Schema, FAQ e pesquisa por IA: novidades da Google

Durante vários anos, os dados estruturados foram apresentados como uma das formas mais diretas de transformar conteúdo em visibilidade adicional nos resultados de pesquisa. Para muitas equipas de SEO, a lógica parecia simples: marcar melhor a informação, ajudar os motores de pesquisa a interpretar a página e, em troca, conquistar elementos visuais mais apelativos na SERP. O problema é que essa relação entre implementação técnica e recompensa visível deixou de ser tão previsível.

A remoção dos resultados enriquecidos de FAQ's por parte da Google e os novos dados divulgados pela Ahrefs sobre citações em sistemas de pesquisa com inteligência artificial obrigam a repensar o discurso em torno do schema markup. O tema não é se o schema morreu. Não morreu. A questão é mais exigente: que valor mensurável continua a criar, em que contextos e com que expectativas realistas?

O entusiasmo recente em torno da chamada Generative Engine Optimization, ou GEO, trouxe uma promessa muito atrativa para o mercado: adicionar dados estruturados poderia aumentar a probabilidade de uma página ser citada em respostas geradas por IA. Essa promessa tornou-se especialmente apelativa porque é concreta, fácil de vender e relativamente simples de executar. Mas a simplicidade de uma recomendação não a transforma, por si só, numa vantagem competitiva sustentável.

O fim dos FAQ na SERP é mais do que uma alteração visual

A descontinuação dos resultados enriquecidos de FAQ não deve ser vista apenas como a perda de um formato. Durante muito tempo, as FAQ permitiram ocupar mais espaço nos resultados de pesquisa, responder diretamente a dúvidas dos utilizadores e aumentar a taxa de cliques em determinadas pesquisas. A implementação era relativamente acessível e, por isso, rapidamente passou de boa prática técnica a táctica massificada.

Quando um formato deixa de distinguir conteúdo útil e passa a ser aplicado de forma sistemática em qualquer página, a recompensa visual perde valor para o utilizador. Foi isso que muitos profissionais já tinham observado: FAQ adicionadas a páginas sem verdadeira necessidade editorial, perguntas artificiais criadas apenas para ganhar espaço e respostas curtas com pouco contributo real. A tecnologia estava correta, mas o incentivo começou a produzir ruído.

Esta evolução encaixa num padrão maior. A Google tem vindo a reduzir o número de recompensas visíveis associadas a determinados tipos de dados estruturados. Alguns formatos ficam limitados a sectores específicos, outros são removidos e outros mantêm-se válidos sem garantirem qualquer elemento visual. O resultado é claro: a existência de uma propriedade suportada por schema não deve ser confundida com uma promessa de visibilidade permanente.

Dados estruturados continuam válidos, mas o seu papel mudou

É importante separar duas ideias que muitas vezes são tratadas como se fossem a mesma coisa. A primeira é a validade técnica dos dados estruturados. A segunda é a existência de uma recompensa visível na SERP. Uma página pode ter marcação correta em JSON-LD, Microdata ou RDFa e, ainda assim, não obter qualquer destaque visual nos resultados de pesquisa.

Essa distinção muda a forma como as empresas devem olhar para o investimento. Implementar dados estruturados apenas porque existe a expectativa de um resultado enriquecido imediato tornou-se uma abordagem frágil. Implementá-los como parte de uma arquitetura de informação mais clara, coerente e alinhada com entidades, produtos, organizações, artigos ou eventos continua a fazer sentido quando existe uma razão técnica e editorial.

O schema deve ser visto como uma camada de semântica adicional. Ajuda a declarar o que uma página representa, que relações existem entre elementos e que tipo de conteúdo está presente. No entanto, não substitui o conteúdo visível, a qualidade da resposta, a autoridade do domínio, a experiência do utilizador ou a consistência da marca em vários pontos de contacto digitais.

O que os dados da Ahrefs acrescentam ao debate sobre IA

O relatório da Ahrefs referido no texto de origem analisou páginas que adicionaram JSON-LD e comparou a evolução das citações em Google AI Overviews, AI Mode e ChatGPT com páginas de controlo que não tinham recebido essa alteração. Os resultados não mostraram um aumento claro e consistente de citações após a implementação de schema.

Os valores apresentados foram pouco expressivos em dois sistemas e negativos num terceiro. Google AI Mode terá registado uma variação positiva de 2,4%, ChatGPT uma variação positiva de 2,2% e Google AI Overviews uma descida de 4,6%. Mesmo onde existiu crescimento, o próprio enquadramento dos dados aponta para uma diferença demasiado pequena para ser tratada como prova robusta de impacto. No caso da descida em AI Overviews, a Ahrefs também não atribuiu essa alteração de forma direta ao schema.

O detalhe mais relevante está no perfil das páginas analisadas. Todas já tinham mais de 100 citações em AI Overviews antes da adição dos dados estruturados. Ou seja, eram páginas que já estavam visíveis, acessíveis e reconhecidas pelos sistemas de pesquisa com IA. Neste contexto, adicionar uma nova camada de marcação pode ser comparado a colocar uma etiqueta adicional num produto que já está numa prateleira muito frequentada: a etiqueta pode organizar melhor a informação, mas não garante que o produto passe a ser escolhido mais vezes.

O estudo não prova que o schema seja inútil

Uma leitura apressada poderia concluir que os dados estruturados já não servem para nada. Essa conclusão seria tão exagerada como a promessa de que o schema aumenta automaticamente citações em IA. O estudo descrito avalia um resultado específico: a variação de citações em determinados sistemas, num período concreto, para páginas que já eram citadas antes da alteração.

Ficam várias perguntas em aberto. O impacto seria diferente em páginas novas, ainda sem visibilidade em respostas de IA? Alguns tipos de schema, como Product, Review, Event, Video, Organization ou Article, teriam comportamentos distintos se fossem analisados separadamente? Um período de observação mais longo mostraria efeitos indiretos, por exemplo na interpretação de entidades ou na elegibilidade para determinados formatos? Estas questões continuam sem uma resposta definitiva.

Também é relevante notar que sistemas diferentes podem tratar dados estruturados de formas diferentes. Um modelo pode privilegiar HTML visível durante a recuperação direta de uma página, enquanto outro pode usar sinais recolhidos em fases anteriores de indexação, extração de entidades ou consolidação de conhecimento. O facto de uma experiência não detectar uso direto de JSON-LD numa fase do processo não elimina todos os possíveis papéis dos dados estruturados no ecossistema.

O problema está no discurso comercial demasiado simplificado

A principal fragilidade revelada por estes desenvolvimentos não está na tecnologia, mas na forma como ela é vendida. A frase «adicione schema para aumentar citações em IA» tornou-se uma promessa confortável para consultores, ferramentas e guias de optimização. É específica, parece técnica e dá ao cliente a sensação de que existe uma ação objetiva para resolver um problema novo.

Mas a pesquisa por IA não funciona como um interruptor que se ativa com uma propriedade JSON-LD. Os sistemas de resposta combinam rastreio, indexação, recuperação de informação, avaliação de relevância, qualidade do conteúdo, autoridade percebida, frescura, consistência e adequação da resposta à intenção do utilizador. O schema pode ajudar a clarificar alguns elementos, mas não transforma uma página fraca numa fonte citável.

É aqui que muitas abordagens de GEO começam a repetir erros antigos do SEO. Quando uma táctica parece funcionar ou, pelo menos, parece plausível, é rapidamente empacotada como solução universal. Depois é replicada em escala, perde diferenciação e acaba por gerar sinais de baixa qualidade. A história dos FAQ é um bom exemplo: uma funcionalidade útil tornou-se uma prática demasiado explorada e, com o tempo, a recompensa desapareceu.

Conteúdo visível pode pesar mais do que marcação invisível

Um dos pontos mais interessantes do debate é a relação entre dados estruturados escondidos no código e conteúdo efetivamente visível na página. Se determinados sistemas de IA recorrem sobretudo ao HTML visível durante a recuperação direta, então a estrutura editorial ganha ainda mais importância. Títulos claros, subtítulos úteis, respostas diretas, definições objetivas, listas bem construídas e exemplos concretos podem tornar-se mais relevantes do que uma marcação invisível sem reflexo no conteúdo.

Isto não significa abandonar a técnica. Significa alinhar técnica e conteúdo. Uma página que declara ser um artigo através de dados estruturados deve ter um artigo sólido. Uma página de produto com Product schema deve apresentar informação completa, preços claros quando aplicável, disponibilidade, variantes, descrições úteis e sinais de confiança. Uma área de FAQ deve responder a dúvidas reais, não apenas preencher um bloco de marcação.

Na prática, a melhor optimização para sistemas de resposta começa muitas vezes por tornar a página mais compreensível para humanos. Quando o conteúdo está bem hierarquizado, responde de forma concisa e aprofunda o suficiente para demonstrar autoridade, também se torna mais fácil de interpretar por máquinas. O schema deve confirmar e estruturar essa realidade, não tentar compensar a sua ausência.

Como as marcas devem rever a sua estratégia de dados estruturados

O primeiro passo é auditar o que já existe. Muitas empresas acumulam marcações antigas, propriedades sem utilidade, blocos de FAQ que já não têm impacto visual e implementações feitas por módulos automáticos sem validação estratégica. Manter esse histórico sem revisão pode criar uma falsa sensação de optimização.

Uma auditoria útil deve responder a perguntas simples: que tipos de dados estruturados estão ativos? Estão alinhados com o conteúdo visível? São suportados por funcionalidades ainda relevantes? Existem erros técnicos? Há informação incoerente entre o HTML e o JSON-LD? O mesmo conteúdo está marcado de formas contraditórias? Estas questões são mais importantes do que acrescentar novas camadas de código apenas porque uma tendência as recomenda.

Depois, é necessário priorizar. Em muitos casos, Product, Review, Event, Video, Organization e Breadcrumb continuam a ter valor prático quando são aplicáveis e correctamente usados. Article e Organization podem contribuir para uma representação mais clara de publicações, autores, entidades e marcas. FAQ, por outro lado, deve deixar de ser tratada como ferramenta de expansão visual e passar a ser usada apenas quando existe uma secção real de perguntas e respostas com utilidade para o utilizador.

O que fazer com FAQ depois da remoção dos resultados enriquecidos

A remoção do destaque visual não significa que todas as FAQ devam desaparecer dos sites. Muitas continuam a ser úteis para reduzir fricção, antecipar dúvidas comerciais, explicar condições, clarificar processos e apoiar decisões de compra. A diferença é que a sua existência deve ser justificada por valor editorial e não por expectativa de ocupar mais espaço na SERP.

Uma boa secção de FAQ deve nascer de perguntas reais: dúvidas colocadas a equipas comerciais, pesquisas internas no site, interações em redes sociais, conversas com clientes, dados de apoio ao cliente e análise de intenções de pesquisa. Quando as respostas resultam desse conhecimento, a secção torna-se um ativo de experiência, não apenas um artifício técnico.

Também vale a pena repensar o formato. Algumas perguntas merecem respostas curtas. Outras justificam páginas próprias, guias detalhados, comparações ou demonstrações. A decisão não deve depender apenas da existência de um tipo de schema, mas da profundidade necessária para resolver a intenção do utilizador.

A pesquisa por IA exige autoridade, não apenas formatação

As citações em respostas geradas por IA tendem a favorecer fontes que parecem confiáveis, completas e adequadas à pergunta. A marcação técnica pode ajudar a remover ambiguidade, mas a autoridade constrói-se com consistência. Isso inclui conteúdo atualizado, autores identificáveis quando relevante, sinais de especialização, referências claras, coerência temática e uma presença digital que confirme a credibilidade da marca.

Para empresas, isto implica pensar para além de páginas isoladas. Uma única página optimizada com JSON-LD dificilmente compensa um ecossistema fraco. Pelo contrário, um conjunto consistente de conteúdos, páginas de serviço bem estruturadas, estudos de caso, dados próprios, informação institucional clara e respostas úteis a dúvidas do mercado pode criar um contexto mais forte para motores de pesquisa e sistemas de IA.

É por isso que a conversa sobre dados estruturados deve estar integrada numa estratégia mais ampla de marketing digital. A técnica continua importante, mas só cria vantagem quando se liga a posicionamento, conteúdo, arquitetura, experiência e objetivos de negócio.

Menos automatização, mais intenção editorial

Uma das tentações atuais é automatizar a produção de marcação e conteúdo com a mesma lógica: gerar mais, mais depressa e com menos intervenção humana. Essa abordagem pode parecer eficiente, mas aumenta o risco de criar páginas redundantes, secções artificiais e dados estruturados que apenas repetem informação sem acrescentar clareza.

A pesquisa está a tornar-se mais exigente na avaliação de utilidade. Isso não significa que a automação não tenha lugar. Tem, sobretudo em catálogos grandes, lojas online, bases de conhecimento e sites com muita informação repetível. No entanto, a automação deve respeitar regras editoriais, dados corretos e revisão contínua. Marcar automaticamente todos os elementos possíveis não é uma estratégia; é apenas acumulação técnica.

A intenção editorial deve liderar. Antes de decidir que schema aplicar, a equipa deve perceber que problema a página resolve, que entidade representa, que informação precisa de ser inequívoca e que ação se espera do utilizador. Só depois faz sentido escolher a marcação que melhor traduz essa estrutura.

O impacto no comércio electrónico e em páginas transaccionais

Nas lojas online, a conversa é especialmente sensível. O schema de produto pode continuar a ser relevante porque ajuda a declarar atributos essenciais como preço, disponibilidade, avaliações, marca, referência e variantes. Quando aplicado corretamente, pode apoiar resultados enriquecidos e facilitar a interpretação de catálogos complexos.

Mas também aqui existe uma diferença entre marcação e qualidade da experiência. Uma página de produto com dados estruturados completos, mas descrições pobres, imagens genéricas, falta de informação logística ou avaliações pouco credíveis, dificilmente maximiza o seu potencial. A marcação deve refletir uma página forte, não mascarar uma página incompleta.

Para marcas com presença em plataformas como Shopify, a implementação técnica deve ser acompanhada por uma revisão de temas, aplicações, dados de produto e consistência entre catálogo, HTML e JSON-LD. Muitas vezes, o problema não é a ausência total de schema, mas a existência de marcação duplicada, incompleta ou contraditória gerada por diferentes módulos.

Como medir valor sem cair em promessas fáceis

Medir o valor dos dados estruturados exige escolher métricas adequadas. Para alguns tipos, faz sentido acompanhar impressões e cliques associados a resultados enriquecidos no Google Search Console. Para outros, a avaliação passa por erros técnicos, cobertura, elegibilidade, consistência de entidades e evolução da visibilidade orgânica. No caso das citações em IA, a medição ainda é mais instável, porque os sistemas variam, as respostas mudam e os dados disponíveis continuam limitados.

Uma boa metodologia deve comparar períodos, isolar alterações sempre que possível e evitar conclusões a partir de casos individuais. Se uma página ganha citações depois de adicionar JSON-LD, isso não prova causalidade. Talvez o conteúdo tenha sido atualizado, talvez a procura pelo tema tenha aumentado, talvez a página tenha recebido links, talvez o sistema de IA tenha alterado o seu comportamento. O inverso também é verdade: a falta de crescimento numa amostra específica não prova inutilidade universal.

O ponto central é abandonar a lógica de atalho. O schema deve entrar no plano como hipótese técnica com objetivos definidos, não como garantia. Quando existe resultado enriquecido ativo, mede-se esse resultado. Quando a utilidade é semântica, avalia-se a coerência e a capacidade de reduzir ambiguidade. Quando a ambição é aparecer em respostas de IA, é preciso medir também a qualidade do conteúdo, a autoridade temática e a estrutura visível da página.

O futuro do schema será menos espetacular e mais estrutural

É provável que os dados estruturados continuem a fazer parte da pesquisa, mas com menos momentos de recompensa visual exuberante. A tendência aponta para um papel mais discreto: ajudar sistemas a compreender entidades, relações, tipos de conteúdo e atributos importantes. Esse valor pode ser real mesmo quando não aparece sob a forma de estrelas, caixas expansíveis ou cartões destacados.

Para profissionais de SEO, isto exige maturidade. Nem tudo o que conta pode ser visto na SERP. Mas também nem tudo o que é invisível deve ser vendido como vantagem garantida. O equilíbrio está em implementar o que faz sentido, remover o que perdeu utilidade, validar o que está ativo e explicar ao cliente que dados estruturados são uma peça de infraestrutura, não uma fórmula mágica.

A remoção dos FAQ e os dados da Ahrefs não encerram o tema. Pelo contrário, tornam a conversa mais séria. O mercado precisa de menos afirmações absolutas e mais testes bem desenhados, segmentados por tipo de schema, tipo de página, sector, sistema de IA e maturidade do domínio. Só assim será possível perceber onde a marcação continua a criar valor mensurável.

Conclusão: schema não morreu, mas a promessa mudou

O schema markup continua a ser útil quando traduz conteúdo real, apoia funcionalidades ativas e melhora a clareza semântica de uma página. O que ficou mais fraco foi o discurso que o apresenta como atalho direto para ganhar espaço na SERP ou conquistar citações em sistemas de IA. Depois da remoção dos FAQ e dos dados apresentados pela Ahrefs, essa promessa exige muito mais cautela.

As marcas devem continuar a usar dados estruturados, mas com prioridades revistas. Primeiro, conteúdo visível e útil. Depois, arquitetura clara. Em seguida, marcação alinhada com o que a página realmente contém. Por fim, medição honesta. Este caminho pode não ser tão sedutor como uma solução rápida para AI citations, mas é muito mais resistente às mudanças de plataforma.

Na BYDAS, unimos estratégia, conteúdo e implementação técnica para transformar dados estruturados em parte de uma presença orgânica mais sólida. Se a tua marca precisa de rever prioridades, estrutura e oportunidades de pesquisa, conhece o nosso trabalho em SEO e tráfego orgânico.