Uma proposta de R$ 380 mil para um problema de R$ 80 mil
Uma indústria de embalagens flexíveis em Jundiaí, R$ 82 milhões de faturamento, ERP TOTVS, e-commerce B2B em Magento, recebeu proposta de R$ 380 mil em 6 meses por "solução completa de agentic commerce". A mesma indústria pode ficar agent-ready em 90 dias com R$ 65 a 140 mil, sem trocar o ERP e sem migrar o e-commerce, usando cinco alavancas em ordem certa.
A proposta paulistana incluía migração do e-commerce para Salesforce Commerce Cloud, implementação de "catálogo IA-ready" proprietário, contratação de squad de cinco pessoas integrando SAP (a indústria roda TOTVS), e licenciamento anual estimado em R$ 220 mil. Quando o gestor perguntou "esse é o caminho?", a resposta foi uma contrapergunta: o que o agente do cliente precisa fazer com o catálogo? Cotar preço? Consultar estoque? Ler ficha técnica? Para a maioria das perguntas que importam em mid-market industrial brasileiro, a resposta é cotar e consultar especificação. Para isso, não é preciso stack universal.
Este texto 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.
Por que indústria mid-market brasileira está atrasada em GEO
Mid-market industrial brasileiro está invisível para LLMs porque tem três características estruturais que bloqueiam o retrieval: dados no ERP, catálogo no PDF, venda no distribuidor. Nenhuma dessas três características coloca informação técnica em formato que máquina entenda. Resultado: o concorrente que publicou ficha técnica em HTML com Schema Product aparece na resposta da IA; a indústria de Jundiaí, terceiro maior player do segmento, não aparece.
Dados no ERP significam que preço, estoque, condição comercial e disponibilidade vivem dentro do TOTVS, do SAP ou do Oracle — não publicados na web em formato legível por máquina.
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 o site institucional da indústria nunca precisou de catálogo público: quem vendia era o revendedor regional. Quando o comprador pergunta a ChatGPT "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 — acha o distribuidor que lista catálogo na própria página com Schema Offer.
Os dados de mercado traduzem a urgência. 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. Quem ficar fora do retrieval das LLMs nos próximos 18 a 24 meses perderá participação de mercado mensurável — e o canal distribuidor não compensa, porque ele também usa IA para 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
agents.md é o sucessor de facto do llms.txt em 2026 — arquivo Markdown na raiz do domínio que descreve capacidades, endpoints, política de uso e contatos canônicos para agente IA. Para indústria mid-market brasileira, publicar agents.md apontando para os quatro endpoints canônicos é o passo que consolida toda a infraestrutura agent-ready construída nas semanas anteriores.
O agents.md ideal para indústria mid-market aponta para quatro destinos:
/.well-known/ucp— schema do catálogo./api/ucp/mcp— endpoint MCP./llms.txt— descrição canônica da empresa em texto plano./ai-policy.jsonou/.well-known/ai-policy.json— política explícita de uso comercial de dados por agente.
Para B2B industrial que protege margem, a política canônica 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. A configuração de firewall para indústria que aceita ser citada por IA é: permitir crawl explícito de GPTBot, Google-Extended, ClaudeBot, PerplexityBot e CCBot, com rate-limit razoável e logging para auditoria — e bloquear scraper indiscriminado de competidor.
A migração de llms.txt para agents.md está acontecendo entre indústrias agent-ready. O padrão original está detalhado em llms.txt como novo robots.txt para IA.
Semanas 1-2: catálogo estruturado com Schema Product + Offer
Nas semanas 1 e 2, o objetivo é ter 100% dos produtos do catálogo público com página HTML dedicada e JSON-LD contendo objeto Product completo. Esta etapa é normalmente subestimada — é onde se ganha mais e onde a maioria da concorrência ainda não chegou. Investimento estimado: R$ 8 a 18 mil. Owner: time de marketing/produto interno com auxílio de desenvolvedor frontend.
A estrutura mínima canônica do objeto Product para indústria inclui: @type: Product, name, brand com @type: Brand, 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, e additionalProperty array com cada especificação técnica em PropertyValue — com name, value e unitText.
O Offer canônico para indústria B2B brasileira deve conter: priceCurrency: "BRL", price opcional (depende de política), priceValidUntil, availability (InStock, OutOfStock ou PreOrder), itemCondition: NewCondition, seller apontando para a Organization da indústria — e, se houver distribuidor canônico, um array adicional de Offer com cada distribuidor regional.
Ferramentas de QA: Rich Results Test do Google e validador da Schema.org. Resultado ao fim das duas semanas: base mínima citável por LLM, com cobertura granular por SKU.
Semanas 3-4: /.well-known/ucp com adaptador para o ERP
Nas semanas 3 e 4, o objetivo é publicar o endpoint /.well-known/ucp com descritor canônico do catálogo e expor /api/ucp/mcp aceitando consulta MCP — tornando o catálogo legível por agente externo sem scraping. Investimento estimado: R$ 35 a 55 mil em 4 a 6 semanas de desenvolvedor sênior. Owner: TI interna + 1 desenvolvedor backend especialista.
O caminho de integração varia por ERP, mas é previsível em todos os casos:
- TOTVS Protheus: view oficial da base (SB1, SB2, SC0) ou API REST via Webservice TOTVS.
- SAP: OData ou função RFC exposta.
- Oracle JD Edwards: Orchestrator Studio.
- Sankhya: Sankhya-W.
Em todos os casos, o adaptador é serviço backend de baixa complexidade rodando em Cloudflare Worker, AWS Lambda ou servidor próprio. Em mid-market com TI interna razoável, dá para absorver internamente com 30 a 40 horas de squad por semana.
Semanas 5-6: 1 endpoint MCP para perguntas canônicas
Nas semanas 5 e 6, o objetivo é expor 1 endpoint MCP que aceite 5 a 8 consultas canônicas tipicamente feitas pelo agente de IA do comprador. O endpoint não precisa responder tudo — precisa responder bem o que importa. Investimento estimado: R$ 12 a 22 mil. Owner: TI interna + analista de produto.
As consultas canônicas para indústria mid-market brasileira são previsíveis. As mais frequentes catalogadas em projetos 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?"
A granularidade técnica do endpoint é o diferencial que o concorrente sem MCP não consegue oferecer. Para indústria de embalagens, responder "qual produto atende RDC ANVISA contato alimento e tem permeabilidade O₂ abaixo de 5 cm³/m²/dia?" é mais valioso que retornar o catálogo completo em JSON. Para autopeças, o equivalente é "qual peça atende OEM da Volkswagen Polo 2018-2022 motor 1.0 TSI?".
Semanas 7-8: agents.md + Wikidata corporativa + Schema Organization
Nas semanas 7 e 8, o objetivo é consolidar a identidade canônica da indústria: publicar agents.md e /llms.txt, criar a Q-entidade da empresa no Wikidata com 8 a 12 declarações, e implementar Schema Organization no site apontando para os mesmos identificadores. Investimento estimado: R$ 4 a 8 mil. Owner: marketing/produto + CMO ou equivalente.
O Wikidata é fundamental e quase sempre negligenciado em mid-market industrial. O Entity Consistency Score mede exatamente isso: inconsistência entre site, JSON-LD, Wikidata e GMB é gatilho direto para LLM citar o concorrente em vez da indústria. O cadastro de pessoa jurídica leva 2 a 4 horas de trabalho qualificado e sobrevive à revisão da comunidade quando a notabilidade é evidente (faturamento documentado, citação na imprensa, certificação ISO publicada).
Declarações mínimas para a Q-entidade da indústria: P31 (instance of), P17 (country), P159 (headquarters), P452 (industry), P1448 (official name), P856 (official website), P127 (owned by, se aplicável), P749 (parent organization). O Schema Organization no rodapé do site deve apontar via sameAs para o Wikidata, o LinkedIn corporativo e o Crunchbase quando houver.
Semanas 9-12: IndexNow, GSC e monitoramento mensal de cobertura LLM
Nas semanas 9 a 12, o objetivo é ativar IndexNow, registrar sitemap completo no Google Search Console e no Bing Webmaster Tools, e implantar rotina mensal de monitoramento de citação em ChatGPT, Gemini, Perplexity e Claude para os 20 a 40 prompts canônicos do nicho. Investimento estimado: R$ 6 a 12 mil. Owner: marketing/SEO.
IndexNow é gratuito, leva 1 a 2 horas de implementação e garante que cada nova ficha técnica publicada entre em índice em horas, não semanas. O ConvertMate 2026 mediu que páginas atualizadas em frequência menor que 30 dias têm 3,2x mais citação em LLM — IndexNow é o trilho operacional que viabiliza essa frequência.
Monitoramento mensal é o instrumento que prova o investimento para o board. A metodologia de share of voice em IA se aplica diretamente: executar 25 prompts representativos uma vez por mês em 4 LLMs (100 execuções) e medir quatro estados — 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.
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 |
Fora do escopo dos R$ 65-140 mil — e assim deve permanecer: 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.
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 decisões destroem o ROI do plano de 90 dias antes de ele terminar: trocar o ERP, migrar o e-commerce sem necessidade comercial real, e contratar squad fixo para trabalho que é pontual. As três aparecem sistematicamente em propostas de "stack universal" e devem ser recusadas explicitamente no contrato.
- 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, em o fim do modelo per-seat: 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
Em 2026 a Brasil GEO fechou 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, nenhum trocou ERP, nenhum migrou e-commerce, todos mantiveram squad enxuto. Três já têm cobertura mensurável em ChatGPT, Perplexity e AI Mode nos prompts canônicos do nicho.
Em indústria mid-market brasileira, o envolvimento pessoal no desenho da arquitetura é necessário. O setor tem ticket médio menor que B2B SaaS, ciclo de decisão mais longo e equipe interna menos familiarizada com Schema.org, MCP e Wikidata. Proposta gerada por analista júnior parece superficial ao gestor industrial — e esse ceticismo é historicamente justificado.
A sequência recomendada é esta: catálogo Schema nas semanas 1-2, adaptador UCP nas semanas 3-4, 1 endpoint MCP nas semanas 5-6, agents.md + Wikidata nas semanas 7-8, IndexNow + monitoramento mensal nas semanas 9-12. Em 90 dias a indústria está agent-ready. Em 120 dias está citada. Em 12 meses, à frente de 80% do mercado. E o orçamento cabe no caixa.