Dados estruturados nasceram como um atalho para estrelinhas na página de resultados. Uma década depois, os enfeites estão encolhendo — o Google depreciou uma leva inteira de rich results entre 2023 e 2026 — e, ao mesmo tempo, engenheiros do próprio Google descrevem a marcação como fator-chave de grounding dos sistemas de IA. Este guia explica o que é JSON-LD, como o schema.org funciona, o que mudou, o que está documentado sobre IA e como implementar sem os conflitos que anulam o investimento.
Resposta direta
Dados estruturados são informações publicadas em formato padronizado que máquinas leem sem ambiguidade; JSON-LD é o formato dominante para publicá-las — um bloco de código no HTML que descreve as entidades da página usando o vocabulário schema.org, recomendado oficialmente pelo Google e padronizado pelo W3C. A adoção saltou de 3,1% dos domínios em 2013 para 37,9% em 2022 (Web Data Commons). Em 2026, o papel mudou de figura: o Google encerrou o FAQ rich result em 7 de maio de 2026 e aposentou tipos inteiros desde 2023 — mas seus engenheiros declararam que dados estruturados são "contexto servido aos modelos" e fator-chave de grounding dos sistemas generativos, e o Bing confirmou que a marcação ajuda seus LLMs. O enfeite visual encolheu; a função estrutural cresceu: JSON-LD deixou de ser tática de aparência e virou infraestrutura de entidade — a camada que diz às máquinas, sem adivinhação, quem é a sua marca.
O que são dados estruturados — e o que é JSON-LD
Uma página web carrega dois leitores com necessidades opostas. O humano quer narrativa, hierarquia visual, contexto. A máquina quer fatos sem ambiguidade: esta página descreve um serviço; o prestador é esta organização; o autor deste artigo é esta pessoa; o preço é este. O HTML resolve bem o primeiro leitor e mal o segundo — texto corrido exige interpretação, e interpretação em escala produz erro.
Dados estruturados são a solução para o segundo leitor: as mesmas informações da página, publicadas em um formato padronizado que sistemas processam diretamente, sem inferência. JSON-LD — JavaScript Object Notation for Linked Data — é o formato que venceu essa função: um bloco de JSON inserido em uma tag <script type="application/ld+json">, invisível para o visitante, que descreve as entidades da página e as relações entre elas.
O pedigree técnico importa para entender a longevidade. JSON-LD nasceu na comunidade de linked data do W3C — o esforço, liderado por nomes como Manu Sporny, de conectar dados na web por identificadores universais — e se tornou recomendação oficial do W3C: versão 1.0 em 2014, versão 1.1 em 2020. Não é uma convenção informal de mercado: é um padrão aberto, com especificação estável, adotado pelos maiores consumidores de dados do mundo.
A distinção que organiza tudo
Dados estruturados são o conceito (informação em formato legível por máquina). Schema.org é o vocabulário (o dicionário compartilhado de tipos e propriedades). JSON-LD é a sintaxe (a forma de escrever esse vocabulário no HTML). No uso corrente, "schema markup" mistura os três — mas separá-los evita confusões, porque cada camada tem história, dono e regras próprias.
Por que o JSON-LD venceu Microdata e RDFa
Três sintaxes disputaram a função de publicar schema.org: Microdata e RDFa, que entrelaçam a marcação nos atributos do HTML visível, e JSON-LD, que separa os dados em um bloco próprio. A separação decidiu a disputa por razões operacionais:
- Manutenção desacoplada do layout. Com Microdata, qualquer redesign quebra a marcação. Com JSON-LD, o bloco de dados sobrevive intacto a mudanças de template — e pode ser gerado por sistema, validado isoladamente e auditado sem tocar no HTML visível.
- A recomendação do Google. Desde 2016, a documentação do Google recomenda JSON-LD como formato preferencial por ser o mais fácil de implementar e manter em escala. Na prática, a recomendação virou padrão de mercado: CMSs, plugins e plataformas geram JSON-LD por default.
- Os dados confirmam. O Web Data Commons — que extrai dados estruturados do Common Crawl desde 2012 — registra que, desde 2020, mais domínios usam JSON-LD do que Microdata, e atribui parte da virada exatamente à recomendação do Google.
A escala geral também conta a história da consolidação: segundo o estudo da série Web Data Commons publicado na WWW '23, a fatia de domínios com anotações schema.org saltou de 3,1% em 2013 para 37,9% em 2022. Dados estruturados deixaram de ser prática de nicho técnico e viraram camada padrão da web — o que significa que não tê-los é, hoje, a exceção que chama atenção.
Anatomia: @context, @type, @id e @graph
Quatro palavras-chave carregam quase toda a mecânica do JSON-LD. Um exemplo mínimo e realista — uma organização e sua fundadora, conectadas:
{
"@context": "https://schema.org",
"@graph": [
{
"@type": "Organization",
"@id": "https://exemplo.com.br/#organization",
"name": "Exemplo Consultoria",
"url": "https://exemplo.com.br/",
"logo": "https://exemplo.com.br/logo.png",
"sameAs": [
"https://www.linkedin.com/company/exemplo",
"https://www.wikidata.org/wiki/Q000000"
]
},
{
"@type": "Person",
"@id": "https://exemplo.com.br/sobre/#fundadora",
"name": "Ana Exemplo",
"jobTitle": "Fundadora",
"worksFor": { "@id": "https://exemplo.com.br/#organization" }
}
]
}@contextdeclara o dicionário em uso — aqui, o schema.org. É o que transforma a palavranamede string qualquer em propriedade com significado definido.@typedeclara o que a entidade é: umaOrganization, umaPerson, umService, umBlogPosting. É a resposta à pergunta mais básica que uma máquina faz sobre qualquer coisa.@iddá à entidade um identificador único e estável — um endereço. É a peça mais subestimada do formato: é o@idque permite que a mesma organização seja referenciada em todas as páginas do site sem ser redefinida, que o autor do artigo aponte para a mesma pessoa da página institucional, e que plugins e códigos customizados coexistam sem duplicar nós. Quem domina@idsai do "schema por página" e entra no grafo.@graphagrupa múltiplas entidades em um único bloco, com as relações explícitas entre elas — oworksFordo exemplo aponta para o@idda organização, não repete os dados dela. Uma página bem marcada é um pequeno grafo coerente, não uma pilha de blocos soltos.sameAs(bônus obrigatório) conecta a entidade às suas identidades externas verificáveis — LinkedIn, Wikidata, registros públicos. É a ponte entre o seu grafo e os grafos de conhecimento que os sistemas já confiam.
Schema.org: o vocabulário compartilhado
O JSON-LD é a sintaxe; o schema.org é o dicionário. Fundado em junho de 2011 por Google, Microsoft (Bing) e Yahoo — com o Yandex aderindo meses depois —, ele resolveu o problema que impedia dados estruturados de escalar: cada consumidor exigia um vocabulário próprio. Com um dicionário único, mantido em comunidade aberta e consumido pelos maiores buscadores, marcar uma vez passou a servir a todos.
Hoje o vocabulário reúne cerca de 800 tipos e quase 1,5 mil propriedades — de Organization e Product a nichos como MedicalCondition. E, desde junho de 2026, a adoção deixou de ser estimativa de terceiros: o Schema.org, com apoio do Google, publicou um dataset oficial de estatísticas de uso, atualizado mensalmente, com contagens por domínio agregadas em faixas — visível inclusive nas páginas de cada termo. Os primeiros cortes mostram o formato do mercado: termos como author presentes em mais de 10 milhões de domínios, e uma cauda longa de milhares de tipos usados por menos de mil domínios cada. Tradução estratégica: concentre-se nos tipos que os consumidores efetivamente processam — a lista da seção B2B adiante — e ignore a tentação de marcar tudo o que o dicionário oferece.
O que dados estruturados fazem no Google hoje
No Google, a marcação sempre teve duas funções distintas — e confundi-las é a origem da maioria das frustrações:
-
Compreensão
Dados estruturados ajudam os sistemas a entender o que a página é e descreve, alimentando desde a correspondência com buscas até o Knowledge Graph — o banco de entidades que o Google mantém desde 2012. Essa função não aparece em nenhum relatório, mas é a que sustenta tudo: o Search Liaison do Google afirmou em abril de 2025 que dados estruturados dão vantagem nos resultados de busca — vantagem de compreensão e apresentação. Importante para expectativas: a marcação não é um fator de ranqueamento genérico; ela não empurra posições por existir.
-
Aparência (rich results)
Tipos específicos tornam a página elegível a apresentações destacadas: estrelas de avaliação, preço e disponibilidade em
Product, dados deRecipe, miniaturas deVideo, migalhas deBreadcrumbList. Elegibilidade nunca foi garantia — o Google decide exibir ou não, caso a caso — e é exatamente essa camada que vem encolhendo, como mostra a cronologia a seguir.
A onda de depreciações: 2023–2026
Quem monta estratégia de dados estruturados em 2026 precisa da cronologia completa — porque parte relevante do conselho que circula ainda descreve um Google que não existe mais:
| Data | O que mudou |
|---|---|
| Ago–set/2023 | HowTo rich results depreciados — primeiro no mobile, depois no desktop. FAQ rich results restritos a sites governamentais e de saúde reconhecidos; para o restante da web, o recurso já havia sumido. |
| Jun/2025 | O Google aposentou sete tipos de uma vez: Book Actions, Course Info, Claim Review, Estimated Salary, Learning Video, Special Announcement e Vehicle Listing. Justificativa declarada: recursos pouco usados, sem valor significativo para o usuário; impacto em ranqueamento, negligível. |
| Jan/2026 | Suporte a Practice Problem removido dos relatórios do Search Console, do teste de pesquisa aprimorada e dos filtros de aparência. |
| 7 de mai/2026 | Fim dos FAQ rich results para todos os sites — inclusive os governamentais e de saúde que restavam. Sem blog post, apenas uma nota na documentação: o filtro de aparência, o relatório e o suporte no teste caem em junho; o suporte na API do Search Console, em agosto de 2026. |
Três leituras honestas dessa cronologia. Primeira: o padrão é consistente — quando um recurso visual é escalado agressivamente por ferramentas de SEO e deixa de descrever fielmente as páginas, o Google restringe e depois remove. Um engenheiro de dados estruturados do Google, Ryan Levering, explicou publicamente que a marcação de FAQ havia saído do controle e se tornado um vetor de spam, na mesma categoria das estrelas de avaliação falsas. Segunda: em todos os casos, a especificação permanece válida. O próprio Google registra que a marcação FAQPage pode ficar no lugar — ela continua sendo interpretada e não causa problemas. O que morre é o enfeite, não o dado. Terceira: quem media sucesso de schema por rich results ganhos precisa trocar a métrica — e a próxima seção mostra pelo quê.
Transparência aplicada: este artigo mantém a marcação FAQPage no próprio código — depois de 7 de maio de 2026, ela não gera mais nenhum dropdown na busca do Google. Está aqui pela outra função: rotular perguntas e respostas para qualquer sistema que leia a página, incluindo os generativos de outras plataformas. É a demonstração prática da tese: schema como infraestrutura, não como enfeite.
Dados estruturados e IA: o que está documentado — e o que é inferência
Aqui mora a maior confusão do mercado em 2026, porque o Google sustenta duas afirmações verdadeiras ao mesmo tempo — e cada metade do setor cita só a que lhe convém.
Afirmação 1 — a documentação oficial. O guia do Google para recursos de IA declara que nenhuma marcação schema.org especial é exigida para aparecer em AI Overviews ou AI Mode — e reforça que a marcação existente deve corresponder ao texto visível da página. Lida isolada, a frase soa como licença para ignorar schema.
Afirmação 2 — os engenheiros, em público. No Search Central Live de abril de 2026, Ryan Levering — engenheiro de dados estruturados do Google — afirmou, segundo os registros do evento, que "schema é usado como contexto servido aos modelos" nas expansões de consulta dos sistemas generativos, e descreveu a marcação como fator-chave de grounding e escala desses sistemas. As razões listadas: dados estruturados são mais precisos que a extração por LLM em conteúdo complexo; permitem declarar informações que não estão no texto visível (identificadores, metadados); custam muito menos para processar do que inferir significado de texto cru repetidamente; e focam a atenção da máquina no que importa. Do lado da Microsoft, Fabrice Canel — gerente de produto principal do Bing — confirmou em 2025 que a marcação schema ajuda os LLMs da empresa a entender conteúdo para o Copilot, relevante também porque a busca do ChatGPT se apoia no índice do Bing.
O terceiro nível — observacional. Estudos de mercado encontram presença desproporcional de dados estruturados nas páginas citadas por IAs: análises de 2025–2026 reportam marcação em cerca de 70% das páginas citadas pelo ChatGPT, presença 20–30% maior em resumos de IA para páginas com schema válido, e uma análise da Cludo com 12 mil sites europeus apontando 2,7 vezes mais chance de citação no Perplexity para sites com marcação completa. Ressalva obrigatória: são correlações medidas por fornecedores de ferramentas — páginas bem marcadas tendem a ser páginas tecnicamente bem cuidadas em tudo, e nenhum desses números isola o efeito causal do schema.
A síntese que reconcilia as duas afirmações
Schema não é porta de entrada (o Google não exige marcação para incluir uma página em respostas de IA) e é infraestrutura de compreensão (os sistemas consomem a marcação quando ela existe, porque é mais barata e precisa que inferência). A consequência prática: dados estruturados saíram da coluna "tática de rich result" e entraram na coluna "custo de ser bem compreendido" — ao lado de desempenho e indexação, como parte da base que o novo SEO e as camadas de GEO e AEO pressupõem. Num ambiente em que a resposta substituiu a visita e em que as IAs erram fatos sobre 93% das empresas, reduzir o espaço de adivinhação das máquinas deixou de ser detalhe técnico.
Da página à entidade: o grafo da marca
A migração de valor descrita acima tem um nome técnico: a unidade deixou de ser a página e passou a ser a entidade. Sistemas de busca e de resposta não organizam o mundo em URLs; organizam em coisas — organizações, pessoas, produtos, conceitos — e nas relações entre elas. Dados estruturados bem feitos são a forma de a marca se declarar como entidade em vez de esperar que os sistemas a montem por inferência a partir de fragmentos.
Na prática, isso significa três disciplinas que o schema "por página" ignora:
- Um nó canônico por entidade. A organização é definida uma vez, com um
@idestável, e referenciada em todo o resto — nunca redefinida com variações. Cada redefinição divergente é uma oportunidade de a máquina escolher a versão errada. - Relações explícitas.
author,worksFor,publisher,provider,about,mentions— as propriedades que transformam blocos soltos em grafo. É o grafo, não o bloco, que espelha a base informacional semântica da marca. - Pontes externas.
sameAsapontando para perfis e registros verificáveis conecta o grafo da marca aos grafos que os sistemas já confiam — e é uma das ferramentas contra o erro de identidade que os sistemas cometem em escala, como documentado no nosso guia de AI Knowledge Base oficial, do qual a camada de máquina em JSON-LD é o sétimo componente.
Implementação sem conflitos: as regras que evitam retrabalho
- Espelhe o conteúdo visível — sempre. É a diretriz central do Google e a mais violada: a marcação deve descrever o que está na página, nada além. Marcar o invisível é a via expressa para perder elegibilidade — e, nos casos de avaliações infladas, para ação manual.
- Um grafo coerente por página. Prefira um único bloco
@grapha vários scripts soltos; conecte as entidades por@id; não repita nós. - Mapeie o que o CMS já gera antes de adicionar qualquer coisa. No WordPress, plugins de SEO como o Rank Math geram automaticamente nós de
WebPage,WebSite,BreadcrumbListeOrganization. Código customizado que redefine essas entidades cria o conflito clássico — duas organizações com dados divergentes na mesma página. A solução é referenciar o nó existente por@id(por exemplo, o#organizationdo plugin) em vez de criar outro. É a regra que aplicamos em todos os projetos e nos schemas deste próprio site. - Renderize no servidor. JSON-LD injetado apenas via JavaScript no cliente pode nunca ser lido: parte relevante dos rastreadores de IA não renderiza JS. Em stacks como Next.js ou Nuxt, gere a marcação no SSR/SSG.
- Valide nas duas camadas. O teste de pesquisa aprimorada do Google verifica elegibilidade a recursos do Google; o validador do Schema.org verifica a sintaxe e o vocabulário em si — inclusive dos tipos que o Google não exibe mais. Use os dois: medem coisas diferentes.
- Monitore no Search Console. Os relatórios de melhorias acusam erros e quedas de itens válidos — e mudanças de template quebram schema em silêncio com frequência subestimada.
Os erros que custam caro
Spam de marcação
Avaliações falsas ou infladas, conteúdo marcado que não existe na página, tipos aplicados a conteúdo que não corresponde. É a categoria que o Google trata como spam de dados estruturados — sujeita a ação manual que remove todos os rich results do site, não só o infrator.
Entidades duplicadas e conflitantes
Plugin gerando um nó Organization, tema gerando outro, código customizado um terceiro — com nomes, logos ou endereços divergentes. Para a máquina, é ruído sobre a pergunta mais básica: quem é você? O conserto é sempre o mesmo: um nó canônico, o resto referencia por @id.
Schema fóssil
Marcação que descreve a página de dois redesigns atrás: preços antigos, autores que saíram, serviços renomeados. Dados estruturados desatualizados são piores que ausentes — certificam o erro com selo de oficialidade. Regra operacional: atualizou a página, atualizou o schema.
Otimizar para o enfeite extinto
Adicionar FAQ a páginas sem perguntas reais para "ganhar espaço na SERP" — um recurso que deixou de existir em maio de 2026. O erro simétrico também vale: remover marcação válida em pânico porque o rich result acabou. Nos dois casos, a decisão certa vem da função semântica, não do enfeite.
Os tipos que importam para B2B em 2026
| Tipo | Função em 2026 |
|---|---|
| Organization | O nó central da entidade-marca: identidade, logo, canais, sameAs. Alimenta painéis de conhecimento e é a âncora de todo o grafo. Prioridade absoluta. |
| Person | Especialistas nomeados, conectados à organização por worksFor e aos conteúdos por author. A ponte entre E-E-A-T e o grafo. |
| WebSite + WebPage | A espinha estrutural que os CMSs geram — verifique, não duplique, conecte por @id. |
| Article / BlogPosting | Autoria, datas, tema (about/mentions) e vínculo com o publisher. Essencial para atribuição de conteúdo. |
| Service / Product / SoftwareApplication | O que a empresa vende, descrito sem ambiguidade. Product segue entre os tipos com rich results ativos; para SaaS, SoftwareApplication. |
| BreadcrumbList | Hierarquia do site — rich result ativo e sinal de arquitetura. Normalmente automático via CMS. |
| FAQPage | Sem rich result desde mai/2026; mantém a função de rotular P&R para sistemas de leitura — inclusive generativos de outras plataformas. Use onde houver perguntas reais. |
| LocalBusiness / VideoObject | Conforme o caso: operação local com endereço físico; vídeos hospedados nas páginas. Ambos seguem com recursos ativos. |
Passo a passo: implantando a camada de entidade
- Audite o que já existe. Rode as páginas-chave no validador do Schema.org e liste todos os nós gerados por plugin, tema e código — o mapa de conflitos vem antes de qualquer adição.
- Defina o nó canônico da organização. Um
Organizationcompleto, com@idestável, logo, canais oficiais esameAspara perfis verificáveis. Tudo o mais referencia esse nó. - Conecte as pessoas.
Personpara cada especialista visível, comworksForapontando para a organização e presença comoauthornos conteúdos. - Marque as páginas de negócio.
Service/Productnas ofertas,Article/BlogPostingnos conteúdos — sempre espelhando o texto visível, sempre dentro de um@graphcoerente. - Valide, publique, monitore. Teste de pesquisa aprimorada + validador do Schema.org antes de publicar; relatórios do Search Console depois — com re-checagem a cada mudança de template.
- Integre à rotina editorial. Schema é conteúdo: cada página nova ou atualizada passa pelo mesmo critério de precisão que o texto. É assim que a marcação vira o espelho técnico da base de conhecimento oficial da marca — e não uma camada fóssil.
Perguntas frequentes
O que são dados estruturados em JSON-LD?
Informações publicadas em formato padronizado que máquinas leem sem ambiguidade. JSON-LD é o formato dominante: um bloco de JSON em uma tag script no HTML, descrevendo as entidades da página com o vocabulário schema.org. É recomendação do W3C (versão 1.1 desde 2020) e o formato que o Google recomenda oficialmente por ser o mais fácil de implementar e manter em escala.
Dados estruturados melhoram o ranking?
Não diretamente — não são fator de ranqueamento genérico. Eles tornam a página elegível a rich results e ajudam os sistemas a entender o conteúdo com precisão; o Search Liaison do Google descreveu isso em 2025 como uma vantagem nos resultados de busca. Elegibilidade não é garantia: o Google decide a exibição caso a caso.
O FAQ schema morreu em 2026?
O rich result morreu; o schema não. Em 7 de maio de 2026 o Google encerrou os FAQ rich results para todos os sites — relatório e teste caem em junho, API em agosto. Mas a marcação FAQPage segue sendo vocabulário válido, continua interpretada e não causa problemas. Acabou o enfeite na SERP, não a função semântica.
Dados estruturados ajudam nas respostas de IA?
Documentado: o guia do Google diz que nenhuma marcação especial é exigida para AI Overviews/AI Mode, mas engenheiros do Google declararam em 2026 que schema é contexto servido aos modelos e fator-chave de grounding; o Bing confirmou em 2025 que a marcação ajuda seus LLMs no Copilot. Observacional: estudos encontram schema em ~70% das páginas citadas pelo ChatGPT e 2,7x mais citação no Perplexity — correlações, não causa comprovada. Síntese: não é porta de entrada; é infraestrutura de compreensão.
Qual a diferença entre JSON-LD, Microdata e RDFa?
Três sintaxes para o mesmo vocabulário. Microdata e RDFa entrelaçam a marcação no HTML visível; JSON-LD separa os dados em bloco próprio — mais fácil de gerar, validar e manter. O Google recomenda JSON-LD desde 2016, e o Web Data Commons registra que desde 2020 mais domínios usam JSON-LD do que Microdata.
Quais os erros mais comuns?
Marcar conteúdo invisível; inflar avaliações (spam sujeito a ação manual); duplicar entidades entre plugin e código customizado; deixar a marcação desatualizada; e gerar JSON-LD só no JavaScript do cliente, invisível para rastreadores de IA que não renderizam JS. Regra de ouro: um grafo coerente por página, espelhando o conteúdo visível, conectado por @id.
Por onde começar em um site B2B?
Pela camada de entidade: Organization canônico com sameAs, Person para os especialistas, WebSite/WebPage conectados por @id. Depois os tipos de negócio: Service ou Product, Article/BlogPosting, BreadcrumbList. Valide nas duas ferramentas (teste do Google + validador do Schema.org), monitore no Search Console e trate schema como parte do conteúdo.
As máquinas entendem quem é a sua marca?
O Diagnóstico B.I.N.A. da Flowup avalia as quatro camadas da sua presença orgânica — incluindo a saúde do seu grafo de entidades: conflitos de marcação, nós duplicados e o que buscadores e IAs conseguem (ou não) ler sobre a sua empresa. Resultado imediato, relatório profundo por especialistas.
Nota de método
Fontes verificadas em 30 de julho de 2026. As datas de depreciação vêm da documentação do Google Search Central e da cobertura setorial nominal (Search Engine Journal e outras); as declarações de engenheiros e porta-vozes (Ryan Levering/Google, Fabrice Canel/Bing, Search Liaison) vêm de registros públicos de eventos e comunicados, citadas com o contexto em que foram feitas. Os dados de adoção vêm do Web Data Commons (série acadêmica sobre o Common Crawl) e do dataset oficial de estatísticas do Schema.org lançado em junho de 2026. Os números que relacionam schema a citações em IA são observacionais, produzidos por fornecedores de ferramentas, e estão explicitamente rotulados como correlação — não como efeito causal comprovado. Tamanho do vocabulário schema.org indicado como aproximado.
Referências
- Google Search Central. Introdução aos dados estruturados; políticas de dados estruturados; guia de otimização para recursos de IA. developers.google.com · guia de IA
- W3C (2020). JSON-LD 1.1 — Recommendation. w3.org
- Schema.org. Vocabulário e documentação; dataset oficial de estatísticas de uso (jun/2026). schema.org · anúncio · cobertura: Search Engine Roundtable
- Brinkmann, Primpeli & Bizer (2023). The Web Data Commons Schema.org Data Set Series — WWW '23 Companion: adoção de 3,1% (2013) a 37,9% (2022); virada do JSON-LD sobre Microdata desde 2020. webdatacommons.org
- Search Engine Journal (mai/2026). Google Drops FAQ Rich Results From Search — datas de corte de maio, junho e agosto de 2026. searchenginejournal.com
- Cobertura setorial (2025–2026). Aposentadoria dos sete tipos (jun/2025, anúncio de Henry Hsu/Google), remoção de Practice Problem (jan/2026) e contexto das depreciações. guia 2026 · síntese B2B
- Registros do Search Central Live (abr/2026) e declarações públicas. Ryan Levering (Google) sobre schema como contexto para modelos e fator de grounding; Fabrice Canel (Bing/SMX Munique 2025) sobre schema e LLMs do Copilot; Search Liaison (abr/2025). compilação dos registros · análise das posições oficiais
- Estudos observacionais (2025–2026). Presença de dados estruturados em páginas citadas por IAs (ChatGPT ~70%; Perplexity 2,7x — Cludo, 12 mil sites; resumos de IA +20–30%). Rotulados como correlação no corpo do texto.
