Agentes de IA que navegam, clicam em anúncios e preenchem formulários já chegam às suas landing pages. Diferente de bots tradicionais que só raspam ou testam, esses agentes executam tarefas reais e, em alguns casos, completam a conversão. A regra binária de bloquear tudo que não é humano começa a custar receita.
O que são navegadores e agentes agenticos
Agentes como ChatGPT Atlas, Comet ou Operator rodam em ambientes headless reais. Eles usam versões completas de Chromium ou Firefox, geram fingerprints de navegador legítimos (incluindo TLS handshake e canvas rendering) e executam JavaScript sem os sinais óbvios de automação antiga. O que falta é jitter humano: movimento de mouse irregular, tempo de leitura variável e scroll não-linear.
No log do servidor você vê requisições com user-agent de navegador moderno, mas sem eventos de interação típicos de humano. O agente carrega a página, preenche campos via DOM direto e submete o formulário em frações de segundo. Diferente de um scraper que só baixa HTML, ele simula o fluxo completo de compra.
O crescimento explosivo desse padrão aparece em dados de rede: tráfego de agentes de IA cresceu 7851% em um ano. Parte desse volume é "user action crawling", onde o agente visita o site em resposta a uma pergunta feita no chatbot. Esse tipo de requisição cresceu 15 vezes em 2025 e já responde por 4,2% de todo o tráfego HTML em redes grandes.
O tamanho do fenômeno em números
Relatórios de 2025-2026 mostram que tráfego automatizado já ultrapassa 53% de todo o tráfego web. Dentro desse universo, a fatia de agentes de IA ainda é pequena, mas cresce em ritmo que nenhum outro tipo de bot acompanhou. Organizações que rodam campanhas pagas começam a registrar sessões inteiras originadas de prompts de usuário que o agente transforma em cliques e conversões.
O problema prático não é volume absoluto, mas a mistura com tráfego humano. Um agente pode chegar via anúncio pago, preencher o formulário corretamente e gerar um lead ou venda real. Bloquear por user-agent ou ASN de datacenter elimina essa conversão junto com o ruído.
O problema de atribuição no GA4
Quando o agente chega após uma interação no chatbot, o referenciador costuma ser vazio ou direto. A sessão cai como (direct) / (none) mesmo tendo origem em anúncio pago. O gclid ou fbclid raramente é propagado porque o agente não carrega a página de anúncio, apenas o destino final.
No GA4 isso distorce todo o funil: CPA calculado sobe, ROAS cai e o otimizador da plataforma começa a reduzir lances na campanha que na verdade está convertendo. A única forma de recuperar a atribuição é marcar o tráfego no momento da chegada, antes do redirecionamento ou da execução do pixel.
Matriz de decisão por vertical
Em e-commerce físico ou digital, o agente que completa a compra com cartão válido é comprador legítimo. O custo de bloqueá-lo é perda de receita direta. Já em lead gen, oferta com pre-lander ou vertical de nutra, o mesmo agente costuma preencher formulários com dados sintéticos ou repetidos, inflando CPL sem gerar cliente real.
A decisão não pode ser por tipo de bot. Precisa ser por contexto da oferta e por comportamento observável: se o agente preenche campos com dados coerentes e avança para pagamento, libera; se apenas testa formulários ou sai em menos de três segundos, desvia. Regras fixas por user-agent falham aqui.
Como configurar triagem granular para agentes
A triagem precisa avaliar sinais compostos em tempo real: fingerprint de navegador completo, presença de webdriver flag, padrão de eventos de mouse e scroll, tempo entre load e submit, e origem ASN. Nenhum sinal isolado basta.
Defina regras por vertical: para e-commerce, permita agentes que executam o fluxo de checkout completo; para lead gen, exija pelo menos um evento de interação humana-simulada ou desvie para página de verificação. A mesma visita pode ser liberada ou interceptada conforme a regra do anunciante, sem alterar o criativo nem o destino final.
A latência dessa decisão precisa ficar abaixo de 50 ms para não impactar conversão. Quando a classificação é granular, o falso positivo cai porque o sistema aprende o padrão específico de cada campanha em vez de aplicar bloqueio genérico.
Trade-offs de bloquear versus triar
Bloquear todo tráfego sem jitter humano é simples, mas elimina conversões reais que agentes legítimos estão gerando hoje. Deixar tudo passar aumenta o custo de verificação manual e o risco de dados poluídos no CRM. A única abordagem que escala é classificação granular com decisão configurável.
Agentes de IA conseguem burlar fingerprint de navegador?
Eles usam navegadores reais, mas ainda deixam padrões detectáveis em TLS, canvas e comportamento de eventos. A detecção multi-sinal combina esses sinais com velocidade de IP e origem para reduzir falsos negativos.
Como saber se o lead veio de agente ou humano no GA4?
Sem marcação no momento da chegada, o tráfego cai como direct. A solução é interceptar a visita antes do pixel e adicionar parâmetro de origem ou utm customizado.
Vale a pena liberar agentes em campanhas de lead gen?
Depende da taxa de conversão real após verificação. Se o agente preenche formulário com dados válidos e o lead vira cliente, libera; se a maioria é dado sintético, desvia.
A Safely consegue distinguir agente de scraper disfarçado?
Sim. O sistema avalia comportamento completo da sessão, não só user-agent. Regras por vertical permitem liberar o fluxo de compra e bloquear o teste de formulário na mesma campanha.
Qual o risco de falso positivo ao triar agentes?
Quando a classificação é só por user-agent ou ASN, o risco é alto. Com análise de múltiplos sinais e decisão em milissegundos, o falso positivo cai porque cada visita é julgada pelo contexto da oferta.
A configuração correta começa por decidir, para cada vertical, qual comportamento de agente você quer aceitar e qual você quer desviar.
Escrito por
Redação Safely