Como estruturar as páginas do seu e-commerce para ser citado pelas IAs generativas

Quando alguém pergunta ao ChatGPT "qual tênis de corrida é melhor para pisada pronada até R$600", a IA não abre dez abas e compara páginas. Ela consulta o que já foi indexado, estruturado e interpretado durante o processo de treinamento e rastreamento. Se a página do seu produto não estava legível para aquele sistema, ela simplesmente não existe na resposta.

Esse é o problema central que este guia resolve.

A diferença entre aparecer e não aparecer em respostas de IA não é, na maioria dos casos, uma questão de autoridade de domínio ou volume de conteúdo. É uma questão de arquitetura de página. Dados estruturados, descrições que respondem perguntas, avaliações marcadas semanticamente e uma declaração explícita do catálogo para agentes de IA são os elementos que determinam se um produto será citado ou ignorado.

Segundo dados da BrightEdge, apenas 16,7% das fontes citadas pelo Google AI Overviews também aparecem no top 10 orgânico para a mesma query. Ranquear bem no Google não garante mais citação em IA, como detalhamos no artigo sobre como a busca por produto mudou na era das IAs. São sistemas com lógicas diferentes, e a estrutura técnica da página é o fator que mais distingue os dois.

Este guia cobre os sete elementos técnicos que determinam a encontrabilidade de um e-commerce em motores generativos, do schema de produto ao arquivo llms.txt, com exemplos de código e um checklist de implementação por prioridade de impacto.

Schema markup de produto: os campos que as IAs realmente leem

O schema Product do Schema.org é o ponto de entrada de qualquer motor generativo em uma página de produto. Sem ele, a IA trabalha com inferência: tenta deduzir o que é o produto, qual o preço, se está disponível. Com ele, a IA lê dados declarados explicitamente, e essa diferença é direta na probabilidade de citação.

71% das páginas citadas pelo ChatGPT utilizam dados estruturados, segundo análise de 6 milhões de URLs feita pela Ahrefs. A correlação é forte o suficiente para tratar schema como infraestrutura obrigatória, não como otimização opcional.

Os campos que os motores generativos extraem

Os sistemas de IA priorizam um subconjunto específico dos campos disponíveis no schema Product. Campos ausentes reduzem a elegibilidade de citação. A tabela abaixo lista os campos críticos, o que cada um sinaliza para a IA e o nível de impacto:

Exemplo de implementação em JSON-LD

O formato JSON-LD, inserido no <head> da página, é o que os rastreadores de IA leem com maior confiabilidade. Diferente de microdados embutidos no HTML, o JSON-LD é independente da estrutura visual da página:

{
  "@context": "https://schema.org",
  "@type": "Product",
  "name": "Tênis de Corrida ProFlex X3",
  "description": "Tênis para corrida de longa distância. Peso: 280g. Drop: 8mm.",
  "brand": {
    "@type": "Brand",
    "name": "ProFlex"
  },
  "sku": "PFX3-BLK-42",
  "gtin13": "7891234567890",
  "image": "https://exemplo.com.br/imagens/proflex-x3-preto.jpg",
  "offers": {
    "@type": "Offer",
    "price": "549.90",
    "priceCurrency": "BRL",
    "availability": "https://schema.org/InStock",
    "url": "https://exemplo.com.br/tenis/proflex-x3"
  }
}

O erro mais comum: preço calculado por JavaScript

Agentes de IA não executam JavaScript. Se o preço final, com descontos ou promoções dinâmicas, é calculado no lado do cliente, o agente lê o preço padrão do HTML estático. Isso cria uma divergência entre o que a IA cita e o que o comprador encontra na página, o que compromete tanto a confiabilidade da citação quanto a experiência de compra.

O preço declarado no schema precisa ser o preço real renderizado no servidor.

Como escrever descrições de produto que respondem perguntas conversacionais

Descrições de produto foram historicamente escritas para converter: linguagem persuasiva, adjetivos de impacto, calls to action. Esse modelo funciona para humanos em modo de compra. Para motores generativos, ele é ineficiente.

Quando alguém pergunta ao Perplexity "qual panela de pressão é mais segura para uso diário", a IA precisa extrair uma resposta direta da página. Uma descrição que diz "A panela mais resistente do mercado, com design moderno e qualidade incomparável" não responde nada. Uma descrição que diz "Panela de pressão em aço inox 18/10 com válvula de segurança tripla, certificação INMETRO e capacidade de 4,5 litros, adequada para fogão a gás e indução" responde tudo.

A mudança estrutural é esta: a descrição deixa de ser argumento de venda e passa a ser resposta a uma pergunta implícita.

O padrão de descrição citável

Descrições otimizadas para citação por IA seguem uma estrutura previsível. Cada bloco responde uma categoria diferente de query:

1. Identificação direta (o que é o produto, para quem serve): "Colchão ortopédico de espuma D33 com densidade alta, indicado para pessoas com dores lombares ou que dormem em posição lateral."
2. Especificações verificáveis (dados que a IA pode citar como fato): dimensões, materiais, peso, certificações, compatibilidades.
3. Contexto de uso (quando e como usar): responde queries do tipo "qual produto usar para X situação".
4. Diferenciadores concretos (o que distingue do concorrente, em termos objetivos): não "o melhor", mas "o único com cobertura removível e lavável em máquina".

Exemplo comparativo

A segunda coluna não é menos persuasiva para humanos. Mas é a única que a IA consegue usar como fonte de uma resposta factual.

Comprimento e densidade informacional

Descrições entre 120 e 250 palavras apresentam o equilíbrio ideal para extração por IA. Abaixo de 80 palavras, faltam dados verificáveis. Acima de 400 palavras sem estrutura clara, a IA tem dificuldade em identificar qual trecho responde qual query.

Cada parágrafo deve conter uma ideia verificável. Parágrafos que apenas reforçam emocionalmente o argumento anterior não contribuem para a encontrabilidade algorítmica.

Reviews estruturados: schema AggregateRating e como implementar

Avaliações de usuários são um dos sinais mais valorizados por motores generativos em contexto de e-commerce. Quando alguém pergunta "qual cafeteira tem melhor custo-benefício", a IA precisa de mais do que descrição técnica. Ela precisa de evidência social verificável.

Produtos com schema Product combinado com AggregateRating são 3 vezes mais prováveis de aparecer em recomendações de IA do que produtos com schema de produto sem avaliações estruturadas, segundo dados da Nudge analisando citações de motores generativos em e-commerce.

O motivo é direto: avaliações estruturadas transformam opinião de usuário em dado verificável. A IA consegue citar "produto com avaliação média de 4,7 com base em 312 avaliações" como fato, não como afirmação de marketing.

Implementação do schema AggregateRating

O AggregateRating é aninhado dentro do schema Product. Os campos obrigatórios são ratingValue, reviewCount e bestRating:

{
  "@context": "https://schema.org",
  "@type": "Product",
  "name": "Cafeteira Espresso CaféPro 15 Bar",
  "aggregateRating": {
    "@type": "AggregateRating",
    "ratingValue": "4.7",
    "reviewCount": "312",
    "bestRating": "5",
    "worstRating": "1"
  },
  "review": [
    {
      "@type": "Review",
      "reviewRating": {
        "@type": "Rating",
        "ratingValue": "5"
      },
      "author": {
        "@type": "Person",
        "name": "Mariana Costa"
      },
      "reviewBody": "Faz espresso com crema perfeita",
      "datePublished": "2026-07-14"
    }
  ]
}

Regras críticas de implementação

Três erros comprometem a validade do schema de avaliação para motores generativos:

• Divergência entre schema e página visível: o ratingValue declarado no JSON-LD precisa ser idêntico ao número exibido na página. Qualquer diferença é interpretada como inconsistência e pode resultar em penalização ou ignoramento do dado.
• Contagem desatualizada: o reviewCount precisa refletir o número atual de avaliações. Schemas que ficam com contagens defasadas perdem credibilidade algorítmica ao longo do tempo.
• Avaliações fabricadas: motores generativos cruzam sinais de múltiplas fontes. Avaliações que não aparecem em plataformas terceiras (Google Shopping, Reclame Aqui, marketplaces) e existem apenas no schema próprio reduzem a confiabilidade do sinal.

O que incluir no campo reviewBody

Avaliações individuais marcadas com reviewBody contribuem para citação quando o texto responde perguntas específicas. Avaliações genéricas como "ótimo produto, recomendo" têm baixo valor de extração. Avaliações que mencionam contexto de uso, tempo de experiência e atributos específicos são as que a IA usa como evidência em respostas comparativas.

Isso não significa fabricar avaliações. Significa estruturar a coleta para incentivar avaliações descritivas, e marcar semanticamente as melhores avaliações existentes.

FAQs de produto: o formato que mais gera citação por motor de resposta

Entre todos os tipos de schema disponíveis para e-commerce, o FAQPage apresenta a melhor relação entre esforço de implementação e taxa de citação por motores generativos.

Segundo análise do SGA Index sobre citações do Google AI Overviews, páginas com schema FAQPage são citadas a uma taxa de 13,6%, contra 4,2% de páginas sem dados estruturados. Isso representa uma probabilidade 3,2 vezes maior de aparecer em respostas generativas. Um estudo da BrightEdge sobre o mesmo fenômeno encontrou aumento de 44% nas citações por IA para sites que implementaram blocos de FAQ estruturados.

A razão é arquitetural: perguntas e respostas são o formato nativo de interação com motores generativos. Quando a IA recebe uma query conversacional, ela busca exatamente esse padrão na estrutura das páginas que indexou.

O que colocar nas FAQs de produto

O erro mais comum é usar FAQs como espaço de marketing. Perguntas como "Por que escolher nossa marca?" ou "Como somos diferentes da concorrência?" não aparecem em queries reais e têm baixo valor de extração.

FAQs eficazes para citação por IA respondem as perguntas que compradores realmente fazem antes de decidir:

• Compatibilidade: "Esse carregador funciona com iPhone 15 Pro Max?"
• Especificação técnica: "Qual a capacidade máxima de carga desta prateleira?"
• Política e logística: "Qual o prazo de entrega para o Nordeste?"
• Comparação: "Qual a diferença entre o modelo X e o modelo Y?"
• Uso e cuidados: "Essa panela pode ir ao forno?"
• Garantia e suporte: "O que cobre a garantia de 2 anos?"

Cada resposta deve ser autocontida, com no máximo 50 palavras. A IA precisa conseguir extrair a resposta sem contexto adicional da página.

Implementação do schema FAQPage

{
  "@context": "https://schema.org",
  "@type": "FAQPage",
  "mainEntity": [
    {
      "@type": "Question",
      "name": "Este fone de ouvido é compatível com aparelhos Android?",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "Sim. O fone conecta via Bluetooth 5.3."
      }
    },
    {
      "@type": "Question",
      "name": "Qual a duração da bateria com cancelamento de ruído ativado?",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "Com cancelamento ativo de ruído ligado, a bateria dura até 22 horas."
      }
    }
  ]
}

Regra de ouro: o schema precisa espelhar o conteúdo visível

O texto declarado no campo text do acceptedAnswer precisa aparecer na página de forma visível. Schemas que declaram respostas não presentes no HTML são considerados inconsistentes e podem ser ignorados pelos rastreadores. A FAQ precisa existir tanto no código quanto na experiência do usuário.

Ponto de atenção: o Google removeu o suporte ao FAQ schema no Rich Results Test em junho de 2026. Para validação, use o Schema Markup Validator e confirme a renderização diretamente no código-fonte da página.

Estrutura de categoria otimizada para queries comparativas

Páginas de categoria são frequentemente negligenciadas na estratégia de encontrabilidade algorítmica. O foco vai para o produto individual, e a categoria vira uma grade de thumbnails com filtros. Para motores generativos, essa arquitetura é quase invisível.

Quando alguém pergunta ao ChatGPT "quais são os melhores colchões para casal com orçamento de até R$2.000", a IA não busca uma página de produto específica. Ela busca uma página que organize e compare produtos dentro de um contexto. Páginas de categoria bem estruturadas são exatamente esse tipo de fonte.

O que transforma uma categoria em fonte citável

Uma página de categoria otimizada para citação por IA precisa de quatro elementos que a maioria das lojas não tem:

1. Texto editorial no topo da categoria Não um parágrafo genérico sobre a loja, mas um texto que responde a query comparativa diretamente. Para a categoria "Colchões de Casal", o texto deve responder: quais são os critérios de escolha, o que diferencia os tipos disponíveis, qual faixa de preço cobre cada necessidade. Esse texto é o que a IA extrai como contexto comparativo.

2. Schema ItemList ou CollectionPage A marcação semântica da categoria como uma lista de itens relacionados sinaliza para a IA que aquela página é uma fonte de comparação estruturada, não apenas uma grade de produtos:

{
  "@context": "https://schema.org",
  "@type": "CollectionPage",
  "name": "Colchões de Casal",
  "description": "Seleção de colchões de casal com espuma, mola e látex. Opções de R$800 a R$4.500.",
  "url": "https://exemplo.com.br/colchoes/casal",
  "mainEntity": {
    "@type": "ItemList",
    "itemListElement": [
      {
        "@type": "ListItem",
        "position": 1,
        "url": "https://exemplo.com.br/colchoes/casal/modelo-a"
      },
      {
        "@type": "ListItem",
        "position": 2,
        "url": "https://exemplo.com.br/colchoes/casal/modelo-b"
      }
    ]
  }
}

3. Filtros que não geram URLs indexáveis Páginas geradas por filtros dinâmicos (/colchoes?cor=branco&tamanho=queen) são ruído para rastreadores de IA. Cada combinação de filtro gera uma URL diferente com conteúdo quase idêntico, o que dilui o sinal semântico da categoria. A regra prática: apenas categorias com conteúdo editorial único devem ser indexáveis.

4. Links internos para guias de compra Categorias que apontam para conteúdo comparativo ("Como escolher o colchão certo para o seu tipo de sono") reforçam o contexto temático da página para motores generativos e criam o ecossistema de conteúdo que aumenta a probabilidade de citação em queries de pesquisa.

O princípio central: páginas de categoria que apenas listam produtos são diretórios. Páginas de categoria que organizam, comparam e contextualizam produtos são fontes. Motores generativos citam fontes.

llms.txt para e-commerce: como declarar o catálogo para agentes de IA

O arquivo llms.txt é o equivalente moderno do robots.txt, mas voltado para sistemas de IA. Enquanto o robots.txt instrui rastreadores sobre o que podem ou não indexar, o llms.txt declara explicitamente para agentes de IA o que existe no site, onde encontrar e como interpretar o catálogo.

O padrão foi proposto pela Anthropic no final de 2024 e ganhou adoção acelerada em 2025 e 2026. Em agosto de 2026, os principais agentes de IA com capacidade de navegação na web já reconhecem e priorizam o arquivo: GPTBot (ChatGPT), ClaudeBot (Claude), PerplexityBot, Google-Extended (Gemini), Meta-ExternalAgent e Amazonbot (Rufus).

Para e-commerce, o llms.txt resolve um problema específico: catálogos com milhares de produtos geram páginas demais para que um agente navegue individualmente. O arquivo funciona como um mapa editorial do site, apontando para as páginas e feeds mais relevantes.

Estrutura do llms.txt para lojas virtuais

O arquivo usa Markdown simples e deve ser hospedado na raiz do domínio (suatenda.com.br/llms.txt). A estrutura recomendada para e-commerce:

# Nome da Loja

> Breve descrição da loja: o que vende, para quem, e qual o diferencial principal.
> Exemplo: Loja especializada em equipamentos de camping e trilha. Catálogo com mais
> de 800 produtos de marcas nacionais e internacionais. Entrega para todo o Brasil.

## Catálogo

- [Todas as categorias](https://suatenda.com.br/sitemap-categorias.xml): Sitemap com todas as categorias ativas
- [Feed de produtos](https://suatenda.com.br/feed-produtos.json): Catálogo completo em JSON com preço, disponibilidade e descrição
- [Produtos em destaque](https://suatenda.com.br/colecao/destaques): Seleção curada dos produtos mais vendidos

## Conteúdo editorial

- [Guias de compra](https://suatenda.com.br/guias): Comparativos e guias por categoria
- [FAQ geral](https://suatenda.com.br/faq): Perguntas frequentes sobre entrega, troca e garantia

## Políticas

- [Política de entrega](https://suatenda.com.br/entrega): Prazos por região e frete
- [Política de troca e devolução](https://suatenda.com.br/trocas): Condições e prazo de arrependimento

Regras de implementação

Quatro regras determinam a eficácia do arquivo:

• Tamanho máximo de 4.000 tokens (aproximadamente 3.000 palavras). Arquivos maiores não cabem em um único contexto de IA e podem ser truncados.
• Apenas Markdown simples: sem HTML, sem emojis em URLs, sem formatação customizada.
• URLs que retornam status 200: links quebrados no llms.txt comprometem a credibilidade do arquivo inteiro.
• Atualização mensal: preços desatualizados ou produtos descontinuados listados no arquivo prejudicam a confiabilidade das citações geradas.

Como verificar se o arquivo está acessível

Após publicar, acesse suatenda.com.br/llms.txt em modo anônimo no navegador. O resultado deve ser texto Markdown simples, sem estilização HTML. Confirme também que o robots.txt não bloqueia o arquivo com uma diretiva Disallow: /llms.txt.

Para Shopify, o arquivo precisa ser hospedado como asset no tema e redirecionado via URL redirect. Para WooCommerce, pode ser enviado diretamente à raiz via SFTP ou gerado automaticamente pelos plugins Yoast SEO e Rank Math, que passaram a suportar llms.txt em 2026.

Checklist de implementação por prioridade de impacto

A implementação completa de todos os elementos descritos neste guia leva tempo. A sequência abaixo organiza as ações por impacto esperado na encontrabilidade algorítmica, permitindo priorizar o que gera resultado mais rápido.

Tier 1: Fundação (implementar primeiro)

Esses elementos são pré-requisito. Sem eles, os demais têm impacto reduzido.

Tier 2: Amplificação (implementar em seguida)

Esses elementos aumentam significativamente a probabilidade de citação.

Tier 3: Declaração e manutenção

Esses elementos consolidam a presença e facilitam a descoberta pelo catálogo inteiro.

A sequência recomendada

Para a maioria dos e-commerces, a ordem prática é:

1. Auditar o schema atual com o Schema Markup Validator e identificar campos ausentes ou inconsistentes.
2. Corrigir o schema Product dos produtos de maior receita, adicionando Offer completo e AggregateRating onde houver avaliações.
3. Criar FAQs estruturadas para as páginas de produto com maior tráfego orgânico.
4. Publicar o llms.txt com a estrutura básica do catálogo.
5. Revisar e reescrever as descrições dos produtos prioritários.
6. Expandir para o restante do catálogo em ciclos mensais.

O critério de priorização é simples: começar pelos produtos que já têm tráfego e receita. Eles têm maior probabilidade de serem rastreados e citados, e o impacto de uma citação é imediato em termos de visibilidade qualificada.

Uma ressalva necessária sobre correlação e causalidade

Estudos mostram correlação forte entre dados estruturados e taxas de citação por IA. Mas correlação não é causalidade direta. Uma análise controlada com 1.885 páginas, conduzida entre agosto de 2025 e março de 2026, não encontrou uplift causal significativo ao adicionar schema isoladamente.

O que isso significa na prática: schema não é um atalho. É infraestrutura. Páginas com schema bem implementado e conteúdo de baixa qualidade não serão citadas. Páginas com schema bem implementado, descrições informativas, avaliações reais e estrutura editorial coerente têm probabilidade de citação substancialmente maior. O schema remove barreiras de interpretação. O conteúdo é o que justifica a citação.

A encontrabilidade algorítmica de um e-commerce não é consequência de publicar mais produtos ou aumentar o orçamento de mídia. É consequência de arquitetura. Quando os dados estão estruturados, as descrições respondem perguntas reais, as avaliações são marcadas semanticamente e o catálogo está declarado para agentes de IA, a loja passa a existir nos ambientes onde as decisões de compra estão sendo tomadas.

O ponto de partida não é refazer o site inteiro. É auditar o schema dos produtos de maior receita, corrigir as inconsistências mais evidentes e publicar o llms.txt. Essas três ações, feitas com precisão, já posicionam a loja à frente da maioria dos e-commerces que ainda tratam dados estruturados como detalhe técnico secundário. Para e-commerces que precisam de apoio nessa implementação, a Criamente oferece esse trabalho pelo Núcleo de Encontrabilidade para e-commerce.

A presença em motores generativos não é garantida por nenhuma implementação isolada. Mas a ausência de estrutura é garantia de invisibilidade. Para fechar o ciclo, o próximo passo é monitorar se as mudanças estão gerando resultado.