L5 — Measurement: sem dados de agentes, AEO é fé — não estratégia
L5 fecha o loop: transforma implementação em evidência, e evidência em argumento para o próximo ciclo de investimento.
L5 fecha o loop. Sem measurement, você implementa e espera. Com L5, você sabe quantas vezes GPTBot visitou, em quais endpoints, com qual frequência, custo de token por page. E o delta — Combined Score antes vs depois, citações em answer engines, share of voice por query. Agentes deixam rastros diferentes de humanos nos logs — User-Agents específicos, padrões de crawl distintos, acesso a endpoints que humanos não acessariam. Essas assinaturas são dados se você estiver medindo.
Tornar o comportamento de agentes visível nos seus dados
L5 fecha o loop. Sem measurement, você implementa e espera. Com L5, você sabe quantas vezes GPTBot visitou, em quais endpoints, com qual frequência, custo de token por page. E o delta — Combined Score antes vs depois, citações em answer engines, share of voice por query.
Agentes deixam rastros diferentes de humanos nos logs — User-Agents específicos, padrões de crawl distintos, acesso a endpoints que humanos não acessariam. Essas assinaturas são dados se você estiver medindo.
Quatro motivos pelos quais clientes B2B precisam de L5
- Clientes B2B demandam ROI mensurável para justificar investimento continuado. L5 transforma AEO de "aposta em tendência" em "linha de dado no dashboard de revenue".
- Logs segmentados por User-Agent de AI revelam comportamento real dos crawlers. Quais páginas mais visitadas por GPTBot? Quais ignoradas? Resposta só com L5 configurado.
- Token benchmarks por endpoint mostram o custo de contexto. Endpoints > 3.000 tokens são candidatos a refatoração via Commerce Layer.
- AEO Grader trimestral é a forma mais simples de demonstrar progresso. "Q1: 42,5. Implementamos L0+L4. Q2: 71,0." Esse delta é o argumento mais direto.
10 checks — logs, dashboard de citações, schedule de re-audit
10 checks em L5 — logs segmentados por User-Agent, dashboard de citações ativo, schedule de re-audit, token benchmark por endpoint documentado, share of voice baseline estabelecido, alerta de queda de score configurado.
4 passos — 10 a 16 horas de setup + 4–6h por ciclo trimestral
- 01Configuramos filtros de analytics por User-Agent (GA4 / Cloudflare / logs). (~2–4h)
- 02Criamos dashboard de citações —
aeo audit --compare-to <relatório-anterior>trimestral. (~2h setup + 1h por ciclo) - 03Estabelecemos o protocolo de 50 prompts manuais — baseline pós-L3. (~2–3h setup + 2h por ciclo)
- 04Documentamos token benchmarks — endpoints que crescem 2x sem razão = revisão. (~2h setup)
Esforço total: 10–16 horas de setup + 4–6h por ciclo trimestral.
3 rodadas orientadas por dado — nenhuma por suposição
O audit inicial revelou Combined Score de 0,7/10. Após incluir L5 Measurement no engagement, cliente passou a ter dados trimestrais. Cada rodada foi orientada por qual layer estava penalizando mais o Combined Score — não por intuição. 2ª rodada focou L3 (maior gap residual). 3ª, L1 (gaps de potentialAction). Sem L5, as 3 rodadas teriam sido por suposição.
Perguntas frequentes sobre L5
GPTBot, ChatGPT-User, OAI-SearchBot, ClaudeBot, Claude-User, PerplexityBot, CCBot, Applebot-Extended. (Google-Extended é token em robots.txt, não User-Agent — controla opt-out de Bard/Vertex AI mas o crawling continua via Googlebot.) EPIC configura os filtros no setup de L5 e exporta para o dashboard do cliente.