Antes: a IA mal sabia que a loja existia.
Depois: a IA conseguia listar produtos, preços e categorias com precisão.
Este artigo apresenta um caso realista e detalhado de uma loja virtual brasileira que passou pelo processo de ficar legível para agentes de IA. O objetivo não é prometer milagres, mas mostrar de forma concreta o que muda quando as camadas certas são implementadas.
Vamos analisar o cenário antes, o que foi feito, o cenário depois e as lições práticas que qualquer e-commerce pode aplicar.
O cenário antes
A loja em questão era um e-commerce de médio porte, com bom volume de produtos, site funcional e algum trabalho de SEO já realizado. No Google, a operação tinha presença razoável em diversas buscas de cauda média e longa.
Quando testada nas IAs, no entanto, o quadro era outro:
- Perguntas genéricas sobre a categoria raramente citavam a marca
- Quando a IA reconhecia o nome da loja, a descrição era vaga ou incompleta
- Preços e disponibilidade quase nunca apareciam de forma confiável
- Em vários testes, a resposta era simplesmente "não tenho informações específicas sobre essa empresa"
- Concorrentes com melhor estruturação de dados e mais menções externas apareciam com mais frequência
O site não estava "ruim". Ele apenas não estava preparado para ser compreendido e consultado por agentes de IA.
O que foi implementado
O trabalho foi organizado em camadas, na seguinte ordem:
1. Rastreabilidade: verificação e correção do robots.txt para garantir que os principais bots de IA (GPTBot, ClaudeBot, PerplexityBot, Google-Extended etc.) pudessem acessar as páginas públicas.
2. Clareza de entidade: ajuste da home e das páginas principais para deixar explícito o que a loja vende, para quem e quais categorias são prioritárias. Padronização de nome, descrição e dados básicos.
3. Dados estruturados: implementação e revisão de Schema (Organization, Product, BreadcrumbList, etc.) e criação de um llms.txt claro e objetivo.
4. Camada de dados vivos (MCP): extração do catálogo, geração dos arquivos necessários, publicação do MCP Server e registro no Registry oficial. Com isso, a IA passou a ter uma fonte consultável de produtos, preços e categorias.
5. Ajustes de conteúdo: revisão de títulos, descrições e páginas de categoria para torná-los mais factuais e menos genéricos.
Não foi feita nenhuma grande campanha de mídia ou construção agressiva de autoridade externa neste primeiro momento. O foco foi tornar a loja tecnicamente legível e consultável.
O cenário depois
Após a implementação das camadas, os testes com perguntas reais de compra começaram a apresentar mudanças claras:
- A IA passou a reconhecer a loja com mais frequência em perguntas da categoria
- Em perguntas específicas de produto, a resposta começou a incluir itens reais do catálogo
- Preços e nomes de produtos passaram a aparecer de forma mais precisa
- A qualidade da descrição da empresa melhorou (menos vaguidão)
- A diferença entre "não tenho informação" e "encontrei estas opções" ficou evidente
O exemplo mais ilustrativo foi o de perguntas do tipo "me indique opções de [produto] até R$ X". Antes, a IA raramente conseguia responder com dados da loja. Depois, passou a listar produtos reais com nomes e preços.
O que ainda dependia de outras ações
Mesmo com a melhoria técnica clara, alguns pontos continuaram dependendo de outras frentes:
- Autoridade e menções externas ainda eram limitadas, o que restringia a frequência de recomendação em perguntas muito amplas e competitivas
- Em algumas IAs os resultados eram melhores do que em outras (comportamento normal)
- A citação não se tornou automática e universal da noite para o dia
- Conteúdo de categoria e páginas de blog ainda tinham espaço para evolução
O MCP e os dados estruturados resolveram a legibilidade e a capacidade de consulta. A autoridade externa e a força de marca continuaram sendo um trabalho de médio prazo.
Resultados observados ao longo do tempo
Com o acompanhamento periódico (testes quinzenais com o mesmo conjunto de perguntas), foi possível observar:
- Aumento gradual da frequência de citação em perguntas específicas de produto
- Melhora na precisão das informações (preço, nome, categoria)
- Redução das respostas do tipo "não tenho dados sobre essa empresa"
- Maior estabilidade das informações quando o MCP estava atualizado
- Variação natural entre as diferentes IAs (algumas absorveram mais rápido que outras)
O resultado mais importante não foi um "salto milagroso", mas a mudança de patamar: a loja deixou de ser invisível e passou a ser uma fonte utilizável de informação para os agentes.
Lições práticas para outras lojas
O caso deixa algumas lições claras para qualquer e-commerce:
- Estar bem no Google não garante citação nas IAs. A loja já tinha presença orgânica e mesmo assim era pouco citada.
- A ordem das camadas importa. Rastreabilidade e clareza vêm antes. MCP entrega o maior salto de utilidade quando a base está minimamente saudável.
- Dados vivos mudam a qualidade da resposta. A diferença entre ser mencionado e ser consultável é perceptível.
- Autoridade externa continua necessária. Especialmente para perguntas amplas e competitivas.
- Monitoramento é obrigatório. Sem testes periódicos, é impossível saber se as mudanças estão gerando efeito real.
Erros que foram evitados
Durante o processo, alguns erros comuns foram conscientemente evitados:
- Não tratar o llms.txt como solução isolada
- Não esperar resultados milagrosos em poucos dias
- Não negligenciar a atualização contínua do catálogo no MCP
- Não abandonar o trabalho de clareza e consistência depois de publicar o servidor
- Não comparar resultados de uma única IA em um único teste
Esses cuidados evitaram frustrações e interpretações erradas dos resultados.
O próximo passo
Cada loja parte de um ponto diferente. O que funcionou neste caso começou com um diagnóstico claro da situação atual.
O diagnóstico gratuito da Scrypta analisa:
- Rastreabilidade
- Dados estruturados
- Presença de llms.txt
- Legibilidade geral para agentes de IA
Leva cerca de 15 segundos e mostra objetivamente qual é o ponto de partida da sua loja.