--- title: "L5 Measurement — AEO by EPIC" source_url: "https://epic.digital/aeo/layers/l5" description: "L5 Measurement: sem dados de agentes, AEO é fé, não estratégia. Logs segmentados por AI User-Agent, dashboard de citações, AEO Grader trimestral." generated_by: "AEO by EPIC CLI v2.2.0" generated_at: "2026-05-18T04:00:00Z" language: "pt-BR" --- L5Measurement · Logs + Grader + Benchmarks10 checks # 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. TL;DR 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. O que é ## 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. Por que importa ## 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. Exemplo — AEO Grader trimestral Baseline42,5 Q2 — L0+L471,0 Q3 — L383,4 Q4 — L191,2 Como medimos ## 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. Score sem AEO0–10 Após setup completo70+ Como implementamos ## 4 passos — 10 a 16 horas de setup + 4–6h por ciclo trimestral 1. 01Configuramos filtros de analytics por User-Agent (GA4 / Cloudflare / logs). *(~2–4h)* 2. 02Criamos dashboard de citações — `aeo audit --compare-to ` trimestral. *(~2h setup + 1h por ciclo)* 3. 03Estabelecemos o protocolo de 50 prompts manuais — baseline pós-L3. *(~2–3h setup + 2h por ciclo)* 4. 04Documentamos token benchmarks — endpoints que crescem 2x sem razão = revisão. *(~2h setup)* Esforço total: **10–16 horas de setup + 4–6h por ciclo trimestral.** Caso anchor ## 3 rodadas orientadas por dado — nenhuma por suposição Empresa de experiências premium B2B 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. FAQ ## Perguntas frequentes sobre L5 GA4 não captura User-Agents por padrão. A abordagem mais confiável é configurar filtros nos logs de servidor (nginx/Apache) ou usar Cloudflare Analytics com filtro por User-Agent. User-Agents relevantes: GPTBot, OAI-SearchBot, ClaudeBot, PerplexityBot, Google-Extended. EPIC configura os filtros no setup de L5 e exporta para o dashboard do cliente. É o baseline de share of voice em answer engines. Rodamos 50 prompts manualmente no ChatGPT, Perplexity e Gemini — queries que clientes ideais usariam para descobrir um fornecedor no setor. Registramos quem aparece, com qual frequência, e qual a qualidade da citação. Comparamos ciclo a ciclo para medir se a presença está crescendo. Não para o projeto inicial — o Combined Score do audit já demonstra o estado antes. Mas para justificar ciclos subsequentes e expansão de escopo, L5 é o que transforma "acredito que melhorou" em "Combined Score subiu 28 pontos, GPTBot passou a visitar 3x por semana, e o setor passou a citar nossa empresa em 40% das queries de comparação".