Vamos direto ao ponto: quando ChatGPT ou Perplexity respondem “Quanto custa este produto, ele está em estoque e quais são suas especificações?”, quase nunca extraem a resposta do layout da página. Eles a obtêm do Product schema. Sem esses dados estruturados, a IA precisa deduzir preço e estoque a partir de informações espalhadas pelo conteúdo. Se errar, pode apresentar a um potencial cliente em fase de comparação o preço de três meses atrás ou dizer que o produto continua “sem estoque” mesmo depois da reposição.
Para empresas B2B — especialmente SaaS —, esse problema pode ser crítico. Planos mudam, preços são reajustados e os números exibidos no site talvez sejam atualizados apenas uma vez por trimestre. Se o recorte capturado pela IA não informar claramente até quando aquele preço é válido, o modelo não terá como saber quando o valor expirou e poderá continuar usando-o. A função do Product schema é registrar, em um campo inequívoco, qual número a máquina deve considerar correto, em vez de deixar o modelo chegar sozinho a uma conclusão.
Por que mecanismos de IA dependem tanto de dados estruturados
Mecanismos de IA não leem páginas como as pessoas. Nós usamos tipografia e hierarquia visual para identificar o que importa; o modelo procura fatos que possa extrair com clareza no formato “sujeito–atributo–valor”. O Product schema usa JSON-LD para organizar nome do produto, marca, SKU, preço, moeda e disponibilidade em pares de chave e valor. Na prática, é como entregar a resposta diretamente ao modelo, reduzindo o risco de ele tentar deduzi-la a partir de um parágrafo. Quando duas fontes apresentam especificações divergentes, em geral prevalece aquela que oferece dados estruturados consistentes. O JSON-LD costuma ser preferido ao Microdata porque concentra os dados estruturados em um bloco de script separado do HTML de apresentação, o que reduz o risco de quebra durante alterações na página. Google e Bing também o indicam como formato preferencial.
Modelo mínimo e funcional de Product schema
Comece pela versão mais enxuta, pronta para copiar e publicar. Insira o JSON abaixo em uma tag script com o atributo type definido como application/ld+json, adicione-o à página do produto e substitua os valores. Estes são os campos que a IA consulta com mais frequência: nome, marca, preço, moeda, estoque e período de validade do preço. Se você vende assinaturas SaaS, troque o @type de Product para SoftwareApplication; a estrutura de offers permanece exatamente igual.
Campo a campo: o que a IA realmente lê?
- name: nome oficial do produto, idêntico ao título principal da página e sem slogan de marketing. Ao fazer uma citação, a IA tende a usar esse valor diretamente como o “nome do produto”.
- brand: objeto que identifica a marca, com Brand em @type. No contexto B2B, é um campo essencial para a IA determinar a quem pertence o produto.
- sku e gtin: identificadores únicos. O SKU serve para identificação interna; quando há um GTIN, a IA pode comparar dados entre sites para verificar se eles se referem ao mesmo produto.
- price e priceCurrency: devem ficar em campos separados. Em price, use somente números (39000, nunca NT$39,000 nem valores com separador de milhar). Em priceCurrency, informe o código ISO 4217: TWD para o dólar de Taiwan e USD para o dólar dos Estados Unidos.
- availability: informe a disponibilidade usando um dos valores enumerados pelo schema.org, como https://schema.org/InStock, OutOfStock ou PreOrder. Não escreva “em estoque” por conta própria.
- priceValidUntil: data até a qual o preço permanece válido. É um dos campos mais esquecidos, embora seja especialmente importante no B2B. Sem ele, a IA não sabe quando uma cotação deixa de valer.
Preço e estoque: os dois dados que a IA mais costuma informar errado
Quando o preço sai errado, em 90% dos casos o problema está no formato. O campo price deve conter apenas números. Se o valor for escrito como uma string com símbolo de moeda ou separador de milhar, a leitura poderá falhar, e a IA simplesmente ignorará toda a oferta — como se o campo estivesse em branco. Erros de estoque geralmente acontecem quando a interface muda, mas o schema não é atualizado. Você retira o produto de venda no back-end e a página passa a exibir que ele está esgotado, enquanto os dados estruturados continuam indicando InStock. Além de induzir a IA ao erro, essa inconsistência pode ser considerada enganosa pelo Google e prejudicar a classificação do produto. A solução mais prática é gerar price, availability e priceValidUntil dinamicamente a partir do banco de dados de produtos, em vez de preencher esses campos manualmente no modelo. Assim, toda mudança de preço ou estoque é sincronizada automaticamente com o schema.
Vale a pena incluir avaliações e comentários?
aggregateRating e review podem aumentar a probabilidade de citação e permitir que a IA inclua prova social nas respostas, mas há dois limites importantes. Primeiro: as avaliações presentes nos dados estruturados precisam corresponder a comentários que o usuário realmente consegue ver na página. O Google proíbe expressamente avaliações registradas apenas no schema e ausentes do conteúdo visível; a infração pode resultar em ação manual. Segundo: empresas SaaS B2B muitas vezes não têm um grande volume de avaliações públicas, e forçar uma nota pode trazer mais risco do que benefício. Se não houver avaliações reais, não inclua esses campos. É melhor investir em uma marcação clara de especificações, preço e estoque, pois isso aumenta a chance de citação.
A IA não citará sua página de produto por ela ser mais bonita. Ela citará o conjunto de números em que tiver mais confiança. O papel do Product schema é garantir que esse conjunto seja o seu.— Tenten GEO
Depois da publicação, como confirmar se a IA realmente leu os dados?
- Cole a URL no Teste de pesquisa aprimorada do Google ou no Schema Markup Validator. Confirme que Product e Offer não apresentam erros e que nenhum campo obrigatório está ausente.
- Consulte os relatórios relacionados a produtos no Search Console para confirmar que o Google processou os dados corretamente e não encontrou avisos.
- Pergunte diretamente à IA: use ChatGPT e Perplexity para testar perguntas como “Quanto custa o produto
- Repita os testes depois de toda alteração de preço ou estoque para confirmar que os dados estruturados e a página visível foram atualizados ao mesmo tempo. Essa é a falha mais comum — e uma das mais fáceis de ignorar.
Três erros que podem invalidar toda a marcação
- Registrar o preço como uma string com símbolo (por exemplo, NT$39,000): a leitura falha, e a IA ignora toda a oferta.
- Exibir informações diferentes no schema e na página: indicar InStock enquanto a interface mostra que o produto está esgotado pode ser considerado enganoso.
- Marcar apenas um produto quando há vários na página: em páginas de comparação de planos ou listagens, use ItemList ou marque cada plano como um Product.
Ajustar o Product schema é uma das iniciativas de implementação técnica de GEO com maior retorno: o custo é baixo, e a IA consegue usar os números marcados quase imediatamente. A dificuldade não está em escrever o JSON, mas em manter os dados estruturados de todas as páginas do site completos, corretos e sincronizados com o conteúdo visível. Esse é também um dos pontos centrais da inspeção página a página que realizamos em auditorias de GEO. Se você não sabe quais campos da sua página de produto estão ausentes ou marcados incorretamente — ou quer entender como a IA descreve hoje seu produto e seu preço —, agende um diagnóstico de GEO de 30 minutos. Usaremos seu produto real nas perguntas para mostrar as lacunas e indicar o que deve ser corrigido primeiro.
