Como preparar seu site para ser fonte de IA através do RAG

RAG (geração aumentada por recuperação) é o método em que a IA busca documentos na web ou num índice antes de responder e monta a resposta a partir dos trechos encontrados. Para o site virar fonte, cada trecho precisa ser achado, lido sem JavaScript e entendido sozinho: título em forma de pergunta, resposta logo abaixo e robôs de busca liberados no robots.txt.

“Preparar o site para o RAG é aceitar que seu conteúdo será recuperado em pedaços, fora de contexto, pela máquina. Estruturar cada bloco para ser citável isoladamente é o que decide se a IA vai usar você como fonte ou ignorar.”

— 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)

Passo a passo: o que mudar no site para ser fonte do RAG

O RAG recupera pedaços, e não páginas inteiras. O sistema divide o texto em trechos, escolhe os que parecem responder à pergunta e entrega só esses ao modelo, por isso cada ajuste abaixo serve para que o trecho certo seja encontrado e faça sentido fora do contexto.

1. Uma pergunta por seção. Escreva o subtítulo como a pergunta que o cliente faria (“Quanto custa implantar o sistema?”) e responda na primeira frase. Seções de 200 a 400 palavras costumam cobrir uma pergunta sem misturar assuntos; acima disso, divida.
2. Frases que se sustentam sozinhas. Troque “como dissemos acima” e “esse recurso” pelo nome da coisa. O trecho recuperado chega ao modelo sem o parágrafo anterior.
3. Texto no HTML, sem depender de JavaScript. Em teste publicado em dezembro de 2024, a Vercel constatou que nenhum dos grandes robôs de IA, entre eles GPTBot, ClaudeBot e PerplexityBot, executava JavaScript, e recomendou renderizar no servidor o conteúdo importante (consulta em 10/10/2026). Preço, especificação e FAQ montados por script no navegador ficam invisíveis para esses robôs.
4. Robôs de busca liberados no robots.txt. O OAI-SearchBot põe o site nas respostas com link do ChatGPT, segundo a documentação da OpenAI; o PerplexityBot faz o mesmo no Perplexity, segundo a documentação da Perplexity; e o token Google-Extended controla o uso do conteúdo no Gemini, inclusive no grounding (a consulta ao índice na hora da resposta), sem afetar a Busca do Google, segundo o Google Search Central (todos consultados em 10/10/2026).
5. Dados estruturados coerentes com o texto. JSON-LD de Organization, Product e FAQPage com os mesmos números que aparecem na página.
6. Data visível e atualizada. Trecho com data ajuda o sistema a escolher a versão mais recente quando duas fontes divergem.

Um robots.txt que libera a busca das três plataformas fica assim; o bloqueio ou a liberação dos robôs de treino, como GPTBot, é uma decisão à parte:

User-agent: OAI-SearchBot
Allow: /

User-agent: PerplexityBot
Allow: /

User-agent: Google-Extended
Allow: /

Sitemap: https://www.suaempresa.com.br/sitemap.xml

Antes e depois: um trecho deste blog reescrito para o RAG

O exemplo vem deste próprio artigo. A abertura original dizia: “A arquitetura da informação digital passa por uma reestruturação profunda em 2026 com a consolidação das buscas sem clique. […] Compreender o funcionamento do Retrieval-Augmented Generation torna a adaptação técnica uma prioridade”. Recuperado sozinho, esse trecho não responde a nenhuma pergunta: não diz o que é RAG nem o que fazer no site, e o sistema tende a preferir outra fonte.

A versão atual, no primeiro parágrafo da página, define RAG em uma frase e lista as quatro condições para virar fonte. Se um assistente recuperar só esse parágrafo para responder “como preparar meu site para o RAG”, a resposta sai completa. O teste vale para qualquer página: copie um parágrafo, cole numa conversa nova com o assistente e pergunte o que ele entende dali. Se a resposta precisar do resto da página, o parágrafo ainda não está pronto para ser recuperado.

O papel dos dados estruturados na leitura de sistemas generativos

A tecnologia de Retrieval-Augmented Generation atua como uma ponte entre o conhecimento estático dos modelos de inteligência artificial e os dados atualizados disponíveis na web. Para que um site seja escolhido como fonte de consulta por ferramentas como ChatGPT, Gemini, Perplexity e Claude, a clareza da arquitetura da informação torna-se a prioridade técnica. A implementação rigorosa de dados estruturados através de JSON-LD e Schema Markup orienta os robôs sobre o contexto exato de cada serviço ou produto oferecido. Essa formatação semântica reduz a ambiguidade e facilita a extração limpa de informações corporativas durante o processamento das respostas.

O paper que batizou o RAG, em 2020, explica por que essa ponte favorece quem publica bem: o conhecimento recuperado pode ser revisado e inspecionado, e o site que o modelo consulta passa a fazer parte dessa memória externa.

“Modelos híbridos que combinam memória paramétrica com memórias não paramétricas (isto é, baseadas em recuperação) podem resolver parte desses problemas, porque o conhecimento pode ser diretamente revisado e ampliado, e o conhecimento acessado pode ser inspecionado e interpretado.”

Patrick Lewis, autor principal do paper que nomeou o RAG, e coautores, pesquisadores da Facebook AI Research e da University College London, em Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (NeurIPS 2020) (2020). Tradução livre.

A forma como o dado chega ao modelo altera o acerto. Em benchmark de 2023, a data.world mostrou que o GPT-4 acertou 16% das perguntas corporativas feitas diretamente sobre um banco SQL e 54% quando as mesmas perguntas foram feitas sobre um grafo de conhecimento (estudo da data.world). Para quem quer ser fonte do RAG, a lição é publicar fatos com relações explícitas, que o sistema recupera e usa com menos margem de erro.

A adequação técnica também envolve a entrega de conteúdo em formatos otimizados para a leitura de máquinas, como a configuração de servidores para fornecer versões em Markdown. Agentes autônomos processam textos limpos com maior agilidade e priorizam fontes que não exigem a filtragem de códigos visuais complexos. O ecossistema do Google Gemini consome ativamente transcrições ricas de vídeos do YouTube para compor respostas técnicas sobre produtos de software. A presença digital precisa ser pensada para facilitar o trabalho de varredura e interpretação dos robôs de busca nos mais diversos formatos.

Os robôs que fazem essa leitura já têm volume próprio. No Year in Review 2025, a Cloudflare calculou que bots de IA responderam por 4,2% das requisições HTML ao longo do ano, enquanto o Googlebot sozinho respondeu por 4,5% (Cloudflare Radar). Segundo a mesma empresa, em agosto de 2025 quase 80% do rastreamento feito por bots de IA tinha como finalidade o treinamento de modelos, e ações disparadas por usuários, somadas a finalidades não declaradas, ficavam abaixo de 5% (dados da Cloudflare). O site preparado para RAG precisa atender bem essa fatia pequena de consultas feitas em nome de um usuário, porque é nela que a citação acontece.

A validação externa atua como um critério de peso para que os sistemas de inteligência artificial confiem nas informações extraídas de um domínio corporativo. Plataformas de diretórios globais como G2 e Clutch fornecem a prova social necessária para que os algoritmos recomendem soluções B2B em listas de melhores ferramentas. Agregadores de sentimento, como o Glassdoor, também são consultados silenciosamente pelas máquinas para confirmar a solidez e a confiabilidade de uma entidade empresarial. A manutenção de perfis atualizados no LinkedIn e no Google Meu Negócio cria uma rede de citações consistentes que fortalece a autoridade do domínio principal.

Perguntas frequentes sobre RAG e sites

O que é RAG em poucas palavras?

É a técnica em que a IA busca documentos antes de responder e usa os trechos encontrados como base da resposta. O nome vem do paper de Patrick Lewis e coautores, de 2020, citado acima. A fundamentação técnica do método está no artigo sobre RAG como alicerce técnico da precisão na busca generativa.

Bloquear o GPTBot tira meu site do ChatGPT?

Não das respostas com link. Segundo a OpenAI, o GPTBot coleta conteúdo para treino, e quem põe o site na busca do ChatGPT é o OAI-SearchBot. Dá para bloquear o primeiro e liberar o segundo.

Site feito em React ou outro framework de JavaScript é lido pela IA?

Só se o conteúdo vier pronto no HTML, por renderização no servidor ou geração estática. O que só aparece depois que o script roda no navegador não chega aos robôs que não executam JavaScript.

Preciso de llms.txt para ser fonte do RAG?

Não é requisito. O llms.txt é uma proposta de arquivo com o resumo do site para modelos de linguagem, sem adoção oficial anunciada pelos grandes buscadores; HTML legível, robots.txt correto e dados estruturados vêm antes.

Leitura essencial sobre o tema no blog: RAG: O Alicerce Técnico da Precisão na Era da Busca Generativa.