Se você quiser guardar apenas uma conclusão, que seja esta: para facilitar uma leitura precisa e aumentar as chances de citação por mecanismos de IA, use JSON-LD. Escrever a mesma marcação do schema.org em Microdata ou RDFa não fará o Google rejeitá-la, mas obrigará o crawler de IA a reconstruir uma entidade a partir de atributos espalhados pelo HTML. Cada etapa adicional abre espaço para omissões e interpretações incorretas.
Os três formatos descrevem o mesmo vocabulário
Primeiro, vale desfazer uma confusão comum: JSON-LD, Microdata e RDFa não são três conjuntos de dados concorrentes. São três sintaxes para inserir o vocabulário do schema.org em páginas web. As entidades marcadas são as mesmas: Organization, Product, Article, FAQPage e HowTo, por exemplo, pertencem ao mesmo vocabulário. O que muda é onde os atributos ficam e como são representados. O schema.org oferece suporte oficial aos três formatos, e o Google consegue interpretar todos eles. Portanto, a questão não é “qual deles funciona?”, mas “qual deles torna a leitura mais simples para a máquina?”.
A diferença central: como os dados estruturados se conectam ao HTML
A diferença mais importante está no grau de acoplamento entre os dados estruturados e o HTML. Microdata insere a marcação diretamente nos elementos HTML e usa atributos como itemscope, itemtype e itemprop em div, span e h1, camada por camada. RDFa segue a mesma lógica, mas recorre a atributos como vocab, typeof e property para acrescentar semântica às tags existentes. Isso permite uma representação mais completa, porém deixa a sintaxe mais extensa. JSON-LD adota o caminho oposto: descreve toda a entidade em um JSON independente, inserido em uma tag script do tipo application/ld+json e separado do HTML exibido na tela.
- JSON-LD: objeto JSON autocontido, concentrado em uma tag script. Como não depende do layout, é mais fácil de manter e implementar por código, além de ser a opção claramente preferida pelo Google.
- Microdata: usa atributos como itemscope e itemprop dentro do HTML visível. A marcação fica vinculada ao conteúdo, e uma mudança de layout pode removê-la ou danificá-la com facilidade.
- RDFa: usa atributos como vocab, typeof e property. Oferece a representação semântica mais robusta e é o formato mais próximo do ideal de dados vinculados do W3C, mas também tem a sintaxe mais pesada e mais sujeita a erros.
Por que crawlers de IA preferem JSON-LD
A vantagem do JSON-LD para crawlers de IA é direta: cada entidade forma um objeto JSON completo, com campos, valores e relações aninhadas reunidos no mesmo bloco. Ao processá-lo, o parser obtém uma árvore de objetos organizada, sem precisar voltar e percorrer todo o DOM. Com Microdata e RDFa, a máquina precisa primeiro examinar o HTML inteiro, coletar um a um os atributos distribuídos entre diferentes tags e depois reconstruir a entidade conforme as relações de aninhamento. Quanto mais complexa a página e mais profundo o layout, maior o risco de erro nessa reconstrução.
Dois fatores práticos ampliam essa diferença. O primeiro é a renderização por JavaScript: muitos crawlers de IA executam JS de forma mais conservadora que o Googlebot. Se o framework de front-end inserir Microdata dinamicamente no DOM, a marcação talvez ainda não exista no momento do rastreamento. Já o JSON-LD costuma ser entregue como uma string completa pelo servidor e fica disponível assim que a página é capturada. O segundo fator é o custo de manutenção. Como o JSON-LD fica concentrado em um único lugar, adicionar uma FAQPage ou alterar o preço de um produto exige apenas a edição de um trecho de JSON, sem afetar o layout. Em marcações inline, toda revisão exige conferir se algum atributo foi movido ou excluído.
Microdata e RDFa ainda têm espaço?
Isso não significa que Microdata e RDFa estejam errados. Se você usa um CMS antigo ou um tema de e-commerce, é provável que a marcação estruturada nativa esteja em Microdata. Caso funcione corretamente, não há necessidade de substituí-la. RDFa continua relevante em cenários que exigem a representação de dados vinculados complexos entre diferentes vocabulários, como dados governamentais abertos e publicações acadêmicas. Mas, para o objetivo específico de obter citações em mecanismos de IA, os pontos fortes desses dois formatos quase não trazem vantagem, enquanto suas limitações ganham peso.
Antes de migrar para JSON-LD, evite estas armadilhas
- A marcação não corresponde ao conteúdo visível: avaliação, preço e autoria informados no JSON-LD precisam coincidir com o que o usuário realmente vê. Caso contrário, a marcação pode ser classificada como spam.
- O script existe, mas faltam campos obrigatórios: se Product não incluir name ou offers, por exemplo, ou se as perguntas de FAQPage não tiverem respostas correspondentes, a máquina poderá ignorar a entidade inteira.
- As entidades não estão conectadas por @id: quando Organization, WebSite e Article se relacionam, usar @id para criar referências ajuda a IA a construir um mapa de conhecimento da marca mais completo.
- A publicação ocorre sem validação: testar a marcação no Rich Results Test do Google ou no validador do schema.org é muito mais rápido do que descobrir os erros depois no Search Console.
Há um princípio importante que costuma passar despercebido: dados estruturados não servem para enganar a máquina, mas para ajudá-la a confirmar o que leu na página. A abordagem mais segura é fazer do JSON-LD um espelho do conteúdo visível. Inclua na marcação apenas o que aparece na tela e garanta que tudo o que foi declarado nela possa ser encontrado na página. Essa consistência sustenta a avaliação dos mecanismos de IA sobre a confiabilidade de uma página e sua relevância como fonte.
Dados estruturados não tornam uma página sem conteúdo relevante digna de citação. Seu papel real é impedir que uma página que mereça ser citada seja ignorada porque a máquina não conseguiu compreendê-la.— Tenten GEO Technical Audit Team
Como avaliar seu site
Ao analisar seu próprio site, comece com três perguntas: qual formato é usado nas páginas principais? A mesma entidade recebeu marcações duplicadas? Os campos do JSON-LD correspondem ao conteúdo exibido? Em muitos sites B2B SaaS, os dados estruturados foram acumulados ao longo de diferentes fases e projetos terceirizados. Por isso, é comum encontrar formatos misturados e campos incompletos. Para os mecanismos de IA, essas lacunas são motivos para ignorar uma página. Se você quiser entender como os crawlers de IA enxergam seu site e quais entidades estão passando despercebidas, agende um diagnóstico de GEO de 30 minutos. Vamos analisar uma página real do seu site, passo a passo.
