Um modelo de IA recomenda empresas que ele consegue ler, entender e confirmar em mais de uma fonte. Na prática, isso depende de três coisas: o site ser legível por máquina (dados estruturados, llms.txt, schema.org), as informações serem consistentes onde quer que apareçam, e existirem menções externas que confirmem o que a empresa diz sobre si. Sem o terceiro, os dois primeiros não bastam.
Por que isso mudou
Durante vinte anos, ser encontrado significava ranquear em uma lista de links. A pessoa via dez resultados e escolhia. Hoje uma parte crescente das buscas termina em uma resposta única, gerada por um modelo que já filtrou as opções — e nessa resposta cabem duas ou três empresas, não dez.
A diferença é qualitativa. Não se trata de aparecer em quarto lugar em vez de primeiro: ou a empresa está na resposta, ou ela não existe naquela conversa.
Fator 1 — o site precisa ser legível por máquina
Um modelo lendo HTML de layout tem que inferir o que é conteúdo e o que é decoração. Quando o site publica sua descrição de forma estruturada, essa inferência deixa de ser necessária. Os instrumentos são três:
- schema.org — dados estruturados que declaram tipo de negócio, endereço, serviços e preços em formato padronizado
- llms.txt — arquivo em texto na raiz do site que descreve o negócio para modelos de linguagem, como o robots.txt faz para rastreadores
- Endpoint MCP — permite que um agente consulte dados diretamente, em vez de raspar a página
Fator 2 — a informação precisa bater em todo lugar
Se o site diz que a empresa fica em uma cidade e o registro público diz outra, o modelo tende a responder com ressalva ou a não recomendar. Divergência é interpretada como incerteza.
Isso vale para endereço, nome, área de atuação e descrição do serviço. O ponto de verificação costuma ser o cadastro público e o perfil no Google — e é comum que a empresa nem saiba o que está escrito lá.
Um caso concreto: ao testar o próprio site, a RochAI Labs descobriu que o endereço declarado publicamente divergia do registro fiscal. A resposta da IA sobre a empresa era cautelosa exatamente por causa disso. Corrigir a divergência em todas as fontes foi mais eficaz do que qualquer ajuste de texto.
Fator 3 — precisa existir confirmação externa
Este é o mais difícil e o mais decisivo. Um modelo tende a recomendar o que consegue confirmar fora do site da própria empresa: menções em outros sites, perfil verificado, avaliações, conteúdo assinado por pessoas identificáveis.
É o motivo de uma empresa tecnicamente impecável continuar invisível. Sem nada externo confirmando que ela existe e entrega, o modelo tem apenas a autodescrição — e autodescrição sozinha pesa pouco.
O que fazer, em ordem
- Teste antes de mexer. Pergunte a três IAs diferentes sobre a sua empresa e anote o que elas dizem. Você vai descobrir o que está errado antes de tentar consertar
- Corrija divergências entre site, cadastro público e perfil no Google
- Publique a camada legível — schema.org, llms.txt e, se fizer sentido, o endpoint MCP
- Construa confirmação externa — perfil verificado, conteúdo assinado, menções em fontes independentes
A ordem importa. Investir na camada técnica antes de corrigir divergências é organizar informação errada com mais eficiência.
Qual processo está tomando seu tempo?
Diagnóstico gratuito. Descreva o processo e receba uma recomendação prática.
Fazer diagnóstico gratuito →