j\u00e1 bate picos perto de 500 mil requisi\u00e7\u00f5es por dia, com ciclos de uso definidos. Isso quer dizer que agentes est\u00e3o chamando ferramentas de empresas em rotina, n\u00e3o em teste\u00a0isolado.<\/p>\n O termo foi cunhado pela Netlify em 2025. A defini\u00e7\u00e3o oficial deles \u00e9 curta: “agent experience \u00e9 a experi\u00eancia completa que agentes de IA ter\u00e3o como usu\u00e1rios de um produto ou plataforma”<\/a>. Na pr\u00e1tica, eles resumem em tr\u00eas\u00a0perguntas.<\/p>\n O agente consegue entender o que o seu servi\u00e7o faz sem depender de um humano explicando? Isso passa por documenta\u00e7\u00e3o leg\u00edvel por m\u00e1quina, nomenclatura consistente e dados\u00a0estruturados.<\/p>\n Ele consegue chamar sua interface e receber sempre a mesma resposta pro mesmo pedido? Agente odeia comportamento imprevis\u00edvel, porque ele n\u00e3o sabe improvisar como uma pessoa\u00a0improvisa.<\/p>\n Quando algo falha, a mensagem de erro diz o que fazer em seguida? Um “erro inesperado” gen\u00e9rico encerra a tarefa. Um erro que explica qual campo faltou deixa o agente\u00a0concluir.<\/p>\n Se voc\u00ea j\u00e1 cuida de UX pra pessoa e de DX pra desenvolvedor, agent experience ocupa a terceira cadeira nessa mesa. A diferen\u00e7a \u00e9 que o p\u00fablico dela cresce oito vezes mais r\u00e1pido que o\u00a0humano.<\/p>\n Vale separar duas coisas que est\u00e3o sendo tratadas como sin\u00f4nimo por a\u00ed. Quando a gente escreveu sobre Generative Engine Optimization<\/a>, o assunto era visibilidade: como a sua marca aparece citada dentro de uma resposta do ChatGPT ou do Gemini. Agent experience come\u00e7a depois disso. \u00c9 o que acontece quando o agente decide te usar e precisa efetivamente operar alguma coisa\u00a0sua.<\/p>\n A confus\u00e3o sai cara porque o retorno de tr\u00e1fego \u00e9 pequeno e concentrado. O levantamento da Previsible analisou 6,77 milh\u00f5es de sess\u00f5es em 166 propriedades digitais entre novembro de 2024 e maio de\u00a02026.<\/p>\n Dado<\/p>\n % do tr\u00e1fego de indica\u00e7\u00e3o gerado por modelos de linguagem, nov\/2024 a\u00a0mai\/2026<\/p>\n Fonte: Previsible, 2026 State of AI Discovery Report, via Conversion<\/a>, julho de\u00a02026.<\/p>\n<\/figure>\n O volume mensal cresceu 9,9 vezes no per\u00edodo e chegou a 644.478 sess\u00f5es em maio de 2026. Cresce r\u00e1pido, partindo de uma base baixa. Entre ve\u00edculos de publica\u00e7\u00e3o, o tr\u00e1fego vindo de modelos de linguagem ficou em 0,11% do total de visitas, mesmo com o conte\u00fado sendo citado nas\u00a0respostas.<\/p>\n Quem investe em agent experience esperando um pico de sess\u00e3o no Analytics vai se frustrar. O ganho aparece em outro lugar, e a gente volta nisso na se\u00e7\u00e3o de\u00a0m\u00e9tricas.<\/p>\n Existe uma m\u00e9trica que ficou popular em 2026 e explica bem o desconforto do mercado: o crawl-to-refer ratio, quantas p\u00e1ginas um bot l\u00ea do seu site pra cada visita que ele devolve. Os n\u00fameros de 2026 compilados pela WorkOS mostram o ClaudeBot em torno de 23.951 p\u00e1ginas por visita, o Perplexity em cerca de 111 e a busca tradicional do Google em aproximadamente\u00a04,9.<\/p>\n A leitura f\u00e1cil \u00e9 reclamar. A leitura \u00fatil \u00e9 entender pra que esse rastejo serve. Dados da Cloudflare de maio de 2026 mostram que 51,8% das requisi\u00e7\u00f5es de crawlers de IA s\u00e3o pra treinamento e s\u00f3 9,3% pra busca. Treinar significa que seu conte\u00fado entra na base que forma a opini\u00e3o do modelo sobre a sua categoria, sem clique nenhum no meio do\u00a0caminho.<\/p>\n Isso muda o crit\u00e9rio de sucesso de conte\u00fado. Publicar pra ganhar sess\u00e3o continua valendo. Publicar pra ser a fonte que o modelo usa quando algu\u00e9m pergunta da sua categoria passou a valer tamb\u00e9m, e mede diferente. A gente j\u00e1 tinha tocado nisso ao falar de com\u00e9rcio ag\u00eantico<\/a>, quando a IA pesquisa a compra e o site fecha a\u00a0venda.<\/p>\n A primeira rea\u00e7\u00e3o de quase toda ag\u00eancia foi publicar um arquivo llms.txt na raiz do site e considerar o assunto resolvido. Os dados desmontam esse\u00a0atalho.<\/p>\n Um estudo da Ahrefs com 137 mil dom\u00ednios, reportado pelo PPC Land em julho de 2026<\/a>, encontrou o seguinte: 97% dos arquivos llms.txt receberam zero requisi\u00e7\u00e3o em maio de 2026. O GPTBot respondeu por 4,51% das requisi\u00e7\u00f5es que existiram, o ClaudeBot por 0,80% e o DeepseekBot por 0,02%. Enquanto isso, a ado\u00e7\u00e3o cresceu 8,8 vezes em doze meses, de 4.088 pra 36.120\u00a0inst\u00e2ncias.<\/p>\n Cresce a oferta do arquivo e n\u00e3o cresce a demanda por ele. Nas Fortune 500, a ado\u00e7\u00e3o estava em 7,4% em mar\u00e7o de 2026, 37 empresas de\u00a0500.<\/p>\n llms.txt funciona melhor como mapa pra agente que j\u00e1 decidiu operar no seu site do que como canal de descoberta. Ele ajuda quando o agente precisa achar r\u00e1pido a documenta\u00e7\u00e3o, a tabela de pre\u00e7o ou o endpoint certo. Ele n\u00e3o faz o agente te encontrar. Custa perto de nada manter, ent\u00e3o mantenha, sem esperar que ele carregue a estrat\u00e9gia\u00a0sozinho.<\/p>\n Na nossa opera\u00e7\u00e3o, a gente organiza agent experience em quatro camadas. A ordem importa, porque cada uma sustenta a\u00a0seguinte.<\/p>\n Cat\u00e1logo, pre\u00e7o, prazo, pol\u00edtica de troca e \u00e1rea de atendimento em formato estruturado, com JSON-LD e sitemap. Se o dado s\u00f3 existe dentro de uma imagem ou de um PDF escaneado, ele n\u00e3o existe pro\u00a0agente.<\/p>\n Uma forma program\u00e1tica de fazer as tr\u00eas ou quatro a\u00e7\u00f5es que importam no seu neg\u00f3cio: consultar disponibilidade, simular or\u00e7amento, agendar, abrir chamado. Pode ser API, pode ser servidor MCP. A Cloudinary lan\u00e7ou em 5 de agosto de 2026<\/a> uma camada inteira nessa linha, com suporte a MCP e ambiente que o pr\u00f3prio agente provisiona sem interven\u00e7\u00e3o\u00a0humana.<\/p>\n Texto que descreve o que cada a\u00e7\u00e3o faz, quais par\u00e2metros aceita e o que acontece quando falha. Escrito pra ser lido por m\u00e1quina, com exemplo concreto em cada\u00a0bloco.<\/p>\n Regra expl\u00edcita de quem pode fazer o qu\u00ea. Qual agente voc\u00ea 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 governan\u00e7a de agentes de IA no marketing<\/a>.<\/p>\n Repare que s\u00f3 a camada 1 \u00e9 tarefa cl\u00e1ssica de marketing. As outras tr\u00eas exigem que marketing e produto sentem na mesma mesa, o que costuma ser o gargalo real dentro das\u00a0empresas.<\/p>\n Ningu\u00e9m vai fazer as quatro camadas de uma vez. O caminho que tem funcionado aqui na Hipercode \u00e9 este, e ele cabe em duas semanas de\u00a0trabalho.<\/p>\n Puxe o log do servidor e separe as requisi\u00e7\u00f5es por user-agent. Voc\u00ea vai descobrir quais agentes j\u00e1 visitam voc\u00ea, com que frequ\u00eancia e quais p\u00e1ginas eles pegam. Quase sempre a resposta surpreende quem nunca\u00a0olhou.<\/p>\n Defina a \u00fanica tarefa que um agente precisaria concluir na sua marca. Numa cl\u00ednica, \u00e9 agendar. Num e-commerce, \u00e9 conferir disponibilidade e pre\u00e7o. Numa ag\u00eancia, \u00e9 entender escopo e faixa de investimento. Uma tarefa\u00a0s\u00f3.<\/p>\n Abra um assistente de IA qualquer e pe\u00e7a pra ele executar essa tarefa no seu site, sem voc\u00ea guiar. Onde ele trava \u00e9 exatamente o seu backlog. Esse teste custa vinte minutos e entrega mais clareza que qualquer\u00a0relat\u00f3rio.<\/p>\n Marque com JSON-LD s\u00f3 o que a tarefa escolhida exige. Nada de sair marcando o site inteiro de uma\u00a0vez.<\/p>\n Exponha aquela a\u00e7\u00e3o numa API simples ou num servidor MCP, com documenta\u00e7\u00e3o e limite de uso. Aqui a discuss\u00e3o vira arquitetura de agentes<\/a>, e o time que j\u00e1 pensa em orquestra\u00e7\u00e3o sai na\u00a0frente.<\/p>\n \u00c9 o mesmo princ\u00edpio que a gente aplica pra tirar agentes de IA do piloto e levar pra produ\u00e7\u00e3o<\/a>: escopo pequeno, medida clara, expans\u00e3o depois que\u00a0funciona.<\/p>\n Medir isso por sess\u00e3o vai te dar um n\u00famero feio e uma conclus\u00e3o errada. Tr\u00eas indicadores funcionam\u00a0melhor.<\/p>\n Esses tr\u00eas se encaixam no mesmo racioc\u00ednio de medir ROI de IA no marketing<\/a>: efici\u00eancia primeiro, efetividade depois, sem inventar m\u00e9trica bonita que ningu\u00e9m usa pra\u00a0decidir.<\/p>\n Agent experience ainda est\u00e1 no come\u00e7o, e \u00e9 justamente por isso que d\u00e1 pra sair na frente com pouco esfor\u00e7o. A maioria das marcas brasileiras nem olhou o pr\u00f3prio log de bot ainda. Quem estruturar o dado da tarefa principal e publicar uma rota program\u00e1tica decente vai estar num grupo pequeno quando a demanda\u00a0apertar.<\/p>\n Se voc\u00ea quer um caminho concreto, comece pelo passo 3. Pe\u00e7a pra uma IA fazer, no seu site, a coisa que seu cliente mais faz. Anote onde ela trava. Esse \u00e9 o seu diagn\u00f3stico, feito em vinte minutos e sem\u00a0custo.<\/p>\n Depois disso, a conversa vira opera\u00e7\u00e3o: quem cuida do dado, quem mant\u00e9m a rota, quem revisa a permiss\u00e3o e com que cad\u00eancia. \u00c9 o mesmo desenho que a gente descreve no guia de opera\u00e7\u00e3o de marketing com IA<\/a> e que a gente monta na pr\u00e1tica pros clientes em o que a gente faz<\/a>. D\u00e1 pra ver como isso aparece em projeto real nos nossos cases<\/a>.<\/p>\nO que \u00e9 agent\u00a0experience<\/h2>\n
Descoberta<\/h4>\n
Confiabilidade<\/h4>\n
Recupera\u00e7\u00e3o<\/h4>\n
Agent experience e GEO resolvem problemas\u00a0diferentes<\/h2>\n
Quase todo o tr\u00e1fego que a IA devolve vem de um lugar\u00a0s\u00f3<\/h3>\n
A conta do rastejo \u00e9\u00a0assim\u00e9trica<\/h2>\n
Por que llms.txt sozinho n\u00e3o\u00a0resolve<\/h2>\n
O que o arquivo faz de\u00a0verdade<\/h3>\n
As quatro camadas de uma marca leg\u00edvel por\u00a0agente<\/h2>\n
![\"C\u00f3digo](\"https:\/\/hipercode.com.br\/blog\/wp-content\/uploads\/2026\/08\/inline1-5.jpg\")
<\/figure>\n1.\u00a0Dados<\/h4>\n
2.\u00a0Interface<\/h4>\n
3.\u00a0Documenta\u00e7\u00e3o<\/h4>\n
4.\u00a0Permiss\u00e3o<\/h4>\n
Como a gente prioriza agent experience na\u00a0opera\u00e7\u00e3o<\/h2>\n
Passo 1: olhar o log antes de\u00a0opinar<\/h4>\n
Passo 2: escolher uma tarefa, n\u00e3o um site\u00a0inteiro<\/h4>\n
Passo 3: rodar o teste do agente sem\u00a0ajuda<\/h4>\n
Passo 4: estruturar o dado dessa\u00a0tarefa<\/h4>\n
Passo 5: publicar a rota\u00a0program\u00e1tica<\/h4>\n
O que\u00a0medir<\/h2>\n
\n
Por onde come\u00e7ar essa\u00a0semana<\/h2>\n