Dados estruturados depois da poda: o que ainda rende resultado

Dados estruturados (a ficha técnica que o site entrega ao Google, escrita num formato que a máquina lê) continuam rendendo resultado enriquecido para 25 tipos e para nenhum tipo de IA. Quem aprova orçamento de conteúdo sai daqui sabendo o que cortar, o que manter e o que responder ao pedido de "schema para aparecer no ChatGPT". Você ganha a galeria vigente, a data de cada poda e o único estudo controlado sobre schema e citação em IA.

Cenário ilustrativo: um time de conteúdo mantém, há três anos, um bloco de perguntas frequentes no fim de cada artigo, porque o FAQPage rendia sanfonas na página de resultados. A rotina custa cerca de 30 minutos por publicação, entre redigir, marcar e validar. Em maio de 2026 as sanfonas sumiram e o processo continuou por inércia, porque ninguém acompanha o changelog (o diário de mudanças da documentação). O desperdício se esconde dentro do custo de produção, indistinguível do trabalho útil.

Duas camadas explicam todo o resto. O vocabulário é o conjunto de tipos e propriedades mantido pelo consórcio Schema.org, aberto e estável, escrito na página em JSON-LD (o formato de texto da ficha técnica). O resultado enriquecido (rich result) é a aparência especial que o Google decide dar, unilateralmente, a um resultado marcado. FAQPage segue válido no vocabulário e não gera penalização. O que acabou em 07/05/2026 foi a exibição; em 15/06/2026 a documentação correspondente saiu do ar.

Leia a linha do tempo com a distinção das duas camadas na cabeça. Nenhum desses eventos apagou um tipo do Schema.org; o que mudou foi a decisão do Google sobre dar ou não aparência especial. Quem confunde as camadas produz dois erros opostos: remove marcação em pânico, ou mantém processo caro esperando um retorno visual que não existe mais.

As duas exceções separam quem leu o changelog de quem leu o resumo do changelog. Material que trata "Course" como bloco único erra nos dois sentidos ao mesmo tempo: remove a marcação que ainda rende e mantém a que já morreu. O redirecionamento 301 da página antiga do FAQPage para o changelog é a prova que você mostra em reunião. A própria URL do Google confirma que a documentação foi removida, sem depender de print de terceiro.

O Dataset engana quem lê a lista rápido. Ele está na galeria, mas alimenta o Dataset Search, um produto separado, e não produz aparência diferenciada no Google Search. Marcar dataset é correto para quem publica dados de pesquisa e quer descoberta naquele índice. Como alavanca da página de resultados, o retorno é nulo, e o plano precisa dizer isso antes que alguém cobre o resultado errado.

Agora o exemplo trabalhado. Cenário ilustrativo: página de um curso online, com aulas listadas, um autor identificado e uma seção de perguntas frequentes herdada da versão anterior do site. A pergunta de decisão é o que marcar, o que descartar e o que manter por motivo diferente do original.

Cada escolha do arquivo tem um motivo que cabe numa linha, e é a coluna do motivo que você leva para a próxima página que marcar.

Não existe schema especial para IA generativa. A formulação oficial está no guia do Google publicado em 15/05/2026 e atualizado em 10/07/2026: "Structured data isn't required for generative AI search, and there's no special schema.org markup you need to add". O mesmo guia dispensa arquivos legíveis por máquina, arquivos de texto para IA, marcação ou Markdown para aparecer no Google Search, funções generativas incluídas. Não há tipo AIContent, propriedade de citabilidade ou extensão de vocabulário para grounding.

O guia reposiciona o módulo num nível acima: otimizar para busca generativa é otimizar para a experiência de busca, portanto continua sendo SEO. Quem esperava uma camada paralela recebeu, da própria fonte, a resposta de que ela não existe. Qualquer produto que ofereça "schema para IA" vende algo que a fonte primária nega por escrito, e a citação vai com você para a reunião.

O único estudo controlado sobre schema e citação em IA chegou à mesma conclusão pelo lado da medição. A Ahrefs (Louise Linehan e Xibeijia Guan, 11/05/2026) acompanhou 1.885 páginas que adicionaram JSON-LD entre agosto de 2025 e março de 2026, pareadas com 4.000 páginas de controle. O método foi diferença em diferenças: compara a mudança do grupo tratado com a mudança do grupo que não mexeu em nada.

Resultado: AI Overviews com queda de 4,6%, a única variação significativa, e negativa; AI Mode com +2,4% e ChatGPT com +2,2%, ambos indistinguíveis de zero. O limite declarado importa: só entraram páginas já citadas 100 vezes ou mais, então o estudo não testa páginas começando do zero.

Esse é o padrão de método a exigir de qualquer estudo que chegue à sua mesa prometendo efeito de schema ou de outra alavanca. Vale igual para llms.txt (o arquivo de texto para robôs de IA, que o Google ignora). Exija grupo de controle, período declarado, denominador e limite escrito. Estudo sem controle mede a maré, e a maré sobe para todo mundo.

O que um site declara para agentes de IA hoje é outra camada, e nenhuma delas é schema. Quem vende por agente publica o perfil UCP (Universal Commerce Protocol, o padrão para agentes comprarem de uma loja) em /.well-known/ucp, público e sem autenticação. O protocolo tem 21 co-desenvolvedores, entre eles Google, Shopify, Amazon e Walmart.

No robots.txt (o arquivo que diz aos robôs o que podem ler), a Cloudflare testa a extensão content-use dos Content Signals, com os valores use=immediate, use=reference e use=full. O Google declarou que os Content Signals não têm efeito na Busca.

No Shopping do ChatGPT, o que decide é o feed de produto, com nove campos obrigatórios (item_id, title, description, url, brand, seller_name, image_url, availability e price). Na base da Profound, com 687 clientes, a recuperação por feed passou de 8,26% para 61,54% das recomendações em 10/07/2026, ultrapassando a busca na web. Trate isso como tendência medida por um vendor. Nenhuma página da OpenAI afirma que só marcas com feed aparecem, então exclusividade fica fora do plano.