FAQ: Schema.org e dados estruturados para IA generativa

Na minha experiência, os tipos com maior impacto em visibilidade algorítmica são: Organization (identifica quem você é), Product ou Service (o que você oferece), FAQPage (perguntas e respostas que IAs adoram citar), Person (para profissionais e thought leaders), Review/AggregateRating (prova social estruturada) e Article (conteúdo técnico). A ordem de prioridade depende do seu negócio, mas Organization e FAQPage são obrigatórios para qualquer empresa que queira aparecer em IAs.

A forma mais eficiente é usando JSON-LD embutido em tags <script> no HTML das páginas. Em frameworks como Next.js, você pode criar componentes que geram o JSON-LD automaticamente. O processo é: identifique as entidades principais do seu site (organização, produtos, pessoas), escolha os tipos de Schema correspondentes, preencha todas as propriedades relevantes e insira o script no head ou body da página. Ferramentas como o Schema Markup Generator ajudam a gerar o código inicial, mas eu sempre reviso manualmente para garantir que os dados estejam completos e corretos.

JSON-LD, sem dúvida. O Google recomenda oficialmente JSON-LD, e na prática é o formato que IAs generativas interpretam com mais facilidade. Microdata exige anotações inline no HTML, o que torna a manutenção complexa e propensa a erros. JSON-LD é um bloco JSON separado que não interfere no layout e pode ser gerado dinamicamente pelo backend. Em todos os projetos de GEO que executo, uso exclusivamente JSON-LD.

Três ferramentas essenciais: o Schema Markup Validator (validator.schema.org) verifica a sintaxe e a conformidade com o vocabulário Schema.org. O Rich Results Test do Google (search.google.com/test/rich-results) mostra se o Google consegue interpretar seus dados. E o terceiro teste, que a maioria ignora, é perguntar diretamente às IAs sobre sua marca e verificar se as informações estruturadas estão sendo refletidas nas respostas. Eu faço os três em todo projeto.

O llms.txt é um arquivo de texto colocado na raiz do seu domínio (seusite.com/llms.txt) que funciona como um cartão de visita para modelos de linguagem. Ele descreve, em linguagem clara e estruturada, quem você é, o que faz, quem atende e quais problemas resolve. Diferente do Schema.org, que é semântico e técnico, o llms.txt é projetado para ser lido diretamente por crawlers de LLMs. É relativamente novo, mas nos testes que fiz, sites com llms.txt bem configurado têm significativamente mais chances de serem citados por IAs.

O robots.txt permite controlar quais crawlers acessam seu site. Para GEO, você precisa garantir que crawlers de IA tenham acesso. Os principais user-agents são: GPTBot (OpenAI), Google-Extended (Gemini), ClaudeBot (Anthropic) e PerplexityBot. Se o seu robots.txt bloqueia esses bots, sua marca não será indexada por essas IAs. Minha recomendação: permita acesso explicitamente e bloqueie apenas páginas que não devem ser públicas (admin, staging, etc.).

Não garantem, mas aumentam drasticamente a probabilidade. Dados estruturados são um dos fatores que IAs usam para decidir quais marcas são confiáveis e relevantes. Outros fatores incluem: consistência de informações entre fontes, volume e qualidade de citações em sites de terceiros, autoridade do domínio e relevância do conteúdo. Pense nos dados estruturados como o pré-requisito técnico — sem eles, você reduz muito suas chances. Com eles, você entra no jogo.

Não necessariamente em todas, mas nas páginas estratégicas sim. No mínimo: página inicial (Organization), páginas de produtos ou serviços (Product/Service), página sobre (Person ou Organization), FAQs (FAQPage) e artigos do blog (Article). Em projetos maiores, eu também implemento BreadcrumbList em todas as páginas (para hierarquia), Event (para eventos), e HowTo (para tutoriais). A regra é: se a página contém informação que você quer que uma IA use, estruture essa informação.

Para SEO, dados estruturados geram rich snippets no Google — aquelas caixas de avaliação, FAQs expandidas e breadcrumbs que aparecem nos resultados de busca. Para GEO, o objetivo é diferente: é fornecer contexto semântico que permite à IA entender com precisão o que sua marca representa e quando citá-la. Na prática, a implementação técnica é parecida, mas em GEO eu priorizo propriedades como 'knowsAbout', 'sameAs', 'areaServed' e descrições detalhadas — informações que ajudam a IA a contextualizar sua marca em respostas geradas.

Para sites em múltiplos idiomas, cada versão linguística precisa ter seu próprio conjunto de dados estruturados no idioma correspondente. Use a propriedade 'inLanguage' em cada entidade para indicar o idioma. Além disso, conecte as versões com 'sameAs' apontando para as URLs alternativas. Em projetos de GEO internacional, eu sempre implemento hreflang no HTML e replico isso nos dados estruturados para que IAs em diferentes idiomas consigam encontrar e citar a versão correta do conteúdo.