Product schema que a IA realmente lê

O mito do código mágico

Em GEO, é comum ouvir duas promessas opostas: “LLMs ignoram schema” e “basta instalar Product schema para aparecer no ChatGPT”. As duas simplificam demais. Dados estruturados têm consumidores e finalidades específicas: o Google usa marcação para compreender conteúdo e habilitar resultados ricos; a OpenAI publica uma especificação própria de feed; uma busca na web pode recuperar o HTML e outras representações da página.

A pergunta correta não é “qual código a IA lê?”. É: qual sistema precisa receber qual dado, por qual canal, com qual garantia de atualização?

Metodologia e critério

Comparamos documentações oficiais de julho de 2026: Product e Offer no Google Search Central, vocabulário Schema.org, feeds de comércio da OpenAI e orientações para experiências de IA do Google. “Ler” significa que a plataforma documenta a ingestão daquele formato — não que cada campo seja fator de ranking. O Google declara que dados válidos tornam a página elegível, mas não garantem rich result.

As quatro camadas

1. HTML visível: a fonte de verdade editorial

O cliente precisa ver nome, descrição, variantes, medidas, preço, estoque, política e reviews. Quando o JSON-LD afirma algo que a página não mostra, a implementação perde confiabilidade e pode violar diretrizes. O HTML carrega o que não cabe em campos rígidos: como escolher, para qual contexto serve, limitações e comparação entre versões.

2. Schema.org: a gramática da página

Product diz “esta entidade é um produto”. Offer descreve a venda. AggregateRating resume avaliações; Review representa uma individual; ProductGroup organiza variantes. SKU, GTIN e MPN distinguem itens. Para merchant listings, o Google pode destacar preço, disponibilidade, frete, devolução e avaliações em Search, Images e experiências de produto.

3. Feeds: a camada operacional do catálogo

Feeds não são cópias opcionais do schema — são uma interface própria para manter o catálogo sincronizado. Na especificação estável da OpenAI, título, descrição, URL, marca, imagem, preço, disponibilidade, vendedor e países-alvo estão entre os dados centrais, com previsão de variantes, políticas, reviews e Q&A. O feed atualiza preço e estoque sem esperar nova interpretação da página — crucial em catálogos com milhares de SKUs.

4. Sinais externos: a camada de validação

Reviews em fontes independentes, menções editoriais, perfis oficiais e dados consistentes confirmam identidade e contexto. Nenhum schema próprio transforma uma afirmação comercial em prova independente.

O núcleo mínimo de uma PDP

• →@type: Product;
• →name e description;
• →image;
• →brand.name;
• →sku e, quando aplicável, gtin ou mpn;
• →offers.url;
• →offers.price e priceCurrency: BRL;
• →offers.availability;
• →offers.itemCondition;
• →aggregateRating e review somente quando reais e visíveis.

{
  "@context": "https://schema.org",
  "@type": "Product",
  "name": "Argola Lisa Média em Prata 925",
  "description": "Argola em prata 925, 22 mm de diâmetro e fecho de encaixe.",
  "image": ["https://loja.exemplo.com.br/imagens/argola-prata-925.jpg"],
  "sku": "ARG-925-22",
  "brand": {"@type": "Brand", "name": "Marca Exemplo"},
  "offers": {
    "@type": "Offer",
    "url": "https://loja.exemplo.com.br/argola-prata-925",
    "priceCurrency": "BRL",
    "price": "129.90",
    "availability": "https://schema.org/InStock",
    "itemCondition": "https://schema.org/NewCondition"
  },
  "aggregateRating": {
    "@type": "AggregateRating",
    "ratingValue": "4.8",
    "reviewCount": "37"
  }
}

O exemplo é didático. A implementação final deve seguir os requisitos atuais da plataforma, refletir o conteúdo visível e incluir apenas dados verdadeiros.

Campos que reduzem ambiguidade

Identificadores

SKU como chave interna estável. GTIN quando o produto tem código comercial válido (use o tipo mais específico). Para fabricação própria sem GTIN, marca e MPN ajudam. Não invente códigos para preencher o campo.

Variantes

Cor, tamanho, voltagem e acabamento não devem ser comprimidos numa oferta confusa. Cada variante precisa de identificação, URL e disponibilidade coerentes com a compra. Agrupe com ProductGroup ou a estrutura exigida pelo feed.

Oferta, frete e devolução

Use BRL e valor no formato esperado; o preço marcado precisa corresponder à opção realmente comprável. Para uma recomendação de compra, custo total, prazo e risco de devolução importam — o Google oferece propriedades de frete e retorno, e a OpenAI inclui política e janela de devolução no feed.

Reviews e Q&A

AggregateRating resume nota e volume; Review preserva avaliações individuais. Não marque avaliações agregadas de outro produto ou da loja como se fossem daquele SKU.

A regra mais importante: consistência

Imagine a mesma oferta divergindo: PDP R$ 149,90 disponível; JSON-LD R$ 129,90 esgotado; feed R$ 139,90 disponível; marketplace com imagem de outra variante. Todos os formatos são legíveis, mas o registro é semanticamente ruim — quanto maior a divergência, maior a chance de exibir informação errada ou perder confiança. Trate o catálogo como base única que publica para página, schema e feeds, com atualização automatizada de preço/estoque e governança de descrição, atributos e identificadores.

“Mais schema” não é necessariamente melhor

Marcação excessiva cria manutenção e risco. Priorize propriedades que descrevem algo real e visível, diferenciam o produto, mudam a decisão de compra, são suportadas pelo consumidor do dado e podem ser mantidas atualizadas. Evite:

• →repetir keywords em campos;
• →marcar FAQ que não aparece na página;
• →usar AggregateRating sem avaliações reais;
• →duplicar blocos Product conflitantes;
• →atribuir o preço “a partir de” a uma variante indisponível;
• →misturar avaliação da loja com avaliação do produto;
• →deixar plugins diferentes gerarem schemas concorrentes.

Implementação e validação

1. Inventário — amostra com produto simples, variantes, promoção, esgotado, lançamento e item sem GTIN. 2. Fonte única — defina o sistema responsável por preço, estoque, descrição, identificador e política, com frequência de atualização por destino. 3. Marcação — gere JSON-LD no template da PDP, sem preenchimento manual por produto. 4. Testes — Rich Results Test, inspeção de URL, validação do feed e comparação visual entre página e dados. 5. Monitoramento — itens válidos, avisos, rejeições e divergências; após qualquer mudança de tema ou template, repita o teste.

Conclusão

O schema que a IA “realmente lê” não é um bloco universal — é um sistema de representações consistentes. O HTML explica, o JSON-LD classifica, o feed atualiza, os sinais externos validam. A vantagem não vem de adicionar o maior número de propriedades, mas de construir um registro de produto completo, inequívoco e sincronizado, que diferentes mecanismos conseguem recuperar, comparar e recomendar com menos risco.