Análise · Implementação técnica
Schema e citações de IA: o que a evidência sustenta
Separe o JSON-LD de sites dos grafos de conhecimento empresariais, entenda os limites do estudo da Ahrefs e escolha dados estruturados para um uso documentado.
v1.1 · outubro de 2026 · Tenten GEO Research
CH.01
Comece pelo sistema e pelo resultado medido
Marcação de sites, grafos de conhecimento empresariais e citações de IA são assuntos diferentes. Um resultado em um sistema não estabelece o efeito de adicionar JSON-LD a um site público.
Dois estudos originais ilustram a diferença. A data.world testou respostas a perguntas sobre uma base de seguros e um grafo de conhecimento. A Ahrefs acompanhou mudanças de citações em páginas que introduziram JSON-LD. Intervenções, amostras e resultados diferem; os números não devem ser combinados numa previsão de retorno do schema.
| Estudo | O que mede | Conclusão | Fonte |
|---|---|---|---|
| Benchmark da data.world, 2023 | Precisão de execução de consultas de banco de dados geradas pelo GPT-4 | 16.7% para SQL; 54.2% para a configuração grafo de conhecimento/SPARQL | 43 perguntas de seguros; não é JSON-LD de site |
| Estudo observacional pareado da Ahrefs, 2026 | Mudança nas citações em torno da primeira detecção de JSON-LD | Sem aumento claro; a pequena queda em AIO não pode ser atribuída com certeza ao schema | 1.885 páginas e 4.000 controles; páginas já citadas |
Intervenções e resultados diferentes; nenhum estudo oferece um multiplicador universal de citações para sites.
O ponto deste capítulo
Identifique sistema, intervenção e resultado antes de usar um estudo para decidir uma implementação.
CH.02
16.7% e 54.2% são resultados de consultas de banco de dados
O benchmark da data.world de 13 de novembro de 2023 pediu ao GPT-4 que produzisse consultas SQL ou SPARQL sobre um grafo de conhecimento. Foram avaliadas 43 perguntas de seguros. Não foi um teste de adição de marcação schema.org a uma página web.
Precisão média geral de execução no benchmark da data.world
data.world, 2023-11-13, tabela 1
A métrica compara resultados de consultas geradas com respostas de referência. Não mede extração de páginas, adoção de schema.org nem citações em busca com IA.
A configuração do grafo forneceu uma ontologia e mapeamentos para os dados empresariais. Esse contexto é muito diferente de publicar um objeto Article ou Organization numa página. O estudo não demonstra que JSON-LD impede um assistente de informar preço ou autor incorretos.
Para um sistema interno de perguntas e respostas, teste com suas próprias respostas de referência e modelo de dados. Para um site público, use os requisitos de dados estruturados do sistema pretendido e confira os fatos renderizados de forma independente.
O ponto deste capítulo
Mantenha este benchmark no contexto de banco de dados. Ele não justifica uma promessa de extração de sites ou de citações.
CH.03
O que o estudo de citações da Ahrefs permite concluir
A Ahrefs observou 1.885 páginas que introduziram JSON-LD entre agosto de 2025 e março de 2026 e comparou com 4.000 controles. A análise pareada encontrou queda relativa de 4.6% em AIO; as estimativas de AI Mode e ChatGPT não foram estatisticamente distinguíveis de zero.
| Superfície | Estimativa publicada | Interpretação | Fonte |
|---|---|---|---|
| Google AI Overviews | -4.6% | Em relação aos controles pareados; outras mudanças simultâneas podem explicar a diferença | Ahrefs, 11 de maio de 2026 |
| Google AI Mode | +2.4% | Estatisticamente indistinguível de zero | A mesma análise pareada |
| ChatGPT | +2.2% | Estatisticamente indistinguível de zero | A mesma análise pareada |
Estimativas pareadas de diferenças em diferenças, não um experimento aleatório nem prova de que schema causa dano.
As páginas já tinham atividade significativa de citações em AIO. O estudo agrupou tipos de schema, usou uma janela de 30 dias após a intervenção e não isolou outras mudanças simultâneas. Ele não resolve se um tipo específico ajuda uma página ainda não citada ou outro sistema.
O ponto deste capítulo
Não baseie o orçamento em uma alta garantida de citações nem remova marcação útil por causa da queda relatada. Avalie o uso documentado e suas próprias evidências.
CH.04
Descreva a organização e o autor reais
Organization e Person podem descrever de quem trata uma página e quem a escreveu. O Google documenta Organization como forma de fornecer detalhes administrativos e distinguir uma organização. Não é um caminho garantido para um grafo de conhecimento ou uma resposta de IA.
Use nome real, URL oficial e relações verificáveis. Um link sameAs identifica outra página sobre a mesma entidade; não deve sugerir parceria ou identidade inexistente. A marcação deve concordar com o conteúdo visível.
| Tipo | Descreve | Verificar | Limite |
|---|---|---|---|
| Article | Artigo, autor e datas | Autoria visível e datas de atualização substantiva | Sem garantia automática de citação ou resultado enriquecido |
| Product / Dataset | Produto ou conjunto de dados real | Propriedades aplicáveis e requisitos que o sistema pretendido suporta | Não inventar preços, avaliações ou dados |
| Person | Uma pessoa identificada | Nome, autoria e credenciais declaradas | Uma propriedade não comprova que a credencial é verdadeira |
| Organization | A organização real | Nome oficial, URL e links de identidade | Sem inclusão garantida em painel de conhecimento ou citações |
Escolha tipos que correspondam ao conteúdo visível e ao sistema que os utilizará.
O ponto deste capítulo
Dados estruturados descrevem fatos. Mantenha as evidências desses fatos no conteúdo visível e nos registros de fontes.
CH.05
Distribua a implementação pela finalidade documentada
Comece pelo conteúdo da página e pelo sistema que usará a marcação. Priorize um recurso de busca suportado, uma identidade a esclarecer ou uma divergência conhecida que possa verificar.
O Google informa que AI Overviews e AI Mode não exigem marcação especial de schema.org. As páginas continuam precisando da elegibilidade normal do Search e de snippets. Mantenha exatos os dados estruturados úteis, mas não trate tipos extras como atalho para visibilidade na IA.
PASSO 1
Confirme os fatos visíveis
Confira nomes, preços, datas, autores e detalhes de produtos antes de codificar. Corrija a divergência factual na origem.
PASSO 2
Escolha um tipo e um sistema compatíveis
Leia as propriedades obrigatórias e recomendadas atuais do fornecedor. Um tipo existir no vocabulário não significa que todo buscador ofereça um recurso para ele.
PASSO 3
Mantenha uma implementação proporcional
Reutilize os fatos que o site já mantém. Evite entidades duplicadas, credenciais inventadas e resultados sem respaldo.
PASSO 4
Verifique sintaxe, significado e uso real
Valide a marcação, compare com o conteúdo visível e inspecione o resultado do sistema pretendido. Sintaxe válida não comprova indexação nem citação.
| Seu objetivo | O schema a fazer | O que não fazer | Base |
|---|---|---|---|
| Apoiar uma apresentação de busca documentada | O tipo relevante suportado | Inventar dados para preencher um campo | Documentação atual do fornecedor |
| Esclarecer uma organização ou autor | Relações Organization / Person exatas | Prometer multiplicador de citações por adicionar sameAs | Identidade visível e perfis verificáveis |
| Avaliar desempenho de citações | Identificar mudanças de marcação no plano de teste | Tratar uma diferença antes/depois sem controle como causa | Respostas registradas, controles e limitações |
Defina a finalidade e as evidências de aceitação antes da implementação.
O ponto deste capítulo
Uma mudança útil tem um sistema pretendido claro e uma finalidade verificável. Seu valor não precisa de um multiplicador de citações inventado.
CH.06
Revise a mudança com as evidências adequadas
Separe validade da implementação, precisão factual e resultados de busca. Isso evita relatar um sucesso no validador como ganho de negócio ou de citações.
Escolha algumas páginas representativas e registre o que mudou. Guarde fatos públicos, marcação gerada, resultado da validação e data da observação para outro revisor reproduzir a verificação.
| Pergunta | Evidência | Possível problema | Próxima ação | Não inferir |
|---|---|---|---|---|
| A marcação é válida? | Parser e validador do recurso aplicável | Sintaxe ou propriedades obrigatórias ausentes | Corrigir o erro específico | Que a página esteja indexada ou citada |
| Descreve a página visível? | Comparação campo a campo | Fatos desatualizados ou entidade errada | Reparar a fonte compartilhada | Que mais propriedades sejam melhores |
| O sistema pretendido usa a marcação? | Resultado observado e diagnósticos do fornecedor | Tipo sem suporte ou elegibilidade não atendida | Conferir requisitos documentados | Que um resultado ausente prove que a marcação é inútil |
| As citações mudaram? | Respostas repetidas com amostra e datas | Ruído, mudanças de modelo ou fontes concorrentes | Comparar com controles e registrar limitações | Que a marcação sozinha tenha causado a diferença |
| Os resultados de negócio mudaram? | Registros de leads e vendas autorizados | Atribuição ou qualificação ausente | Relatar o que é observável | Que quantidade de citações seja igual a receita |
Uma lista prática de revisão proposta pela Tenten, não resultados medidos de clientes.
VALIDAÇÃO 1
Confira os fatos
Se um assistente informa preço ou autor errados, examine a fonte citada, o conteúdo e o contexto de recuperação. A resposta errada sozinha não diagnostica um defeito de schema.
VALIDAÇÃO 2
Confira a identidade de forma consistente
Compare nomes da organização e do autor na página visível, marcação e perfis oficiais. Corrija divergências reais sem inventar links ou credenciais.
VALIDAÇÃO 3
Investigue mudanças de resultados
Registre mecanismo, data, prompts e mudanças concorrentes. Teste uma explicação concreta antes de atribuir o problema à marcação ou à reescrita.
Mantenha a conclusão dentro da evidência
Use marcação exata para finalidades documentadas. Avalie sistemas de grafos de conhecimento no próprio ambiente e mudanças de citações com amostras e limites explícitos.
Fontes e metodologia
Fontes verificadas em 5 de outubro de 2026. O relatório técnico da data.world de 13 de novembro de 2023 testa a execução de consultas do GPT-4 em SQL e na configuração grafo de conhecimento/SPARQL (43 perguntas de seguros; tabela 1: 16.7% e 54.2%). Não é um experimento de schema.org em sites. https://data.world/mstatic/assets/pdf/kg_llm_accuracy_benchmark_11132023_public.pdf O artigo da Ahrefs de 11 de maio de 2026 relata um estudo observacional pareado de 1.885 páginas que introduziram JSON-LD e 4.000 controles, com janela de 30 dias e páginas já citadas. Mudanças concorrentes e tipos agrupados limitam a interpretação causal. https://ahrefs.com/blog/schema-ai-citations/ As orientações seguem a documentação do Google sobre dados estruturados e recursos de IA, sua orientação de identidade Organization e a definição de sameAs no schema.org. https://developers.google.com/search/docs/appearance/structured-data/intro-structured-data https://developers.google.com/search/docs/appearance/structured-data/organization https://developers.google.com/search/docs/appearance/ai-features https://schema.org/sameAs As tabelas são recomendações da Tenten, não desempenho de clientes nem um efeito universal de citações.
© 2026 Tenten GEO · Pode citar o conteúdo deste whitepaper, basta atribuir a fonte.
Vamos conversar sobre suas prioridades em busca com IA
Pedir uma interpretação do benchmark em 30 minutosEnvie a solicitação. Confirmaremos um horário por e-mail em até 24 horas.