Uma proposta de R$ 380 mil para um problema de R$ 80 mil
Há duas semanas conversei com o gestor comercial de uma indústria de embalagens flexíveis em Jundiaí, faturamento anual em torno de R$ 82 milhões, 140 funcionários, ERP TOTVS Protheus, e-commerce B2B incipiente em Magento custodiado por agência local, distribuidores regionais cobrindo Sudeste e Sul. Ele tinha em mãos uma proposta de uma consultoria paulistana cobrando R$ 380 mil em 6 meses por "solução completa de agentic commerce", com pacote que incluía migração do e-commerce para Salesforce Commerce Cloud, implementação de plataforma própria de "catálogo IA-ready", contratação de squad de cinco pessoas em integração com SAP (mesmo ele rodando TOTVS), e licenciamento anual estimado em R$ 220 mil.
Ele me perguntou: "esse é o caminho?". Respondi com mais perguntas: o que exatamente o agente do cliente precisa fazer com seu catálogo? Cotar preço? Consultar estoque? Ler ficha técnica? Comparar especificação? Para a maioria das perguntas que importam em mid-market industrial brasileiro, a resposta é cotar e consultar especificação. Para isso, você não precisa de stack universal. Precisa de cinco alavancas em ordem certa, todas viáveis em 90 dias com R$ 65 a 140 mil de investimento total, sem trocar ERP e sem migrar e-commerce.
Este texto é o que respondi por escrito ao gestor de Jundiaí. Aplica-se a indústria mid-market brasileira em faixa de receita R$ 50-300 milhões, 80 a 600 funcionários, ERP consolidado (TOTVS, SAP, Oracle, Sankhya, Senior), e-commerce B2B em qualquer plataforma, e distribuidor como parte material do canal. Se você caiu nessa caixa, leia até o fim.
Por que indústria mid-market brasileira está atrasada em GEO
Quem fez consultoria estratégica em indústria nacional nos últimos cinco anos conhece o padrão. Mid-market industrial brasileiro tem três características que conspiram contra visibilidade em comércio agêntico: dados no ERP, catálogo no PDF, venda no distribuidor.
Dados no ERP significa que preço, estoque, condição comercial e disponibilidade vivem dentro do TOTVS, do SAP ou do Oracle. Eles não estão publicados na web em formato que máquina entenda. Catálogo no PDF significa que ficha técnica, certificação, dimensão, especificação química e código fiscal estão em arquivo .pdf hospedado em S3 sem texto extraível, sem Schema.org, sem URL estável. Venda no distribuidor significa que a indústria não vende direto ao consumidor final, mas para revendedor regional — então o site institucional historicamente não precisava de catálogo público.
O resultado: quando o comprador da fábrica que precisa do filme flexível para embalar carne pergunta a ChatGPT, Gemini ou Perplexity "qual fornecedor brasileiro de filme co-extrusado de polietileno com barreira EVOH atende mercado de proteína em São Paulo?", a LLM não acha a indústria de Jundiaí, mesmo que ela seja o terceiro maior player do segmento. Acha o concorrente que publicou ficha técnica em HTML com Schema Product, ou o distribuidor que lista catálogo na própria página com Schema Offer. Esse é o gap real.
A Gartner em 21 de outubro de 2025 projetou que 90% das transações B2B serão agent-intermediated até 2028, com mercado endereçável de US$ 15 trilhões. A ALM Corp 2026 mediu que o overlap entre busca orgânica e busca por IA caiu de 76% para 38% em 18 meses. Esses dois números, lidos juntos, traduzem para indústria mid-market brasileira o seguinte: quem ficar fora do retrieval das LLMs nos próximos 18 a 24 meses vai perder participação de mercado mensurável, e o canal distribuidor não vai compensar porque ele também usa IA pra orientar venda.
Universal Commerce Protocol: o catálogo agent-ready de fato
UCP — Universal Commerce Protocol — é o padrão emergente em 2026 que estabelece um endpoint canônico para máquina ler catálogo: /.well-known/ucp e /api/ucp/mcp. Toda loja Shopify expõe nativamente desde o segundo semestre de 2025; o modelo Business to Agent assume isso como camada de infraestrutura.
Validei pessoalmente em loja.herreirasemijoias.com.br, que roda Shopify e expõe /.well-known/ucp com SKILL.md descritivo, MCP server em /api/ucp/mcp respondendo a queries estruturadas sobre catálogo, e Shop skill canônica permitindo que agente externo consulte preço, disponibilidade, descrição e categoria sem scraping. Magento, VTEX e plataformas customizadas não expõem nativamente. Para indústria mid-market rodando TOTVS+Magento, é preciso construir o adaptador.
O adaptador é mais simples do que parece. Trata-se de um serviço backend que: (1) lê o catálogo do ERP via API ou consulta direta em view de banco, (2) expõe em endpoint público respeitando esquema UCP, (3) responde a consulta MCP com produto, especificação, preço (se for política expor) e ficha técnica. Em projeto de mid-market industrial, esse adaptador é trabalho de 4-6 semanas de squad de 1 desenvolvedor backend brasileiro de bom nível, em torno de R$ 35 a 55 mil de custo total. Comparar com R$ 380 mil de "stack universal".
MCP e NLWeb: por que cada endpoint do seu site é potencialmente um servidor MCP
MCP — Model Context Protocol — é o padrão aberto que permite a LLM consultar fonte de dados estruturada com semântica. Foi adotado por Anthropic, OpenAI e Google ao longo de 2025 e formalizado em Wikidata Q133436854. NLWeb é a implementação leve apresentada por R.V. Guha no Microsoft Build 2025, com a tese central: "cada endpoint web é potencialmente um servidor MCP". Tradução prática para indústria: cada URL pública do seu catálogo pode responder a consulta semântica de agente IA, sem você precisar montar plataforma proprietária.
O que muda na execução: em vez de hospedar uma "plataforma de catálogo IA-ready" como produto separado, você expõe seu próprio site como MCP server. As perguntas que o agente faria — "qual filme tem permeabilidade O₂ abaixo de 5 cm³/m²/dia?", "qual lote tem estoque acima de 2 toneladas em São Paulo?", "qual produto atende RDC ANVISA contato alimento?" — são respondidas pelo seu MCP, ancorado no seu ERP via adaptador UCP.
A Outpace 2026 mediu que 65% dos resultados citados pelo AI Mode e 71% citados pelo ChatGPT têm Schema.org estruturado. Para indústria, Schema canônico é Product + Offer + QuantitativeValue nas especificações técnicas + Brand + manufacturer + gtin ou mpn. Adicionar additionalProperty para cada parâmetro técnico (densidade, espessura, certificação, código fiscal) é o detalhe que separa indústria citada de indústria invisível.
agents.md: o padrão que está substituindo llms.txt em 2026
Em llms.txt como novo robots.txt para IA tratei do padrão original. Em 2026 o sucessor de facto é agents.md — arquivo Markdown na raiz do domínio descrevendo capacidades, endpoints, política de uso e contatos canônicos para agente IA. A migração de llms.txt para agents.md está acontecendo entre indústrias agent-ready (Shopify nativo, Cloudflare bot policy, GPT-4 plugins).
Para indústria mid-market, o agents.md ideal aponta para quatro coisas: (1) /.well-known/ucp com schema do catálogo, (2) /api/ucp/mcp com endpoint MCP, (3) /llms.txt com descrição canônica da empresa em texto plano, (4) /ai-policy.json ou /.well-known/ai-policy.json com política explícita de uso comercial de dados por agente. Para B2B industrial que protege margem, a política normalmente permite consulta de catálogo e especificação, mas exige autenticação para preço e estoque.
A Cloudflare monitora razão de bot por crawler em escala global e disponibiliza dashboard. Para indústria que aceita ser citada por IA, a configuração canônica é: permitir crawl explícito de GPTBot, Google-Extended, ClaudeBot, PerplexityBot, CCBot, com rate-limit razoável e logging para auditoria. Bloquear scraper indiscriminado de competidor.
Semanas 1-2: catálogo estruturado com Schema Product + Offer
Esta é a etapa que normalmente é subestimada e onde se ganha mais. Owner: time de marketing/produto interno, com auxílio pontual de desenvolvedor frontend.
Saída esperada em 14 dias: 100% dos produtos do catálogo público com página HTML dedicada, com <script type="application/ld+json"> contendo objeto Product completo. Estrutura mínima canônica para indústria: @type: Product, name, brand com @type: Brand e name, manufacturer com @type: Organization e link para Wikidata da indústria, description em prosa técnica, mpn (Manufacturer Part Number), gtin13 se aplicável, category seguindo Google Product Categories ou taxonomia do segmento, additionalProperty array com cada especificação técnica em PropertyValue com name, value e unitText.
O Offer canônico para indústria B2B brasileira tem priceCurrency: "BRL", price opcional (depende de política), priceValidUntil, availability (InStock, OutOfStock, PreOrder), itemCondition: NewCondition, seller apontando para a Organization da indústria, e — se houver distribuidor canônico — array adicional de Offer com cada distribuidor regional.
Investimento estimado: R$ 8 a 18 mil em squad de marketing/produto + desenvolvedor frontend trabalhando juntos. Ferramentas: Rich Results Test (Google) e Schema.org validator para QA. Resultado: passa a ter base mínima citável por LLM, com cobertura granular por SKU.
Semanas 3-4: /.well-known/ucp com adaptador para o ERP
Owner: TI interna + 1 desenvolvedor backend (in-house ou freelancer especialista). Saída esperada em 14 dias: endpoint público /.well-known/ucp respondendo com descritor canônico do catálogo, e /api/ucp/mcp aceitando consulta MCP.
Adaptador típico para TOTVS Protheus consome view oficial da base do Protheus (SB1, SB2, SC0 etc) ou usa API REST oficial via Webservice TOTVS. Para SAP, é via OData ou função RFC exposta. Para Oracle JD Edwards, via Orchestrator Studio. Para Sankhya, via Sankhya-W. Em todos os casos, o adaptador é serviço backend de baixa complexidade rodando em Cloudflare Worker, AWS Lambda ou servidor próprio — escolha do CTO.
Investimento estimado: R$ 35 a 55 mil em 4-6 semanas de desenvolvedor sênior. Em mid-market industrial que já tem TI interna razoável, dá pra absorver internamente com 30 a 40 horas de squad por semana. Resultado: catálogo passa a ser legível por agente externo sem scraping, com latência aceitável e logging para auditoria.
Semanas 5-6: 1 endpoint MCP para perguntas canônicas
Owner: TI interna + analista de produto. Saída esperada em 14 dias: 1 endpoint MCP que aceite 5 a 8 consultas canônicas tipicamente feitas por agente de IA do comprador.
As consultas canônicas para indústria mid-market brasileira são previsíveis. Catalogamos as mais frequentes em projeto de cliente: "qual produto atende especificação X?", "qual lote tem estoque em região Y?", "qual condição comercial mínima para volume Z?", "qual certificação tem o produto N?", "qual ficha técnica do SKU M?", "qual produto substitui o concorrente C?".
O endpoint não precisa responder tudo — precisa responder bem o que importa. Para indústria de embalagens, "qual produto atende RDC ANVISA contato alimento e tem permeabilidade O₂ abaixo de 5 cm³/m²/dia?" é mais valioso que catálogo completo retornado em JSON. Para indústria de autopeças, "qual peça atende OEM da Volkswagen Polo 2018-2022 motor 1.0 TSI?" é o equivalente.
Investimento estimado: R$ 12 a 22 mil em desenvolvedor + analista. Resultado: indústria passa a ser citável por IA com nível de granularidade técnico que concorrente sem MCP não consegue oferecer.
Semanas 7-8: agents.md + Wikidata corporativa + Schema Organization
Owner: marketing/produto + CMO ou equivalente. Saída esperada em 14 dias: agents.md publicado, /llms.txt com descrição canônica, Wikidata Q-entidade da indústria criada e validada com 8 a 12 declarações (P31 instance of, P17 country, P159 headquarters, P452 industry, P1448 official name, P856 official website, P127 owned by se aplicável, P749 parent organization), e Schema Organization no rodapé do site apontando para sameAs Wikidata + LinkedIn corporativo + Crunchbase quando houver.
Wikidata é fundamental e quase sempre negligenciado em mid-market industrial. Entity Consistency Score mede exatamente isso: o quanto a sua identidade canônica está consistente entre o site, JSON-LD, Wikidata, GMB e cadastros oficiais. Inconsistência ali é gatilho para LLM citar concorrente em vez de você. O cadastro Wikidata de pessoa jurídica leva 2 a 4 horas de trabalho qualificado, sobrevive a revisão da comunidade se a notabilidade for evidente (faturamento documentado, citação na imprensa, certificação ISO publicada), e gera o sinal P-identifier que LLM lê.
Investimento estimado: R$ 4 a 8 mil em CMO + redator técnico + uma rodada de validação. Resultado: identidade corporativa canônica consolidada, com sinal de autoridade reconhecido por todas as principais LLMs.
Semanas 9-12: IndexNow, GSC e monitoramento mensal de cobertura LLM
Owner: marketing/SEO. Saída esperada em 28 dias: sitemap completo registrado no Google Search Console e no Bing Webmaster Tools, IndexNow ativo para reindexação imediata de toda alteração de catálogo, e rotina mensal de monitoramento de citação em ChatGPT, Gemini, Perplexity e Claude para os 20 a 40 prompts canônicos do nicho.
IndexNow é gratuito e funcional. Custa 1 a 2 horas de implementação para indústria com catálogo dinâmico. O ROI é alto porque cada nova ficha técnica publicada entra em índice em horas, não semanas. ConvertMate 2026 mediu que páginas atualizadas em frequência menor que 30 dias têm 3,2x mais citação em LLM — IndexNow é o trilho que viabiliza isso operacionalmente.
Monitoramento mensal é o instrumento que prova o investimento. Share of voice em IA detalha a metodologia. Para indústria mid-market, basta executar 25 prompts representativos uma vez por mês em 4 LLMs (100 execuções) e medir: cita você, cita concorrente, cita ambos, cita nenhum. Custo manual: 4 a 6 horas de analista. Custo automatizado via API com prompts canônicos: cerca de US$ 8 a 15 por mês. Resultado: dashboard mensal de cobertura LLM que vira métrica de board.
Investimento estimado nas semanas 9-12: R$ 6 a 12 mil, incluindo setup IndexNow, painel GSC e primeira rodada de monitoramento estruturada.
Tabela orçamentária: R$ 65-140 mil vs R$ 380 mil de consultoria
Resumo financeiro do plano de 90 dias para indústria mid-market brasileira agent-ready, comparado com a proposta de R$ 380 mil que motivou este texto.
| Etapa | Semanas | Investimento estimado |
|---|---|---|
| Catálogo estruturado Schema Product+Offer | 1-2 | R$ 8-18 mil |
| /.well-known/ucp com adaptador ERP | 3-4 | R$ 35-55 mil |
| 1 endpoint MCP com 5-8 queries canônicas | 5-6 | R$ 12-22 mil |
| agents.md + Wikidata + Organization Schema | 7-8 | R$ 4-8 mil |
| IndexNow + GSC + monitoramento mensal | 9-12 | R$ 6-12 mil |
| Total Brasil GEO em 90 dias | 1-12 | R$ 65-115 mil |
| Contingência (15-20%) | — | R$ 10-25 mil |
| Teto realista | 1-12 | R$ 75-140 mil |
| Proposta concorrente "stack universal" | 1-26 | R$ 380 mil |
O que NÃO está no escopo dos R$ 65-140 mil, e por que não deveria estar: troca de ERP, migração de e-commerce, licença anual de plataforma proprietária, squad fixo de 5 pessoas dedicado. Essas linhas somam os R$ 240-300 mil de gordura que diferem a proposta universal do plano efetivo.
Argumento de mercado: indústria mid-market brasileira tem normalmente 12 a 20 meses de janela antes que o concorrente capitalizado complete o mesmo trabalho. Quem investir R$ 100 mil agora ganha 12 meses de vantagem em citabilidade. Quem esperar e gastar R$ 380 mil em 2027 perde a janela e ainda paga mais.
O que NÃO fazer em mid-market industrial em 2026
Três armadilhas recorrentes que destruem o ROI.
- Não troque o ERP. Migração TOTVS para SAP S/4HANA ou vice-versa é projeto de 18 a 30 meses e custa R$ 4 a 12 milhões. Não tem relação com agent-ready. Adapte o que existe.
- Não migre o e-commerce sem necessidade comercial. Magento, VTEX e plataforma própria funcionam bem para B2B industrial brasileiro. Adicione UCP adapter por cima. Migração para Shopify B2B só faz sentido se você for repensar o modelo de canal — projeto separado, não confundir.
- Não contrate squad fixo de 5 pessoas dedicado. O trabalho de 90 dias é pontual. Squad fixo vira custo recorrente sem entregável recorrente. Use desenvolvedor backend especialista por escopo, analista de produto interno, e consultor pontual para a camada Schema/Wikidata/agents.md.
Para a discussão mais ampla de o fim do modelo per-seat, vale lembrar: licenciamento anual de plataforma "IA-ready" cobrado por usuário/mês é exatamente o modelo que está virando obsoleto. Pague por entregável, não por assento.
Decisão pessoal: por que atendo indústria mid-market BR pessoalmente
Na Brasil GEO temos hoje atendimentos diversos em B2B SaaS, e-commerce, consumer brand e indústria. Em indústria mid-market brasileira, eu me envolvo pessoalmente na descoberta e no desenho da arquitetura. Razão simples: o setor tem ticket médio menor que B2B SaaS, ciclo de decisão mais longo e equipe interna em geral menos familiarizada com Schema.org, MCP e Wikidata. Delegar para júnior do meu time produz proposta que parece superficial — e o gestor industrial é cético por padrão, com razão histórica.
Em 2026 fechei quatro projetos de indústria mid-market — embalagens, autopeças, química fina e equipamento médico — todos na faixa de R$ 85-140 mil em 90 dias. Os quatro ficaram agent-ready, três já têm cobertura mensurável em ChatGPT, Perplexity e AI Mode dentro dos prompts canônicos do nicho. O quarto está no mês 2 e mostrando primeiro sinal de citação em Gemini. Nenhum trocou ERP, nenhum migrou e-commerce, todos mantiveram squad enxuto.
Isso é o que recomendo ao gestor de Jundiaí e a você, se você está nessa caixa: comece pelo catálogo Schema, evolua para UCP, exponha 1 endpoint MCP, publique agents.md, cadastre Wikidata, ative IndexNow, monitore mensalmente. Em 90 dias você está agent-ready. Em 120 dias você está citado. Em 12 meses, à frente de 80% do seu mercado. E o orçamento cabe no caixa.