Fiz a correlação de mais de 100 termos no Trends para descobrir onde a IA mais impacta
Fiz a correlação de mais de 100 termos no Trends para descobrir onde a IA mais impacta
Passei os últimos dias atrás de uma pergunta simples de enunciar e chata de responder: onde, exatamente, o interesse por IA está associado a uma queda de interesse por outros sistemas de tecnologia?
Peguei três termos (chatgpt, gemini e claude) e comparei cada um com 100 termos de CRM, ERP, sistemas financeiros, gestão de tarefas, criação de sites, design, BI, cloud, RH e marketing. Série diária, recorte Brasil, de janeiro de 2023 a julho de 2026, num total de 1303 dias por termo.
O resultado que mais me surpreendeu não foi nenhuma correlação específica. Foi quanta correlação desaparece quando você controla os confundidores certos.
No período todo, o interesse por ChatGPT é 3.5× o de Gemini e 22.1× o de Claude. Esses três foram consultados numa mesma requisição, então a razão entre as alturas é exata, não estimativa.
O primeiro problema: o Trends não entrega o que você acha que entrega
Duas armadilhas quase mataram o estudo antes dele começar.
1. O Trends normaliza os termos da consulta pelo mesmo máximo. Você pode pedir no máximo 5 termos por requisição, e todos são divididos pelo maior valor entre eles. Na prática:
| Termo | Índice devolvido (mesma consulta, jan/2026) |
|---|---|
| chatgpt | 37–48 |
| gemini | 26–27 |
| canva | 8–14 |
| claude | 1 |
| trello | <1 → 0 |
Correlacionar trello nessas condições é correlacionar ruído de arredondamento. A saída foi rodar uma calibração prévia, com 26 consultas em escada, cada uma compartilhando um termo com a seguinte, para medir o volume relativo dos 104 termos numa escala única, e só então montar os grupos de coleta com termos de volume parecido. A amplitude medida entre o maior e o menor termo passou de 4 ordens de grandeza.
2. Dado diário só sai em janelas de até ~269 dias. Acima disso o Trends devolve semanal. Como o estudo cobre 3,6 anos, a coleta foi partida em 6 janelas de 260 dias com 30 dias de sobreposição, costuradas depois pela razão das médias no trecho comum.
Duas validações antes de confiar em qualquer número: 25 termos foram coletados duas vezes, em requisições independentes, e a correlação entre as duas medições do mesmo termo tem mediana r = 0.9982. E o degrau nas emendas das janelas ficou em 0,24 desvios-padrão contra 0,22 em datas aleatórias da mesma série: existe, mas é irrelevante.
O segundo problema: correlação de série temporal mente
Aqui está o ponto que eu acho que mais gente erra.
Entre 2023 e 2026 o interesse por IA explodiu. Qualquer termo que tenha caído no período vai exibir correlação negativa forte com as três IAs, sem que exista relação nenhuma. Sem controle algum, meus números mais chamativos foram estes:
| Par | r sem controle |
|---|---|
| chatgpt × pagseguro | -0.66 |
| chatgpt × midjourney | -0.45 |
| chatgpt × photoshop | -0.37 |
| chatgpt × loja integrada | -0.33 |
| chatgpt × n8n | +0.92 |
| chatgpt × copilot | +0.89 |
| chatgpt × kommo | +0.85 |
| chatgpt × hostinger | +0.84 |
ChatGPT × PagSeguro em −0,66 renderia uma manchete ótima e não significa absolutamente nada: são duas séries com inclinações opostas no mesmo intervalo. Não existe hipótese plausível de LLM substituir adquirente de pagamento.
Então rodei a mesma análise em quatro camadas, cada uma removendo um confundidor:
- Sem controle: mede co-tendência.
- Δ7: diferença contra o mesmo dia da semana anterior; remove tendência e o ciclo semanal.
- Resíduo STL: decomposição sazonal-tendência; sobra o co-movimento idiossincrático.
- STL menos o fator comum: o STL tira o ciclo semanal, mas não tira feriado, férias e o calendário anual. Nesses períodos o interesse por toda ferramenta de trabalho cai junto, o que gera correlação positiva entre termos que não têm nada a ver um com o outro. Essa camada remove o fator compartilhado por todos os termos.
O |r| mediano cai de 0,236 para 0,031. A proporção de pares "estatisticamente significativos" cai de 76% para 18%.
E vale dizer como a significância foi apurada, porque isso também derruba muita coisa: com série diária, autocorrelação faz o p-valor clássico virar ficção, porque o teste enxerga muito mais informação do que existe. Usei tamanho amostral efetivo (os 1303 dias viram uma mediana de 528 observações independentes), intervalo de confiança por bootstrap de blocos móveis e correção de múltiplos testes por FDR. Um par só conta como significativo se passar nos dois critérios ao mesmo tempo.
O que sobrou
O maior co-movimento positivo que sobrevive a tudo é com outras ferramentas de IA (Copilot, Perplexity). Isso é a melhor notícia do estudo: era a única relação que eu sabia de antemão que deveria existir, e ela apareceu. Funciona como aferição do método: se o segmento de IA não tivesse subido, o pipeline estaria errado.
Depois vêm ERP e Gestão e RH, positivos e fracos. Do lado negativo: Dev/Cloud, Criação de Sites, BI/Analytics, Financeiro e CRM, todos fracos.
Onde a IA disputa atenção
Dos 82 termos analisados, 20 têm co-movimento negativo com as três IAs simultaneamente. Exigir o mesmo sinal nos três é um filtro duro: reduz muito a chance de ser ruído de um par isolado.
Olhe a lista e veja se você enxerga o mesmo que eu: Kubernetes, WordPress, Docker, Jira, Google Sheets, Illustrator.
Não são softwares que a IA substitui. São softwares que as pessoas googlavam para descobrir como usar. Mensagem de erro, sintaxe de fórmula, "como faço X em Y", stack overflow, tutorial. É exatamente essa fatia de busca que migra para um assistente conversacional.
O contraste fecha o raciocínio: ERP é o segmento mais positivo entre as categorias que não são IA. Protheus, TOTVS, SAP, Omie são pesquisados com intenção de fornecedor e contratação, não de tutorial. E aí a IA não compete com o buscador, convive com ele.
Ou seja: o que os dados sugerem não é "a IA está matando categoria de software". É "a IA está tomando do buscador a parte de documentação sobre aquele software".
O que isso não prova
Preciso ser bem explícito aqui, porque é fácil ler esses gráficos com mais convicção do que eles merecem.
Não dá para afirmar que existe relação direta. Nada aqui identifica causalidade, direção ou mecanismo. O que existe é um comportamento, e uma coerência no padrão que é difícil atribuir ao acaso: os negativos consistentes se agrupam em ferramentas de alto volume de tutorial, os positivos se agrupam em ferramentas de intenção comercial, e o segmento de controle (outras IAs) se comporta exatamente como deveria. A estrutura faz sentido. Isso é diferente de estar provado.
Some-se a isso:
- As magnitudes são pequenas. O maior co-movimento negativo consistente é de −0,12, algo como 1,5% de variância compartilhada. É disputa marginal de atenção, não canibalização.
- Interesse de busca não é adoção. Queda de buscas por um ERP pode significar base instalada madura que já não pesquisa o produto.
- Ambiguidade dos termos. "Claude" também é nome próprio francês; "Gemini" é signo e corretora de cripto. Coletei
claude aiem paralelo como controle, mas o ruído existe. - 18 dos 104 termos foram descartados por não terem volume diário suficiente no Brasil, e o estudo não afirma nada sobre eles.
- Variáveis omitidas. Investimento em marketing, lançamentos e cobertura de imprensa não estão no modelo. O fator comum captura parte disso, não tudo.
Correlação continua não sendo causalidade, mesmo com bootstrap, FDR e quatro camadas de controle. O que essas camadas compram não é certeza: é o direito de descartar as explicações mais baratas antes de levar o padrão a sério.
Reprodutibilidade
O pipeline inteiro roda em um script Python com etapas separadas (calibração, coleta, painel, análise e relatório), e todas as respostas da API ficam em cache local, então reexecutar não consome créditos. A coleta original custou 188 requisições à SerpApi: 26 de calibração, 156 da série diária e 6 do painel de escala exata.
Números finais: 104 termos coletados, 86 aprovados nos critérios de qualidade, 1312 pares testados em 4 transformações, 1303 dias de série diária por termo.