JSON-LD e Markdown educam um modelo de linguagem sobre a marca por caminhos diferentes. O JSON-LD declara fatos em formato de dado (quem é a empresa, quem a dirige, quais perfis são oficiais) usando o vocabulário schema.org; o Markdown entrega o texto da página sem menus, anúncios e scripts. O primeiro reduz a ambiguidade; o segundo reduz o ruído na leitura.
A linguagem nativa dos motores generativos
Motores como Perplexity e Meta AI priorizam fontes com arquitetura de dados clara. A Brasil GEO recomenda marcação JSON-LD e a entrega de páginas em Markdown para agentes virtuais. O JSON-LD organiza o contexto corporativo de forma legível por máquinas e o Markdown entrega texto puro, reduzindo o esforço dos rastreadores e facilitando respostas precisas.
Motores como Perplexity e Meta AI processam informações em alta velocidade e priorizam fontes com arquitetura de dados clara. A Brasil GEO recomenda a implementação de marcação JSON-LD e o ajuste de servidores para entregar versões de páginas em Markdown para agentes virtuais. O JSON-LD organiza o contexto corporativo de forma legível para máquinas. Ele define quem é a empresa, seus líderes e seus produtos estruturalmente.Segundo o Web Data Commons, em extração sobre o Common Crawl de outubro de 2024, 51,25% de 2,4 bilhões de páginas HTML analisadas já traziam dados estruturados em JSON-LD, Microdata, RDFa ou Microformats. Se metade da web já marca o básico, o JSON-LD que diferencia a empresa é o que descreve líderes, produtos e relações com detalhe, indo além do nome e do endereço.
O formato Markdown limpa o código visual e entrega o texto puro que alimenta os LLMs. Essa combinação técnica reduz o esforço computacional dos rastreadores de IA e facilita a extração de dados estruturados. As inteligências artificiais usam essas informações limpas para compor respostas precisas sobre as soluções de um negócio.O efeito do contexto estruturado sobre a precisão foi medido. No benchmark da data.world, publicado no arXiv em novembro de 2023, o GPT-4 acertou 16% das perguntas corporativas feitas diretamente sobre um banco SQL e 54% quando as mesmas perguntas foram feitas sobre uma representação em grafo de conhecimento. Um JSON-LD bem feito é um pequeno grafo de conhecimento publicado, e é esse formato que reduz a margem para a IA errar sobre a marca.
Jeremy Howard, que propôs o llms.txt, justifica a versão em Markdown pelo mesmo problema de extração. Por se tratar de uma proposta, sem status de padrão formal, vale tratá-la como camada complementar ao HTML bem estruturado e ao JSON-LD.
“Mas as páginas web são feitas para pessoas. Uma página HTML envolve sua informação em navegação, anúncios e JavaScript, e convertê-la de volta em texto limpo é difícil e impreciso.”
Jeremy Howard, autor da proposta llms.txt e cofundador da Answer.AI e da fast.ai, em The /llms.txt file, v2 (2026). Tradução livre.
O que é padrão e o que é proposta?
A distinção decide quanto esforço investir em cada formato. O JSON-LD é uma Recomendação do W3C, o consórcio que define os padrões da web, publicada em 16 de julho de 2020 na versão 1.1 (W3C, JSON-LD 1.1), e o vocabulário schema.org é mantido em conjunto pelos grandes buscadores. O llms.txt é uma proposta de Jeremy Howard publicada em 3 de setembro de 2024; o próprio site da proposta a descreve como sugestão de padronizar um arquivo /llms.txt, e a versão 2 foi revista em 10 de agosto de 2026 (llmstxt.org, consulta em 10/10/2026).
| Formato | Situação | Onde fica | O que ensina ao modelo |
|---|---|---|---|
| JSON-LD com schema.org | Padrão (W3C, 2020) | Dentro do HTML de cada página | Fatos sobre entidades: empresa, autor, produto, artigo, perguntas |
| Versão .md da página | Proposta (parte do llms.txt) | Mesmo endereço da página, com .md no fim | O texto limpo, sem navegação nem scripts |
| /llms.txt | Proposta (2024, v2 em 2026) | Raiz do domínio | Mapa curto das páginas que importam, com uma linha sobre cada |
Na prática, o JSON-LD vem primeiro porque é lido por buscadores e assistentes há anos e não depende de adesão a uma proposta. O llms.txt custa pouco, mas só ajuda quando o agente o procura, e isso varia de ferramenta para ferramenta; a discussão sobre o retorno real do arquivo está no artigo llms.txt vale a pena? Evidências e recomendação prática.
Como é um llms.txt no formato da proposta?
A proposta exige uma única seção, o título H1 com o nome do site, e sugere em seguida um resumo em citação, um parágrafo de contexto e listas de links separadas por subtítulos H2, com uma seção “Optional” para o que o agente pode pular. O exemplo abaixo segue esse formato com páginas reais da Brasil GEO:
# Brasil GEO
> Consultoria brasileira de Generative Engine Optimization (GEO).
> Mede e melhora a citação de marcas por ChatGPT, Gemini, Claude e Perplexity.
Fundada por Alexandre Caramaschi. Conteúdo em português do Brasil.
## Páginas principais
- [O que é GEO](https://brasilgeo.ai/entenda/): introdução para quem está começando
- [Perguntas frequentes](https://brasilgeo.ai/conteudos/perguntas/): respostas curtas e datadas
- [Fundador](https://brasilgeo.ai/fundador/): trajetória e perfis públicos
## Optional
- [Blog](https://blog.brasilgeo.ai): artigos de análiseO arquivo publicado hoje em brasilgeo.ai/llms.txt usa outro desenho, com campos de metadados (título, descrição, autor, política de correção, data da última atualização) no topo, o que mostra que a proposta ainda convive com variações. A recomendação da proposta para as páginas é publicar a versão em Markdown no mesmo endereço, acrescentando .md ao final; o passo a passo de como montar essas versões está no guia de otimização em Markdown para agentes de IA.
O JSON-LD que este blog publica em cada artigo
Cada artigo do blog.brasilgeo.ai traz, no rodapé, um bloco JSON-LD com duas entidades ligadas: a organização que publica e a pessoa que assina. Abaixo, a versão resumida desse bloco, tal como está no código-fonte desta página:
{
"@context": "https://schema.org",
"@graph": [
{
"@type": "Organization",
"name": "Brasil GEO",
"url": "https://brasilgeo.ai",
"sameAs": ["https://blog.brasilgeo.ai"]
},
{
"@type": "Person",
"name": "Alexandre Caramaschi",
"jobTitle": "Founder da Brasil GEO",
"worksFor": { "@type": "Organization", "name": "Brasil GEO" },
"sameAs": [
"https://orcid.org/0009-0004-9150-485X",
"https://www.linkedin.com/in/alexandre-caramaschi/",
"https://doi.org/10.2139/ssrn.6460680",
"https://alexandrecaramaschi.com"
]
}
]
}Três escolhas nesse bloco fazem a diferença para um modelo. O @graph põe as duas entidades no mesmo documento e permite dizer, com worksFor, que a pessoa trabalha para a organização, em vez de deixar o modelo deduzir. O sameAs lista perfis externos (ORCID, LinkedIn, o artigo no SSRN pelo DOI) que confirmam a identidade fora do domínio. E o nome é escrito igual em todos os campos, porque uma variação de grafia basta para o modelo tratar duas formas como pessoas diferentes.
Para conferir o bloco de qualquer página, siga três passos:
- Abra o código-fonte no navegador (Ctrl+U).
- Procure por
application/ld+json. - Cole o conteúdo no validador do schema.org.
O erro mais comum que aparece é o sameAs apontando para perfil apagado ou para página que não fala da entidade, o que enfraquece justamente a confirmação que o campo deveria dar.
Sinais externos de autoridade algorítmica
Os modelos cruzam dados do site oficial com fontes externas para validar a legitimidade da empresa. Um glossário semântico próprio ajuda a associar a marca como fonte primária de definições do nicho. Páginas de estudos de caso com resultados estatísticos reais fornecem os dados quantitativos que as inteligências artificiais priorizam ao justificar uma recomendação.
Os modelos de linguagem cruzam dados do site oficial com fontes externas para validar a legitimidade de uma empresa. A criação de um glossário semântico próprio ajuda a IA a associar a marca como fonte primária de definições técnicas do nicho. A publicação de páginas de estudos de caso com resultados estatísticos reais fornece os dados quantitativos que as IAs priorizam ao justificar uma recomendação.Essa validação externa pesa mais do que parece. A McKinsey observou em outubro de 2025, em estudo sobre busca com IA, que em muitos casos os sites próprios de uma marca respondem por apenas 5% a 10% das fontes que a busca com IA consulta ao responder sobre ela. O JSON-LD do site precisa bater com o que dizem essas outras fontes, porque são elas que formam a maior parte da resposta.
| Canal de validação | Função para os modelos de linguagem | Impacto na visibilidade |
|---|---|---|
| LinkedIn Company Page | Valida a autoridade corporativa e os líderes de pensamento | Alto |
| Diretórios G2 e Clutch | Prova social e avaliação de serviços B2B | Alto |
| Perfil no Crunchbase | Reforça a legitimidade empresarial nos datasets | Médio |
| Google Business Profile | Integra dados locais ao Gemini e ao Search | Alto |
Perguntas frequentes sobre JSON-LD, Markdown e llms.txt
Preciso escolher entre JSON-LD e llms.txt?
Não. São camadas diferentes: o JSON-LD descreve entidades dentro de cada página e é padrão do W3C; o llms.txt é um mapa do site em Markdown, ainda proposta. Comece pelo JSON-LD de Organization, Person e Article e acrescente o llms.txt depois, por ser barato de manter.
Quais tipos de schema.org uma empresa deve publicar primeiro?
Organization na página inicial e na página Sobre, Person para quem assina conteúdo, Article em cada texto e FAQPage nas páginas com perguntas e respostas visíveis. Cada tipo precisa repetir o que a página mostra; dado só no código, sem correspondência no texto visível, perde valor.
O Markdown substitui o HTML?
Não. A versão .md é uma cópia limpa para agentes, publicada no mesmo endereço com .md no fim, conforme a proposta do llms.txt. O HTML continua sendo a página que pessoas e buscadores leem.
O primeiro passo cabe numa tarde: abra o código-fonte da página inicial e da página Sobre, confira se há JSON-LD de Organization e Person com o mesmo nome e os mesmos perfis do LinkedIn, e corrija o que divergir antes de criar o llms.txt. Para empresas que querem a auditoria completa da presença em IA, o diagnóstico está em brasilgeo.ai.
Gostou? Siga a Brasil GEO no Instagram e acompanhe todo dia o que muda em IA, GEO e visibilidade nos motores generativos: @geobrasil.ai
“JSON-LD e Markdown são a linguagem com que você educa o modelo sobre quem sua marca é; LLMs não navegam como humanos, então estruturar dados explícitos é entregar à IA a versão correta da sua empresa antes que ela componha a versão dela.”
— Alexandre Caramaschi, Chief Strategy Officer da Nuvini (Nasdaq: NVNI), Founder da Brasil GEO, cofundador da NAIA, cofundador da AI Brasil e ex-CMO da Semantix (Nasdaq)
Dado de referência: técnicas de Generative Engine Optimization podem aumentar a visibilidade de uma marca nas respostas de mecanismos generativos em até 40% (Aggarwal et al., GEO: Generative Engine Optimization, Princeton University, KDD 2024).
Leitura essencial sobre o tema no blog: Como dados estruturados e Schema Markup potencializam sua estrategia de GEO.
