Em 3 de junho de 2026, o Google passou a oferecer, dentro do Search Console, relatórios específicos de desempenho voltados para recursos de inteligência artificial generativa presentes na busca, como o AI Overviews e o AI Mode. A novidade representa um avanço importante: pela primeira vez, os profissionais de SEO têm acesso oficial a dados sobre quantas vezes suas páginas aparecem nessas funcionalidades baseadas em IA.
Apesar do avanço, o relatório tem uma limitação relevante: ele não revela quais foram as consultas (queries) que geraram aquela exposição via IA, e está disponível apenas pela interface visual da ferramenta. Testes realizados em 11 de agosto de 2026 confirmaram que nem a API de Search Analytics nem a exportação em massa via BigQuery disponibilizam esses dados de IA generativa em nível de consulta — ou seja, oficialmente, não existe forma de rastrear o tráfego do AI Mode cruzando-o com termos de busca específicos.
No entanto, essas consultas têm aparecido de maneira indireta. Fragmentos de conversas reais com assistentes de IA — como respostas do tipo “sim, continue”, perguntas de acompanhamento e até prompts completos colados na íntegra — começaram a surgir como se fossem consultas comuns dentro do relatório de desempenho do Search Console. A profissional Anastasia Kourou chamou atenção para esse fenômeno em uma publicação no LinkedIn, e John Mueller, representante do Google, confirmou que esses dados já estavam disponíveis no relatório de desempenho há algum tempo, remetendo à documentação oficial da empresa para mais detalhes.
A partir dessa descoberta, profissionais de SEO passaram a desenvolver métodos próprios para extrair e identificar essas consultas geradas por IA em meio aos dados tradicionais.
Os primeiros métodos manuais
As tentativas iniciais, ainda em junho de 2025, utilizavam expressões regulares (regex) baseadas em contagem de palavras, filtrando consultas longas e conversacionais — geralmente acima de 32 palavras. O jornalista Barry Schwartz documentou essas primeiras abordagens, dando crédito aos profissionais Metehan Yeşilyurt, Vijay Chauhan e David Konitzny.
Com o tempo, as técnicas se tornaram mais sofisticadas. Glenn Gabe, por exemplo, optou por ignorar a interface do Search Console — que limita tabelas a mil linhas — e extrai o conjunto completo de consultas diretamente pela API de Search Analytics, usando o complemento Analytics Edge no Excel. Depois, utiliza a inteligência artificial Claude para organizar os dados e apontar possíveis consultas originadas do AI Mode.
Já Jean-Christophe Chouinard desenvolveu, em 14 de agosto de 2026, uma expressão regex personalizada, publicada no LinkedIn, que pode ser aplicada diretamente no filtro de consultas do próprio relatório de desempenho, na opção de regex customizado. Ele construiu a fórmula comparando padrões comuns de prompts usados em modelos de linguagem — como verbos de comando (“escreva”, “resuma”, “explique”), saudações, confirmações (“ok”, “pode continuar”) e pedidos de continuação — com termos que raramente apareciam no Search Console antes da chegada do AI Overviews. Um estudo anterior do mesmo autor, de janeiro de 2026, já havia demonstrado que os cliques do AI Mode são registrados no Search Console, mas as consultas associadas a eles aparecem quase sempre anonimizadas — uma limitação que atravessa todos os métodos disponíveis até agora.
Outra alternativa é a extensão gratuita para Chrome Advanced GSC Visualizer, criada por Amin Foroutan, que acrescenta gráficos avançados, anotações e um assistente de IA aos dados do Search Console, com acesso facilitado via API — embora não conte com um filtro específico para identificar consultas do AI Mode.
Servidores MCP e um detector baseado em machine learning
Uma abordagem mais técnica envolve o uso de servidores MCP (Model Context Protocol). O MCP de Search Console conta com uma ferramenta chamada “genai_conversation_queries”, capaz de detectar automaticamente conversas de IA, enquanto o MCP de BigQuery aplica o mesmo detector sobre os dados exportados em massa, onde fica armazenado o conjunto anonimizado de consultas. Ambos funcionam localmente, garantindo que os dados trafeguem apenas entre o usuário e o Google. O ponto forte dessa solução é a automação em escala, com classificação em cada linha de consulta; a limitação está na complexidade de configuração, que exige um cliente MCP, tornando o processo mais indicado para usuários avançados.
Comparando os quatro métodos, cada um tem vantagens e limitações próprias: a extração via Excel oferece o inventário completo de consultas, mas depende de classificação manual baseada em padrões; o regex de Chouinard permite filtragem instantânea e gratuita dentro do próprio relatório, mas está limitado a padrões em inglês; a extensão de Foroutan facilita a exploração visual dos dados, sem, porém, um filtro dedicado ao AI Mode; e os servidores MCP garantem escala e automação, exigindo maior conhecimento técnico para configuração.
Um problema comum aos três primeiros métodos é a dificuldade em identificar casos mais complexos — como testes de ferramentas de rastreamento de rankings, prompts gerados por agentes automatizados ou frases coladas de conversas com IA. Além disso, por se basearem majoritariamente em padrões da língua inglesa, expressões em outros idiomas ou combinações como tâmil-inglês ou hindi-inglês frequentemente passam despercebidas.
Para resolver essa lacuna, foi desenvolvido um modelo próprio de aprendizado de máquina, combinando regras determinísticas — que classificam categorias específicas, como respostas automáticas, testes de rastreadores e prompts de agentes — com um modelo treinado para identificar zonas mais ambíguas entre consultas conversacionais, de cauda longa e buscas tradicionais.
O modelo utilizado é o XLM-RoBERTa-base, da FacebookAI, pré-treinado em cem idiomas e ajustado com dados reais de conversas capturadas no Search Console, além de exemplos sintéticos em oito línguas, incluindo combinações de tâmil-inglês e hindi-inglês. A validação envolveu a análise de mais de 120 mil consultas, com dois ciclos de retreinamento para corrigir falhas identificadas. O sistema roda de forma otimizada em um contêiner Cloudflare com escala automática, e atualmente alimenta uma ferramenta gratuita, disponível sem necessidade de cadastro ou fornecimento de e-mail.
A ferramenta permite que o usuário faça upload de arquivos CSV exportados do Search Console ou do BigQuery, combinando múltiplos arquivos em uma única análise. O modelo então classifica as consultas em sete categorias distintas. Caso o usuário também inclua um relatório de IA generativa do Search Console, a ferramenta cruza os dados de páginas com as consultas, exibindo uma coluna de “página de IA” e disponibilizando a URL completa na exportação em CSV.
As classificações mais simples são processadas diretamente no navegador do usuário, sem que os dados saiam do dispositivo — uma escolha feita para reduzir o volume de informações processadas e agilizar o funcionamento. As demais consultas são analisadas pelo modelo em memória, sem qualquer tipo de armazenamento. Cada consulta recebe, como resultado, uma categoria e um índice de confiança, sendo classificada, por exemplo, como conversa completa, resposta curta (como “sim, continue”), pergunta de acompanhamento ou outros tipos de interação típica com assistentes de IA.
