Guillem Alsina Gonzàlez
O surgimento dos serviços de pesquisa online associados a chatbots de inteligência artificial, bem como a incorporação de modelos de GenAI aos motores de pesquisa tradicionais, está a alterar os critérios de visibilidade digital; durante anos, as equipas de SEO basearam-se em dados estruturados — marcas Schema.org, fragmentos enriquecidos ou grafos de conhecimento — para orientar os «robôs» dos motores de busca, uma camada que continua a ser útil hoje em dia, mas que já não é suficiente.
O terreno de jogo mudou, e isso exige também uma mudança na forma de trabalhar as páginas web e os seus conteúdos para poder posicionar corretamente nos novos motores de busca alimentados por IA generativa, tanto os motores de busca tradicionais que adotaram a GenAI, como os chatbots que implementaram a pesquisa através da Internet.
O cerne da questão parece ser tornar-se uma autoridade de referência no tema sobre o qual escrevemos, de forma que o modelo de IA considere os nossos conteúdos entre os mais relevantes para citar como fonte em respostas geradas para responder a determinadas perguntas. E que essas perguntas sejam as que nos interessam.
Uma voz autorizada neste campo é a de Carolyn Shelby, SEO Principal na Yoast, talvez o plug-in mais popular e conhecido do WordPress (será que o usamos aqui, na Digital Inside? Deixo-vos adivinhar…), que, no Search Engine Journal, publica um artigo sobre como estruturar a informação para otimizá-la para a sua indexação por modelos de linguagem de IA e sua posterior utilização como fonte por chatbots
A organização do texto na página é fundamental
Do ponto de vista técnico, e no caso que nos ocupa, «estruturar conteúdo» não significa adicionar dados estruturados, como, por exemplo, etiquetas ou qualquer outra convenção de marcação opcional, mas sim a lógica do discurso em si.
Na prática, a coerência narrativa é obrigatória se se pretende aparecer em resumos de ferramentas como AI Overviews, Perplexity ou ChatGPT, uma vez que os modelos de linguagem não analisam a web como um robô tradicional.
O que fazem é «ingerir» o documento, decompor em tokens e calcular relações entre termos por meio de mecanismos de atenção. Não procuram uma diretiva <meta> que lhes indique o tema principal, mas sim claridade semântica. Por isso, a sequência de ideias, a hierarquia dos títulos e a uniformidade terminológica são determinantes. Ou seja: escrever bem.
Diante da lógica da indexação clássica, um LLM prioriza a coerência; observa a sequência de conceitos, distingue níveis temáticos graças aos cabeçalhos e deteta reforços ou redundâncias para inferir relevância.
Um blog cujos textos publicados possuem uma sintaxe limpa, cabeçalhos claros e parágrafos focados pode obter uma citação em destaque, mesmo que não tenha JSON-LD. Por outro lado, um texto com chamadas à ação, janelas pop-up ou divagações intercaladas pode ficar de fora dos resultados baseados em IA, mesmo que inclua toda a marcação regulamentar.
Na verdade, não é muito mais do que as professoras do ensino básico e secundário podem pedir aos seus alunos nas aulas de língua e literatura.
As experiências com o Perplexity, o Bing Copilot e outros assistentes mostram um padrão constante: quando o conteúdo é citado, geralmente reúne três condições consistentes em parágrafos curtos, títulos aninhados sem saltos e formatos reconhecíveis, que incluem parágrafos introdutórios nos quais a ideia central é condensada, sessões de perguntas frequentes ou descrições passo a passo claramente identificadas.
Essa evidência sugere que a estrutura editorial se tornou um fator crítico, não de “classificação” no sentido clássico, mas de representação, uma vez que pode decidir se o modelo seleciona um fragmento para construir a sua resposta.
A estrutura como fator de representação
A pesquisa tradicional ordenava resultados completos, enquanto a pesquisa por IA recompõem respostas frase por frase. O sistema extrai partes de várias fontes e reorganiza-as numa recomposição que privilegia passagens que expressam uma única ideia de forma inequívoca e que delimitam o seu início e fim com sinais sintáticos claros.
Na prática, os textos mais visíveis partilham características: secções lógicas que não se sobrepõem, terminologia consistente e redação que favorece a leitura rápida. Um passo a passo, por exemplo, é reconhecido porque cada ação aparece dentro do mesmo bloco, sem interrupções promocionais ou histórias tangenciais que diluem a atenção do modelo.
Quem gere catálogos, blogs corporativos ou bases de conhecimento deve assumir que a limpeza estrutural já é um requisito de negócio. Sem essa disciplina, a presença em IA Overviews ou resumos automáticos será aleatória.
Elementos que facilitam a extração de conteúdo
Na prática profissional, os modelos baseiam-se em sinais concretos: enquanto os títulos indicam a hierarquia temática, os parágrafos curtos concentram as ideias, um texto introdutório resume a conclusão e tudo isso permite ao modelo identificar rapidamente o âmbito do documento.
Da mesma forma, a inclusão de expressões-guia — «em resumo», «ponto-chave», «erro comum» — funciona como um sinal semântico que ajuda o sistema a etiquetar secções e classificá-las por relevância.
Os testes confirmam que, diante de vários textos semelhantes, o modelo tende a citar aquele que apresenta as ideias em blocos nítidos, sem transições abruptas ou desvios promocionais. A marcação JSON-LD pode coexistir, mas a sua ausência não penaliza se a redação seguir a lógica que a IA precisa para extrair significado.
Em suma, o conteúdo que prevalece não é o mais sobrecarregado de metadados, mas o mais facilmente compreensível, tanto para o leitor humano quanto para o sistema de geração de respostas. E para as equipas de marketing, recomendo: rever a arquitetura textual de cada página, colocar a proposta de valor no início, limitar cada parágrafo a uma única ideia e manter a terminologia estável.
