De um conjunto de palavras-chave ao orçamento: como volume, CPC e concorrência viram um único número

Entre a tabela entregue por uma ferramenta de palavras-chave e a decisão de mídia existe uma transformação que ninguém faz por você. A plataforma mostra, para cada termo, volume de busca, CPC e nível de concorrência. Mas o que você realmente precisa saber é quanto do orçamento deste mês deve ir para aquele conjunto de palavras-chave. É dessa passagem — de três métricas isoladas para uma decisão de verba — que trata este artigo, incluindo onde um modelo realmente economiza tempo e onde ele só piora o processo.

Antes de começar, um limite importante: todos os dados citados aqui vêm das bibliotecas públicas de anúncios e dos centros criativos de cada plataforma, acessados com a sua própria conta. Não há uso de assinaturas nem tentativa de contornar mecanismos. A ideia é transformar informações públicas, visíveis a qualquer pessoa, em uma decisão de orçamento.

Volume, CPC e concorrência: as armadilhas das três métricas

É comum olhar para a tabela de palavras-chave e tratar suas três colunas como valores fixos. Nenhuma delas é.

O volume de busca depende da janela analisada. Uma mesma palavra pode apresentar volumes várias vezes diferentes em períodos de 7, 30 ou 180 dias, geralmente acompanhados de variações mês a mês e ano a ano. Um termo com pouco volume, mas que dobrou em relação ao ano anterior, diz algo completamente diferente de outro com alto volume, mas que caiu pela metade no mesmo período. Se você copia apenas a coluna de volume, ambos parecem iguais.

O CPC também não é um ponto único: é uma faixa. O planejador retorna um intervalo entre valores baixo e alto. Escolher informalmente uma mediana apaga justamente a incerteza que a plataforma está explicitando. Para um orçamento conservador, use a ponta superior; para um retorno otimista, a ponta inferior. Fixar um único valor é fingir que você sabe algo que não sabe.

Já a concorrência é uma classificação relativa, não uma medida absoluta de dificuldade. O rótulo “baixa / média / alta” é aplicado em relação ao conjunto total de palavras-chave da plataforma naquele momento e sob aqueles filtros. Ele indica apenas que, entre aqueles termos, um deles está no lado mais disputado — não que seja objetivamente difícil vencer. Ao trocar de mercado ou categoria, a classificação muda. Tratar esse nível como uma pontuação absoluta, comparável entre conjuntos de palavras-chave, é a mais sutil das três armadilhas.

O orçamento deve ser calculado por conjunto, não por palavra

Depois de entender que as três métricas têm suas distorções, surge outra pergunta: por que não calcular “volume x CPC” para cada palavra e somar tudo?

Porque volumes de busca de quase sinônimos não são aditivos. “Comprar X” e “preço de X” provavelmente representam as mesmas pessoas, pesquisando durante a mesma jornada de compra. Somar os dois diretamente conta uma pessoa duas vezes e infla o orçamento sem motivo.

Por isso, um planejador mais maduro não fica só na visão por palavra. Ele também oferece uma visão agregada por conjunto: você envia um grupo de termos e recebe a faixa de volume de busca e a faixa de orçamento estimado para o grupo inteiro, já descontando a sobreposição entre as palavras. Não é uma simples soma de linhas. A própria plataforma calcula o orçamento por conjunto. As três colunas individuais servem para ordenar e agrupar termos, não para somá-los.

Palavra de posicionamento não é palavra de busca

Esta é a armadilha mais valiosa do artigo — e também aquela em que mais gente cai: a forma como você chama seu produto e a forma como o mercado pesquisa por ele muitas vezes são coisas diferentes.

Uma palavra de tema de negócio pertence ao seu vocabulário interno: o nome do produto, da funcionalidade ou do posicionamento no slide. Uma palavra de busca pertence ao usuário: tende a ser mais coloquial e orientada ao problema. Você trabalha com “AI video generation”; seu termo de tema é “AI video generation”. Mas as pessoas podem estar buscando “how to turn a photo into a video” ou “text to video free”. Esses dois grupos de palavras não caem na mesma faixa de volume, CPC ou concorrência.

Esse desalinhamento é especialmente destrutivo em lançamentos entre mercados — quando o termo de posicionamento é simplesmente traduzido, embora o mercado-alvo não fale daquela forma — e em categorias novas, nas quais você criou uma expressão enquanto o mercado descreve uma necessidade nova usando palavras antigas. A solução é simples: a palavra de tema serve apenas como semente. Os termos que entram na tabela de orçamento precisam nascer das palavras que o mercado realmente busca. Um fluxo maduro trata “palavras de tema criativo” e “palavras de busca do mercado” como campos separados. A primeira define sobre o que o criativo fala; a segunda define para onde vai o orçamento. Misture as duas e você comprará um lote de palavras que ninguém pesquisa, no seu próprio idioma.

Expansão com modelo: forneça sementes e contexto, e peça a intenção junto

O primeiro ponto em que um modelo pode realmente poupar trabalho é a expansão de algumas sementes para uma tabela que cubra as buscas reais do mercado — desde que você não faça a pergunta errada. Peça simplesmente “expanda palavras-chave relacionadas” e receberá uma pilha de sinônimos sem estrutura. O prompt correto inclui o contexto do negócio e obriga o modelo a devolver três informações para cada termo:

I'm doing search advertising for <one-sentence product description> in
<target market/country>.
Seeds: <3 to 10 words you already know>

Expand the keywords, and output each in the structure below, no prose:

1. Keyword
2. Intent stage it belongs to (awareness / comparison / decision / brand)
   awareness: the user is describing a problem, doesn't know the solution yet
   comparison: the user is weighing several solutions
   decision: the user is ready to buy, looking for a channel/price/alternative
   brand: the user is searching a specific brand name
3. Why it's adjacent to the seed (a different phrasing of the same need?
   the downstream next step? an adjacent need in the same scenario?)

O segundo item é o gancho que transforma uma palavra em orçamento. Sem um estágio de intenção, o termo expandido é apenas uma string. O terceiro existe para revisão: palavras inventadas pelo modelo e que não têm relação com o seu negócio geralmente se desmontam nessa coluna. Essas duas informações forçam o modelo a apresentar uma estrutura verificável, em vez de apenas uma associação que soa plausível.

Validação por retorno: os palpites do modelo precisam passar pelo volume real

Esta etapa é o portão de toda a cadeia. É justamente onde muita gente pula direto para um lançamento baseado em uma tabela de termos alucinados. As palavras expandidas por um modelo são hipóteses até voltarem para a ferramenta. O modelo pode sugerir um termo gramaticalmente correto, com intenção aparentemente bem classificada, que zero pessoas pesquisam em um mês. Ele não tem acesso ao volume de busca em tempo real: sua amostragem responde a “isso parece uma busca real?”, não a “alguém realmente pesquisa isso?”.

O método é mecânico: envie cada termo de volta ao planejador, obtenha volume de busca, CPC e concorrência reais, e mantenha apenas aqueles com volume diferente de zero e com uma etiqueta de intenção compatível com as métricas reais. Compatível significa que um termo classificado pelo modelo como de “intenção de decisão” normalmente terá CPC real mais alto e concorrência mais acirrada. Se ele foi marcado como intenção de decisão, mas tem CPC absurdamente baixo e concorrência na menor faixa, isso não é um achado; é uma classificação errada de intenção. Devolva-o para revisão.

Essa divisão entre “o modelo propõe a hipótese e os dados reais decidem” segue a mesma estrutura de deixar um modelo reconhecer algoritmos em código ofuscado e então conter suas alucinações com testes diferenciais em engenharia reversa. O modelo é bom em gerar candidatos, mas fraco em verificar fatos; portanto, ele não deve fazer as duas coisas ao mesmo tempo. Para palavras-chave, a “validação por retorno” é o teste diferencial, e a condição volume > 0 tem muito mais autoridade do que o modelo afirmar que “esta é uma boa palavra”.

O orçamento final é distribuído por estágio de intenção

Agora a tabela de palavras-chave validada tem uma estrutura utilizável: cada termo traz uma faixa real de volume de busca, uma faixa de CPC, um nível de concorrência e uma etiqueta de estágio de intenção. Só então é possível calcular o orçamento. O ponto central não é distribuir a verba igualmente entre palavras, mas alocá-la por estágio de intenção:

Termos de intenção de decisão (“X price”, “X alternative”, “buy X”): são os mais próximos da conversão, têm maior valor por clique, mas pouco volume, concorrência mais intensa e teto de CPC mais alto. Devem receber alta prioridade e tolerância maior a preço, com um limite, porque existe um número finito de pessoas prontas para comprar.
Termos de intenção de comparação: ficam no meio do caminho tanto em conversão quanto em volume e absorvem a verba que transborda dos termos de decisão.
Termos de intenção de descoberta (“how to do X”, “what is X”): apresentam o maior volume, o menor CPC e estão mais distantes da conversão. Recebem uma alocação menor para cobertura, e não devem ser cobrados com a mesma expectativa de conversão de um termo de decisão.

Dentro de cada grupo, ordene os termos por “faixa de volume x participação-alvo x faixa de CPC”. No fim, um conjunto de palavras-chave não se resume a um único número tirado do nada, mas a uma estrutura de orçamento dividida por estágio de intenção, com uma faixa para cada estágio.

O modelo certo para cada etapa

As tarefas do modelo nessa cadeia exigem capacidades muito diferentes. Usar um único modelo para tudo ou desperdiça dinheiro, ou sacrifica precisão:

Etapa	Capacidade necessária	Escolha	model id
Expansão de palavras-chave + classificação de intenção	Raciocínio forte, compreensão do contexto de negócio, avaliação de intenção e justificativa de “por que é adjacente”	Claude Opus 5	`claude-opus-5`
Carregar todo o contexto antes de expandir (conjunto de palavras-chave + histórico de lançamento + texto da landing page)	Contexto longo para receber todo o contexto do negócio sem perder detalhes	Kimi K3	`kimi-k3`
Classificar e remover duplicidades de centenas a milhares de termos expandidos por item	Baixo custo, alta concorrência e execução em volume	Claude Sonnet 5	`claude-sonnet-5`
Atribuição de desvios após o retorno dos dados (por que a intenção do modelo não bate com as métricas reais)	Raciocínio intermediário e capacidade de explicar com base nos números	GPT-5.6 Sol	`gpt-5.6-sol`

A primeira etapa merece atenção especial: expansão e classificação de intenção é a única fase em que trocar de modelo muda visivelmente o resultado. Ela testa se o modelo entende seu negócio e se é capaz de admitir que um termo não tem relação com ele. Um modelo mais fraco entrega uma tabela completamente expandida, com toda palavra marcada como “decisão”; uma rodada de validação revela uma taxa de acerto desanimadora. Um modelo forte em raciocínio já sinaliza, por conta própria, os termos não adjacentes. Você pode testar essa diferença com um protocolo simples:

Escolha um conjunto de palavras-chave semente, com 5 a 10 termos cujo contexto de negócio você conheça.
Envie as mesmas “sementes + contexto de negócio” para claude-opus-5 e gpt-5.6-sol. Peça 50 termos a cada um, ambos no formato “palavra + estágio de intenção + por que é adjacente”.
Envie os dois grupos de volta ao planejador para obter volume, CPC e concorrência reais.
Observe duas coisas: quantos termos expandidos têm volume real diferente de zero — em vez de serem strings inventadas — e se as etiquetas de intenção são compatíveis com CPC e concorrência reais. Termos de intenção de decisão deveriam ser mais caros e mais disputados.
Essa taxa de acerto é seu critério de escolha. Ela determina diretamente quantas palavras alucinadas precisarão ser descartadas mais adiante. Uma única rodada mostra a diferença com mais clareza do que qualquer benchmark.

O verdadeiro entrave é o custo de trocar de modelo

São quatro modelos de três fornecedores, três SDKs, três esquemas de autenticação e três formatos de erro. Reescrever o cliente três vezes para alternar modelos entre expansão, classificação em massa e atribuição não compensa. Por isso, a maioria acaba usando um único modelo em todo o fluxo, escolhe uma camada que não entende a classificação de intenção na expansão e obtém uma baixa taxa de acerto na validação sem saber o motivo.

AIReiter remove essa camada: uma chave, uma interface compatível com OpenAI, todas as quatro camadas disponíveis e troca de modelo alterando apenas o campo model no corpo da requisição.

# Keyword expansion + intent classification: the reasoning tier
curl https://aireiter.com/api/v1/chat/completions \
  -H "Authorization: Bearer $AIREITER_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "claude-opus-5",
    "messages": [{"role": "user", "content": "<expansion prompt + seeds + business context>"}]
  }'

# Tag hundreds of expanded words in bulk: change the model field, leave the rest
#   "model": "claude-sonnet-5"
# Post-feedback deviation attribution:
#   "model": "gpt-5.6-sol"

Se você já usa o SDK da OpenAI, aponte base_url para https://aireiter.com/api/v1 e não mude mais nada. No SDK da Anthropic, faça a chamada para POST /api/v1/messages usando a mesma chave.

Em preço, os modelos Claude têm 30% de desconto sobre o valor de tabela, e os modelos GPT custam metade. O principal custo desse fluxo não está na expansão, que exige apenas algumas chamadas à camada de raciocínio, já que um conjunto de palavras-chave pede poucas rodadas. O que realmente consome volume é a classificação em massa: centenas ou milhares de termos candidatos por rodada de planejamento, classificados por intenção e desduplicados item a item. É aí que entram a alta concorrência da camada econômica e o desconto de 30% para Claude, exatamente no trecho mais denso de chamadas.

Obtenha uma chave de API
Experimente sem cadastro: primeiro expanda manualmente um conjunto de palavras-chave e compare a taxa de acerto na validação dos termos produzidos pelas duas camadas; depois decida se vale integrar.

Conclusão

Uma ferramenta de palavras-chave entrega três métricas enganosas: o volume de busca depende da janela analisada, o CPC é uma faixa e a concorrência é uma classificação relativa. Já um lançamento precisa de uma estrutura de orçamento dividida por estágio de intenção. O caminho entre uma coisa e outra é: remover sobreposições por conjunto, em vez de somar palavra a palavra; partir das palavras de busca do mercado, e não dos termos de tema do negócio; deixar o modelo expandir termos com a intenção anexada, mas validar cada um contra o volume real; e distribuir a verba por estágio de intenção, em vez de dividi-la igualmente entre palavras. O modelo acelera a expansão e a classificação de intenção; ele não decide o orçamento.

Depois de calcular essa estimativa de orçamento, ela se torna a entrada da etapa de validação comercial do pipeline que leva da palavra-chave ao criativo de anúncio finalizado: apenas conjuntos de palavras-chave cujo orçamento ultrapasse o limite merecem seguir para o pareamento com criadores e a geração de ativos. A linha de decisão paralela é ler a curva de retenção de um anúncio segundo a segundo: uma define em quais palavras você investe; a outra define em quais criativos você investe.