Teste A/B: o que é, como montar e as regras do Google para testar

Este guia cobre o que é teste A/B, como montar um do zero, quantas visitas ele precisa para dizer algo confiável, o que o Google exige de quem testa (a parte que os guias em português costumam pular), as ferramentas que restaram depois do fim do Google Optimize e os erros que invalidam o resultado sem a pessoa perceber.

O que é teste A/B?

Teste A/B é um experimento controlado em que duas versões de uma página disputam entre si. Metade das pessoas que chegam vê a versão A, o original, chamada de controle. A outra metade vê a versão B, a variação, com uma mudança específica. No fim, você compara a taxa de conversão das duas e vê qual ganhou.

A palavra que faz o método funcionar é simultâneo. Se você trocar o botão da página na segunda-feira e comparar a semana seguinte com a anterior, qualquer coisa pode explicar a diferença: uma campanha que entrou no ar, um feriado, um concorrente que baixou o preço, uma reportagem. Rodando as duas versões ao mesmo tempo, com gente sorteada aleatoriamente para cada uma, todas essas variáveis afetam os dois grupos igualmente. O que sobra de diferença é a mudança que você fez.

É a mesma lógica de um teste clínico com grupo de controle, aplicada a uma página. E, como num teste clínico, o resultado só significa alguma coisa se o número de pessoas for suficiente, o que a seção sobre amostra trata em detalhe.

Um detalhe de vocabulário que confunde: "teste A/B" e "teste de divisão" (split test) são usados como sinônimos no mercado, mas tecnicamente o split test costuma designar o caso em que as versões estão em URLs diferentes. A seção de tipos separa os dois.

Como funciona um teste A/B na prática?

O mecanismo tem quatro peças, e entender cada uma evita a maior parte dos erros de interpretação:

1. O sorteio. Quando alguém chega na página, a ferramenta joga uma moeda e decide se aquela pessoa vê A ou B. A decisão fica gravada (em cookie ou no servidor), então se ela voltar amanhã vê a mesma versão. Sem isso, a mesma pessoa veria versões diferentes e a comparação perderia o sentido.
2. A divisão. O padrão é 50/50, mas dá para usar 90/10 quando a variação é arriscada e você quer expor pouca gente a ela.
3. A medição. A ferramenta conta quantos de cada grupo completaram a ação que você definiu como conversão: clicar no botão, preencher o formulário, comprar, chegar à página de obrigado.
4. O cálculo. No fim, não basta ver qual número é maior. É preciso saber se a diferença é grande o bastante, para aquele tamanho de amostra, para não ser obra do acaso. É o que a significância estatística responde.

O quarto item é onde o teste amador costuma quebrar. Se A converte 4,0% e B converte 4,3%, com 200 visitas em cada lado, essa diferença é ruído. Com 200 mil visitas em cada lado, é um resultado sólido. O mesmo número percentual muda de significado conforme o tamanho da amostra.

O que dá para testar numa página?

Praticamente qualquer elemento, mas nem todo teste compensa o tempo que consome. Os que mais costumam mexer no resultado:

• Título e subtítulo. É o primeiro texto que a pessoa lê e o que define se ela continua. O guia de como escrever títulos trata das fórmulas que valem testar.
• Chamada para ação. Texto do botão, cor, tamanho, posição. Trocar "Enviar" por "Quero receber o orçamento" muda o que a pessoa entende que vai acontecer.
• A primeira dobra inteira. O que aparece antes de rolar decide quem fica. O guia de above the fold mostra o que priorizar ali.
• Formulário. Quantidade de campos é o teste clássico: cada campo a menos costuma aumentar o envio e piorar a qualidade do lead, e o teste mostra onde fica o equilíbrio.
• Imagem principal. Foto de produto contra foto de pessoa usando o produto, ilustração contra fotografia.
• Prova social. Depoimento, número de clientes, selo, avaliação.
• Preço e forma de apresentação. Mostrar parcelado ou à vista, com ou sem âncora de comparação.

O que não vale testar: mudanças que ninguém percebe (um tom de cinza ligeiramente diferente), e páginas com pouquíssimo tráfego, onde o teste nunca vai terminar. Antes de testar micro-detalhes, olhe o mapa de calor para descobrir onde as pessoas realmente param.

Quais são os tipos de teste?

Fonte: classificação editorial deste guia, montada a partir dos tipos de experimento que as plataformas de teste oferecem hoje.

O teste A/A merece um parágrafo, porque é pouco usado e é o jeito mais direto de descobrir que a ferramenta está mal instalada. Você roda duas versões idênticas. Como não há diferença nenhuma entre elas, o resultado esperado é empate. Se a ferramenta apontar uma vencedora com significância, o problema está na medição, não na página, e qualquer teste que você rodasse depois daria resultado errado.

Como montar um teste A/B passo a passo?

1. Escolha uma página com tráfego e com problema. Tráfego, porque sem visitas o teste não termina. Problema, porque testar uma página que já vai bem rende pouco. O relatório de páginas do Google Search Console e o funil do analytics mostram onde as pessoas somem.
2. Formule uma hipótese, não um palpite. A diferença está na estrutura: "se eu trocar X por Y, a conversão sobe, porque Z". O "porque" é o que transforma o teste em aprendizado. Sem ele, ganhando ou perdendo, você não sabe o que descobriu.
3. Defina a métrica de conversão antes de começar. Uma só, escolhida antes. Definir depois é o caminho mais curto para achar um número que confirme o que você queria.
4. Calcule o tamanho da amostra antes de ligar o teste. A próxima seção mostra a conta. Ligar primeiro e perguntar depois é um erro frequente.
5. Mude uma coisa por vez. Se você troca o título e o botão juntos e a conversão sobe, não sabe qual dos dois causou. Pode até ser que o título tenha ajudado e o botão atrapalhado.
6. Rode por ciclos inteiros de sete dias. Comportamento de segunda é diferente do de sábado. Terminar um teste na quinta-feira porque "já deu significância" enviesa o resultado para o público de dias úteis.
7. Espere o número planejado, mesmo que dê vontade de parar. Olhar o painel todo dia e encerrar quando aparece um vencedor é o que os estatísticos chamam de "peeking", e ele infla o falso positivo de forma brutal.
8. Implemente o vencedor e desmonte o teste. É uma exigência do Google, além de bom senso técnico. A seção sobre as regras do Google explica.

Quantas visitas o teste precisa para valer?

Depende de três números que você define antes:

• Taxa de conversão atual (base). O ponto de partida é a conversão que a página já tem hoje, medida no seu analytics.
• Efeito mínimo detectável (MDE). O menor ganho que você quer conseguir enxergar. Querer detectar uma melhora de 1% exige muito mais gente do que detectar uma de 20%.
• Nível de confiança e poder. O padrão de mercado é 95% de confiança (a chance de apontar um vencedor que não existe fica em 5%) e 80% de poder (a chance de enxergar um ganho real, quando ele existe, é de 80%).

A relação que decide tudo é contraintuitiva: quanto menor o ganho que você quer detectar, maior a amostra necessária, e a curva não é linear. Ela é quadrática, o que significa que pedir metade do efeito custa quatro vezes mais gente:

Os números completos:

Fonte: cálculo do iLoveSEO, fórmula de tamanho de amostra para duas proporções com variância agrupada, teste bicaudal, 95% de confiança e 80% de poder, setembro de 2026.

Vale saber por que outras calculadoras podem dar números um pouco diferentes: existe uma variante simplificada que usa a taxa base nas duas variações, e ela devolve valores entre 2% e 24% menores, com a diferença crescendo quanto maior o efeito procurado. Adotamos a versão com variância agrupada, que é a mais conservadora das duas.

A tabela explica por que tanto teste é abandonado no meio. Uma página que converte 2% e recebe 10 mil visitas por mês levaria mais de dezesseis meses para detectar um ganho de 10%. A mesma página detecta um ganho de 50% em menos de um mês.

A conclusão prática é dura: site pequeno não tem amostra para testar detalhe. Testar a cor do botão numa página com 300 visitas por mês não é um teste que dá errado, é um teste que nunca chega ao fim. Com pouco tráfego, ou você testa mudanças grandes (a página inteira, a oferta, o preço) ou não testa.

E aqui entra o dado que material de ferramenta raramente publica. Ronny Kohavi, que dirigiu a plataforma de experimentação da Microsoft, apresentou num keynote da conferência KDD em 2015 o resultado acumulado de doze anos de testes: cerca de um terço das ideias melhorou a métrica, um terço não mudou nada e um terço piorou. E no Bing, um produto já muito otimizado, a taxa de acerto cai para algo entre 10% e 20%.

Fonte: Ronny Kohavi, "Online Controlled Experiments: Lessons from Running A/B/n Tests for 12 Years", keynote na KDD 2015, com base nos experimentos da Microsoft.

A leitura prática disso muda como você encara o método: testar não é confirmar boas ideias, é descobrir que dois terços delas não eram boas. O valor não está em acertar sempre; está em não subir para todo mundo as duas em três mudanças que teriam piorado o resultado.

O que o Google exige de quem faz teste A/B?

Esta é a parte que diferencia um teste feito por quem entende de SEO. O Google tem uma página de documentação só sobre isso, e as regras são específicas. Quatro pontos, com a orientação literal:

1. Não decida o que mostrar com base em quem está acessando. A documentação é direta: "não mostre um conjunto de URLs para o Googlebot e outro diferente para humanos. Isso se chama cloaking e vai contra nossas políticas de spam". O erro clássico aqui é bem-intencionado: alguém configura a ferramenta para sempre servir o original quando detecta o user-agent do Googlebot, achando que está protegendo o SEO. É exatamente isso que a política proíbe. O robô entra no sorteio como qualquer visitante.

O que não é cloaking: um split URL em que as duas versões existem para todo mundo e o sorteio é aleatório. O problema nunca foi haver mais de uma URL; é decidir qual servir a partir de quem está pedindo a página.

2. Use redirecionamento 302 enquanto o teste roda. Quando o teste manda a pessoa para outra URL, o Google orienta usar o temporário: "use um redirecionamento 302 (temporário), não um 301 (permanente). Isso diz aos buscadores que o redirecionamento é temporário, que ele vai existir só enquanto o experimento durar". Com 301 você estaria pedindo ao Google para trocar a URL original pela de teste no índice. O guia de redirecionamento de URL explica a diferença entre os códigos.

3. Aponte a canonical das variações para a original. A recomendação: "use o atributo rel=canonical em todas as suas URLs alternativas para indicar que a URL original é a versão preferida". O Google diz explicitamente que prefere isso a colocar noindex nas variações, porque a canonical representa melhor a intenção de agrupar tudo em torno da página original. O guia de canonical mostra como implementar.

4. Desmonte o teste quando terminar. "Assim que concluir o teste, atualize seu site com a variação escolhida e remova todos os elementos do teste o quanto antes." E vem o aviso que pega quem esquece um experimento ligado: "se descobrirmos um site rodando um experimento por um tempo desnecessariamente longo, podemos interpretar isso como uma tentativa de enganar os mecanismos de busca".

Fonte: Google Search Central, "A/B testing best practices for search", documentação atualizada em dezembro de 2025.

Há ainda um efeito colateral técnico que a documentação menciona: o Googlebot geralmente não aceita cookies. Como as ferramentas costumam guardar a versão sorteada em cookie, na prática o robô tende a ver a versão padrão. Isso não é cloaking, porque não houve decisão baseada em quem ele é; é consequência de como o rastreador funciona.

Um cuidado que o próprio Google não menciona mas decorre do resto: script de teste A/B roda antes da página aparecer e pode atrasar o carregamento, o que mexe no LCP e nos Core Web Vitals. Ferramenta pesada mal instalada troca conversão por velocidade.

Quais ferramentas usar depois do fim do Google Optimize?

O Google Optimize era a porta de entrada de quem começava, porque era gratuito e integrado ao Analytics. Ele deixou de existir em 30 de setembro de 2023, e todos os experimentos que ainda estavam ativos naquela data foram encerrados. O Google explicou a decisão dizendo que o produto não tinha os recursos que os clientes pediam para experimentação, e apontou a saída: investir em integrações com ferramentas de terceiros, com APIs abertas para qualquer plataforma se conectar ao Analytics.

Fonte: Google, aviso oficial de encerramento do Optimize, Central de Ajuda do Analytics.

Duas coisas importam na hora de escolher o que usar no lugar:

O GA4 não substitui. Essa confusão é comum. O GA4 mede e reporta, mas não sorteia visitantes nem serve variações de página. Ele é para onde os resultados vão, não a ferramenta que roda o teste.

O gratuito de verdade mudou de perfil. As opções gratuitas que sobraram tendem a ser voltadas a quem tem desenvolvedor. O GrowthBook, por exemplo, é open source e gratuito quando você mesmo hospeda. A contrapartida é que ele espera que alguém saiba instalar e integrar.

O que praticamente desapareceu foi a combinação que o Optimize oferecia: gratuito, integrado ao Analytics e com editor visual que dispensava programador. Quem precisa das três coisas hoje paga por elas.

Para começar sem ferramenta nenhuma, existe um caminho pouco lembrado: teste manual em campanha de e-mail ou de anúncio. Duas versões do mesmo anúncio, mesmo orçamento, mesmo período, e o próprio gerenciador da campanha faz o sorteio e a medição. Não serve para testar a página, mas serve para testar a mensagem, e é de graça.

Quais erros mais estragam um teste A/B?

• Parar o teste quando aparece um vencedor. É um erro caro e pouco óbvio. Olhar o resultado várias vezes e encerrar no momento em que a diferença fica bonita infla muito a chance de falso positivo, porque você está escolhendo o momento mais favorável ao acaso. Defina o tamanho da amostra antes e espere.
• Testar duas coisas ao mesmo tempo. Sem saber qual mudança causou o resultado, o teste vira um sorteio com passos extras.
• Rodar por menos de uma semana inteira. O comportamento de terça não é o de domingo.
• Ignorar o efeito da novidade. Público recorrente reage a qualquer mudança nos primeiros dias só por ser diferente. Esse efeito passa, e testes curtos o capturam como se fosse ganho real.
• Medir a métrica errada. Teste que aumenta cliques no botão e derruba vendas foi um teste perdido que parece ganho. Meça o mais próximo do dinheiro que conseguir, como o guia de taxa de conversão e o de ticket médio discutem.
• Segmentar depois do fim. Achar que "no celular a variação B ganhou" depois que o teste geral deu empate é procurar padrão no ruído. Segmentação se decide antes.
• Não conferir a implementação. Um teste A/A antes de começar mostra se a ferramenta está medindo certo.
• Esquecer o teste ligado. Além de poluir a análise, é o caso que a documentação do Google trata como possível tentativa de enganar o buscador.

O teste A/B do iLoveSEO

Tudo o que este guia descreve depende de uma ferramenta que divida o tráfego, aplique a variação e conte os eventos sem errar. É isso que construímos:

Teste A/B do iLoveSEO

Você instala uma linha de script no site e monta o teste de duas formas: apontando duas URLs diferentes, para mudanças grandes, ou montando a variação num editor visual, para selo, título, descrição e CTA. Escolhe o segmento que entra, o percentual do tráfego incluído e a divisão entre controle e variação. Define uma métrica primária, entre clique, formulário, página, compra, receita por visitante ou um evento seu.

Uma ressalva de estágio, porque preferimos dizer antes: no editor visual a edição acontece sobre uma prévia controlada, não sobre o seu site carregado dentro da ferramenta, e as alterações são aplicadas na variante pelos seletores estáveis do script instalado. Teste de duas URLs diferentes não tem essa limitação.

Duas decisões de projeto importam mais do que a lista de funções. A primeira é que o script falha aberto: se ele demorar ou der erro, o visitante vê a página original funcionando. A segunda é que o relatório não anuncia vencedor enquanto o volume não sustentar a conclusão, que é exatamente o erro que este guia inteiro tenta evitar.

Conclusão

Teste A/B é a comparação simultânea de duas versões de uma página com público sorteado, e é o que permite saber se uma mudança melhorou ou piorou o resultado, em vez de supor. O método exige três coisas antes de ligar qualquer coisa: uma hipótese com "porque", uma métrica escolhida de antemão e o tamanho de amostra calculado. E, para quem se preocupa com busca, as regras do Google são específicas e fáceis de seguir: sem cloaking, 302 em vez de 301, canonical para a original e o teste desmontado no fim.

O próximo passo é calcular de quantas visitas o seu primeiro teste vai precisar, com o teste A/B do iLoveSEO, antes de mexer em qualquer página.