Atena
Analytikos
Pilha de tênis brancos com detalhes em laranja e azul

Descrição de produto para IA: os atributos que importam

NAVEGAÇÃO RÁPIDA

Mais lidas

Carregando posts...

Quando alguém pergunta a um assistente de IA qual tênis de corrida comprar, a resposta não nasce de uma descrição bonita. Ela nasce de dados: identificadores, atributos, preço, estoque, frete, devolução e avaliações. Quem tem esses campos completos e coerentes entre feed, página e marcação tem mais para casar com a pergunta. Quem escreve só “confortável, leve e moderno” entrega pouco material para a máquina trabalhar.

Nenhuma plataforma publica o critério de ranking dos produtos que recomenda. Por isso, este guia separa com cuidado o que a documentação oficial afirma do que é inferência. O que se sabe é onde cada plataforma recebe os dados e quais campos ela documenta. O resto é boa prática de catálogo, que ajuda no Google Shopping, no feed do ChatGPT e em qualquer canal que leia dados estruturados.

A seguir, como os assistentes recebem dados de produto, quais atributos cadastrar e onde, um modelo de descrição para humano e máquina, uma fórmula de completude, o passo a passo de auditoria e os erros mais comuns.

Como os assistentes recebem dados de produto

Google: feed do Merchant Center e dados estruturados

As páginas de ajuda do Merchant Center sobre destaques do produto (product_highlight) e detalhes do produto (product_detail) dizem que enviá-los ajuda o cliente a encontrar o produto em superfícies de IA, como o Modo IA. O Google também documenta atributos conversacionais, todos opcionais: perguntas e respostas (question_and_answer), link de documento (document_link), produto relacionado (related_product), título do grupo de itens (item_group_title), opção de variante (variant_option) e ranking de popularidade (popularity_rank). A página afirma que eles não afetam a aprovação dos produtos existentes.

Na página sobre recursos de IA e o seu site, o Google diz que não há marcação schema.org especial nem otimização adicional para aparecer nos AI Overviews ou no Modo IA, e recomenda que os dados estruturados reflitam o texto visível da página. Como inferência, o feed do Merchant Center é o canal mais direto no Google, e o schema na página funciona como checagem cruzada. Para o dia a dia da loja, veja o guia de listagens gratuitas no Google Shopping e o de Modo IA do Google.

ChatGPT: feed de produtos no protocolo de comércio

Segundo a OpenAI, comerciantes compartilham feeds de produtos pelo Agentic Commerce Protocol, direto ou por provedores. A especificação do feed de produtos exige 11 campos: item_id, title, description, url, brand, seller_name, image_url, availability, price, target_countries e store_country. São opcionais, entre outros, gtin, mpn, material, color, size, gender, age_group, dimensões, peso, shipping, accepts_returns, return_deadline_in_days, review_count e star_rating. A especificação não descreve método de ranking, mas diz que a qualidade do feed melhora a relevância da descoberta.

O anúncio da OpenAI traz exemplos de como esses dados aparecem para o comprador: recomendações que combinam com um item da foto, uma tabela comparativa com especificações e preços, e uma grade de produtos filtrada por atributos. A tabela do meio só existe quando o feed tem os atributos para comparar. As telas estão em inglês.

Três telas do ChatGPT com experiências de compra: recomendações de móveis para combinar com uma poltrona, tabela comparativa de produtos com especificações e preços, e grade de vestidos filtrada com cartões de produto
Fonte: OpenAI, Impulsionando a descoberta de produtos no ChatGPT

No mesmo anúncio, a OpenAI publicou um vídeo curto de demonstração da experiência de compras no ChatGPT, também com a interface em inglês.

Vídeo: OpenAI

Outras plataformas e a situação no Brasil

A Perplexity afirma que os cartões de produto não são patrocinados e que varejistas podem enviar especificações pelo programa para comerciantes. A Microsoft Advertising diz que a maioria dos feeds foi feita para anúncios e traz só parte do catálogo, e que a IA precisa do catálogo completo e estruturado. Em nenhum caso há ranking documentado. Quanto ao Brasil, não foi encontrada documentação oficial que confirme a disponibilidade de compras no ChatGPT, no Copilot ou no Modo IA para lojistas brasileiros: confirme antes de planejar investimento específico em um canal.

O diagrama resume os três caminhos pelos quais os dados de um mesmo cadastro chegam aos assistentes. A base é única: se o cadastro estiver incompleto, a lacuna se repete em todos os canais.

Imagem: Analytikos, com base nas documentações citadas

Atributos por tipo e onde cadastrar cada um

A tabela organiza os atributos em cinco grupos e indica onde cada um vive: no feed, no schema JSON-LD ou no texto visível da página. A classificação por grupo é editorial; as obrigações vêm da documentação de cada plataforma.

GrupoAtributosOnde cadastrarObservação
IdentidadeTítulo, marca, GTIN, MPN, grupo de variantesFeed, schema e H1Marca é obrigatória no Google (produtos novos, exceto livros, filmes e música) e no feed da OpenAI. GTIN é fortemente recomendado no Google; MPN é exigido se não houver GTIN
DescriçãoDescrição, destaques, detalhes, perguntas e respostasFeed, schema e texto da páginaOpenAI aceita descrição de até 5.000 caracteres; destaques do Google têm 4 a 6 itens recomendados, com foco em benefício
DecisãoCor, tamanho, material, gênero, faixa etária, dimensões, peso, medidas técnicasFeed e página; schema para cor, material e tamanhoCor, gênero e faixa etária são obrigatórios no Google em vestuário no Brasil e em outros países
Preço e logísticaPreço, estoque, frete, devoluçãoFeed (configurações da conta) e schemaNas regras do Google, configurações da conta prevalecem sobre a marcação por produto
Prova socialNota média, número de avaliações, ranking de popularidadeFeed e schema (aggregateRating, review)As avaliações devem ser do produto, não da loja
Tabela: Analytikos, com base na documentação do Google e da OpenAI

Para o schema em si, o guia de dados estruturados de listagem de produto do Google descreve as propriedades de Product e Offer, e o guia de dados estruturados de produto detalha preço, disponibilidade e avaliações. Para devolução e frete, o Google documenta uma ordem de precedência em que as configurações do Merchant Center ou do Search Console prevalecem sobre a marcação.

Modelo de descrição para humano e para máquina

A descrição eficaz tem uma estrutura repetível. Os dados duros vão para o feed e o schema, e a narrativa fica na página:

  1. Primeira frase: o que é, para quem e para qual uso, com marca, modelo e o atributo-chave.
  2. Benefícios: 4 a 6 linhas curtas (viram os destaques do produto).
  3. Especificações: tabela com medidas e materiais (vira o detalhe do produto).
  4. Para quem serve e para quem não serve: reduz devolução e ajuda a IA a casar a pergunta.
  5. Perguntas reais: dúvidas frequentes dos clientes (viram pergunta e resposta).
  6. Frete e devolução do item: uma linha, igual ao que está no feed.

Exemplo antes e depois (produto hipotético)

VersãoTexto e cadastro
Antes“Tênis Fast Pro. Confortável, leve e moderno. Ideal para o seu dia a dia. Compre já!” Sem GTIN, sem cor padronizada, sem peso, sem drop.
Depois“Tênis de corrida Aurora Fast 3, masculino, para treinos de 5 a 21 km em asfalto. Pisada neutra, amortecimento médio, drop de 8 mm, peso de 265 g (tamanho 42). Cabedal em malha respirável, solado em borracha. Cores: preto e laranja. Tamanhos: 38 a 46.” Destaques e detalhes preenchidos; GTIN válido, MPN, marca, gênero, faixa etária, cor, material e tamanho cadastrados.
Tabela: Analytikos, com produto hipotético

Na versão “depois”, cada afirmação é verificável e cada atributo tem um campo próprio. Um assistente que responda “tênis neutro para treino longo, até R$ 600” tem dados para filtrar. Na versão “antes”, não tem.

Na prática, é esse tipo de dado que a IA usa para recomendar. Numa busca no Modo IA do Google por “tênis de corrida masculino amortecimento médio drop 8mm até R$ 600”, a resposta filtrou por faixa de preço e destacou peso por numeração, tipo de espuma e preço em cada loja. Atributos que estavam no cadastro de quem foi citado.

Resposta do Modo IA do Google para tênis de corrida masculino com drop de 8 mm até R$ 600, com cartões de produto, preços por loja e destaques com peso e tipo de espuma
Resposta do Modo IA para uma busca de tênis de corrida com atributos. Fonte: Google Modo IA. Print: Analytikos
Conheça a Athena, by Analytikos: GA4, loja e mídia em um só painel. Testar 30 dias grátis

Fórmula de completude por SKU

Para priorizar o trabalho, calcule a completude de cada produto: soma dos pesos dos atributos preenchidos e válidos, dividida pela soma dos pesos aplicáveis, vezes 100. Os pesos abaixo são sugeridos e ajustáveis: identidade 3, descrição 2, decisão 3, preço e logística 3, prova social 1.

Exemplo: um tênis com 14 atributos aplicáveis e 9 preenchidos tem 9 ÷ 14 = 64% sem pesos. Com pesos, suponha que a soma dos pesos aplicáveis seja 36 e que faltem GTIN (3), drop (3), peso (3), destaques (2) e perguntas e respostas (2), somando 13. A completude ponderada é (36 − 13) ÷ 36 = 23 ÷ 36 = 64%. Os dois métodos coincidem neste exemplo, mas a ponderação mostra que o que falta é justamente o que mais pesa na decisão.

Completude ponderada do SKU de exemplo

Pesos sugeridos, em pontos de 36
Pontos preenchidos23 pontos (64%)
Pontos faltantes13 pontos (36%)
Gráfico: Analytikos, com dados hipotéticos

Uma meta razoável é passar de 85% nos SKUs que concentram o faturamento. Não há documentação oficial que garanta ganho de recomendação por completude; o que existe é o princípio de que mais dados corretos permitem mais correspondência.

Auditoria e priorização, passo a passo

Considere um catálogo hipotético de 2.000 SKUs, com 14 atributos aplicáveis cada.

  1. Contar células. 2.000 × 14 = 28.000. Se 17.640 estão preenchidas, a completude bruta é 63%, e faltam 10.360.
  2. Segmentar por faturamento. Suponha que 400 SKUs (20%) gerem 70% da receita. Eles formam a onda 1.
  3. Validar identificadores. Se 380 SKUs (19%) estão sem GTIN, a primeira ação é pedir ao fornecedor, que é a fonte do código. Não invente MPN para tapar a falta de GTIN.
  4. Checar consistência entre feed, página e schema (preço, estoque, cor, tamanho). A divergência é a falha mais provável de derrubar a confiança no dado.
  5. Estimar esforço. Onda 1: 400 SKUs × 15 minutos = 6.000 minutos, ou 100 horas. Nas ondas seguintes, preencha por regra (material, gênero, faixa etária por categoria) e revise 10% por amostragem.
  6. Priorizar por receita do SKU × lacuna de completude ÷ esforço. A ordem: bloqueadores (GTIN, marca, preço, estoque), depois atributos de decisão, depois conversacionais.
  7. Medir. Registre a completude inicial, as reprovações no Merchant Center e as impressões em listagens. O guia sobre reprovações no Merchant Center ajuda a ler os erros.

Erros comuns na descrição e no cadastro de produtos para IA

Os erros abaixo atingem tanto a aprovação do feed quanto a qualidade da correspondência. Estão agrupados por natureza.

Erros de identificação

ErroPor que acontece e qual o efeitoCorreção
Produto sem GTINO GTIN é o identificador que liga o item a catálogos; sem ele, o produto tende a ser tratado como genéricoObter com o fornecedor e validar o dígito verificador
GTIN com zeros à esquerda perdidosPlanilhas convertem o código em número; o dado fica inválido e pode ser reprovadoTratar a coluna como texto
MPN inventadoCria dado falso e conflito com outros catálogosDeixar em branco quando não existir
Marca como “placeholder”A especificação da OpenAI pede a marca real; o dado errado atrapalha a correspondênciaUsar o nome do fabricante
Variantes soltas, sem grupoGera duplicidade e confusão de cor e tamanhoAgrupar com item_group_id
Tabela: Analytikos

Erros de texto e de atributo

ErroPor que acontece e qual o efeitoCorreção
Descrição só de marketing, sem especificaçãoNão há atributo verificável para casar com a perguntaIncluir destaques e detalhes com medidas
Cor “multicolor” ou código internoO cliente e a IA não reconhecem o termoUsar o nome de cor que o cliente reconhece
Preço, frete ou promoção nos destaquesA documentação do Google não permite; o campo próprio existe para issoUsar os atributos de preço e frete
Descrição copiada do fabricante em todas as lojasGera conteúdo idêntico e nenhum diferencialReescrever com uso, público e perguntas reais
Tabela: Analytikos

Erros de consistência e de operação

ErroPor que acontece e qual o efeitoCorreção
Feed diferente da páginaPreço e estoque divergentes reduzem a confiança e podem causar reprovaçãoGerar o feed da mesma fonte e atualizar a cada mudança de preço
Política de frete e devolução ausentePerde-se um atributo de decisão importanteConfigurar no Merchant Center e espelhar na página
Tratar a otimização como projeto únicoCatálogos mudam; os dados envelhecemReauditar a cada coleção ou trimestre
Tabela: Analytikos

Checklist de produto pronto para IA

  • GTIN válido, marca real e MPN quando existir.
  • Título com marca, modelo e atributo-chave.
  • Descrição com uso, público e especificações verificáveis.
  • Destaques (4 a 6) e detalhes preenchidos.
  • Cor, tamanho, material, gênero e faixa etária padronizados.
  • Preço, estoque, frete e devolução iguais no feed, na página e no schema.
  • Avaliações do produto, não da loja.
  • Variantes agrupadas.
  • Completude acima de 85% nos SKUs de maior faturamento.

Perguntas frequentes

Preciso de schema especial para aparecer na IA do Google?

Não, segundo o Google. Use o schema de produto existente, igual ao texto visível da página. O feed do Merchant Center continua sendo o canal mais direto.

O GTIN é obrigatório?

No feed da OpenAI, não. No Google, é fortemente recomendado, e o MPN passa a ser exigido quando não há GTIN.

Atributos conversacionais valem a pena?

São opcionais e, segundo o Google, não afetam a aprovação dos produtos existentes. Comece pelos SKUs de maior faturamento e meça o efeito.

Descrição longa ajuda?

A OpenAI aceita até 5.000 caracteres, mas o tamanho não é o ponto. Fatos verificáveis, por produto, importam mais que volume de texto.

Como entro no Perplexity?

Pelo programa para comerciantes ou por integrações como a de plataformas de loja. Verifique a elegibilidade para o Brasil, que não está confirmada na documentação.

Quando devo reauditar o catálogo?

A cada mudança de coleção ou, no mínimo, a cada trimestre. Preços, estoques e políticas mudam, e o dado desatualizado derruba a confiança.

Conteúdos Relacionados

Compartilhar esse post
Facebook
WhatsApp
LinkedIn
Leia também:

Mais lidas

Carregando posts...

Conteúdos Relacionados:

Receba conteúdos exclusivos e novidades

SEO, GEO, GA4, CRM e IA aplicados a e-commerce, direto no seu e-mail.

Analytikos

Estratégia e resultados baseados em dados. SEO, GEO, CRM e IA para e-commerce, de Itajaí (SC) para o Brasil.

© 2026 Analytikos. Todos os direitos reservados.
Rolar para cima