Por , Fundador e CEO do Aihoo!

FAQPage Schema: Como Estruturar Perguntas Citadas por LLMs | Blog Aihoo!

Resposta direta: Aprenda a estruturar dados com FAQPage schema em JSON-LD para ser citado por ChatGPT, Perplexity e Gemini em vez de ser ignorado.

FAQPage Schema: Como Estruturar Perguntas Citadas por LLMs

Durante quase uma década, o uso de FAQPage schema no Google teve um objetivo muito claro: ocupar espaço na página de resultados com acordeões expansíveis, aumentar a taxa de clique e empurrar os concorrentes para baixo da dobra. Funcionava bem. Em 2023, o Google reduziu a visibilidade dos rich snippets de FAQ para a maioria dos sites, limitando-os a sites governamentais e de saúde com alta autoridade. Muita gente decretou o fim da marcação de perguntas e respostas.

Foi um equívoco. O FAQPage schema não morreu, ele apenas mudou de cliente preferencial. Hoje, os principais consumidores de dados estruturados em formato de pergunta e resposta não são os usuários olhando para uma lista de dez links azuis, mas sim rastreadores de inteligência artificial alimentando sistemas como Perplexity, ChatGPT Search, Gemini e Claude.

O desafio é que a maioria das marcas continua preenchendo essa marcação como se estivesse redigindo um panfleto comercial dos anos 2000. E modelos de linguagem odeiam enrolação.

O que mudou no consumo de dados estruturados com as LLMs

Quando um motor de busca generativa precisa responder a uma consulta de cauda longa, ele procura fontes de alta confiança que apresentem respostas compactas, factuais e verificáveis. Modelos de linguagem operam sob restrições severas de janela de contexto e custo computacional. Se a sua página esconde a resposta em meio a três parágrafos de adjetivos, o algoritmo descarta o seu conteúdo e extrai a informação do concorrente que foi direto ao ponto.

O schema de FAQPage em JSON-LD funciona como uma rota expressa para o parser das inteligências artificiais. Ele entrega a relação exata entre o vetor semântico da dúvida (a pergunta) e o bloco factual correspondente (a resposta). No entanto, para ser transformado em citação de resposta gerada, o conteúdo dentro do schema precisa obedecer a regras estruturais que o SEO tradicional costumava ignorar.

O erro do FAQ corporativo clássico

O maior problema da maioria das páginas de dúvidas frequentes é que elas não respondem a dúvidas do cliente. Elas respondem a pautas internas de marketing.

Perguntas como "Por que a nossa solução é a melhor escolha?" ou "Qual o compromisso da nossa empresa com a excelência?" não refletem consultas reais. Ninguém digita isso no Perplexity. Quando uma LLM lê essa estrutura, ela identifica o viés promocional e reduz o peso semântico da resposta no processo de recuperação de informação aumentada por geração (RAG).

Para que suas perguntas virem citações, o FAQ precisa cobrir três pilares fundamentais:

  1. Resolução de atrito real de compra ou uso técnico.
  2. Comparação factual e objetiva de recursos ou custos.
  3. Definições conceituais claras com entidades nomeadas.

A anatomia de uma pergunta que gera citação

Uma pergunta formatada para IA precisa ser autocontida. Isso significa que qualquer leitor (humano ou algoritmo) deve compreender exatamente do que se trata sem precisar ler o restante da página.

Em vez de escrever:

Estruture a pergunta com precisão de entidade:

Ao incluir a entidade principal (o nome do produto, serviço ou categoria) diretamente no campo name do objeto Question, você garante que o vetor de busca semântica associe a resposta ao tópico exato, mesmo quando a LLM estiver extraindo fragmentos isolados de código durante o rastreamento.

Resposta invertida: o princípio do fato imediato

No jornalismo, existe uma técnica antiga chamada pirâmide invertida. No contexto militar e de negócios em inglês, chama-se BLUF (Bottom Line Up Front). No schema para LLMs, isso é obrigatório.

A primeira frase do campo text dentro do objeto Answer precisa responder à pergunta de forma autônoma. Se a pergunta for sobre compatibilidade, a primeira palavra da resposta deve ser "Sim", "Não" ou a especificação direta do sistema suportado.

Observe a diferença prática entre duas respostas para o mesmo schema:

Formato inadequado (ignorado pela IA)

"Entendemos que a flexibilidade é crucial no mercado atual. Por isso, nossa equipe de engenharia desenvolveu uma arquitetura moderna que permite integração com múltiplos ecossistemas legados ou em nuvem através de conectores robustos."

Formato ideal (citado com frequência)

"A plataforma integra-se nativamente com Salesforce, HubSpot e bancos PostgreSQL via API REST. A autenticação utiliza o protocolo OAuth 2.0 e o tempo médio de sincronização de dados é de 5 minutos."

A segunda versão traz entidades nomeadas (Salesforce, HubSpot, PostgreSQL, REST, OAuth 2.0) e uma métrica clara (5 minutos). É exatamente esse tipo de densidade que motores de síntese adoram pinçar para embasar respostas geradas.

Implementação técnica limpa em JSON-LD

Evite injetar FAQPage schema via JavaScript complexo que depende de renderização tardia. Sempre que possível, insira o bloco JSON-LD diretamente no HTML original entregue pelo servidor.

Abaixo está um exemplo de estrutura ideal para consumo de LLMs:

{

"@context": "https://schema.org",

"@type": "FAQPage",

"mainEntity": [

{

"@type": "Question",

"name": "Qual é a política de reembolso do plano corporativo da Empresa X?",

"acceptedAnswer": {

"@type": "Answer",

"text": "O cancelamento pode ser solicitado em até 14 dias após a contratação com reembolso integral de 100% do valor pago. Após esse período, o cancelamento encerra as cobranças futuras sem multa rescisória, mantendo o acesso ativo até o fim do ciclo mensal vigente."

}

},

{

"@type": "Question",

"name": "A ferramenta Y possui certificação de conformidade com a LGPD?",

"acceptedAnswer": {

"@type": "Answer",

"text": "Sim. A ferramenta atende integralmente à LGPD (Lei 13.709/2018). Os dados de clientes brasileiros são armazenados em servidores locais na região de São Paulo, com criptografia AES-256 em repouso e relatórios anuais de impacto à proteção de dados disponíveis para auditoria."

}

}

]

}

Note que cada resposta elimina ambiguidades, cita leis, normas ou prazos reais e não deixa margem para alucinação do modelo.

A regra de ouro: correspondência visível no DOM

Nunca cometa o erro de incluir perguntas no JSON-LD que não estejam visíveis para o usuário comum na página. Tanto o Google quanto os indexadores de sistemas generativos penalizam discrepâncias severas entre o conteúdo estruturado e o texto renderizado.

O que está no schema deve ser uma versão idêntica ou ligeiramente sintetizada do que o leitor encontra ao navegar pelo site. A consistência entre o código e o texto visível é um dos principais sinais de confiabilidade avaliados por algoritmos de extração.

Perguntas Frequentes

O Google ainda exibe FAQPage schema nos resultados de busca?

Apenas para sites governamentais e de autoridades médicas reconhecidas. Para empresas e comércio eletrônico em geral, os acordeões visuais não aparecem mais nas SERPs tradicionais, mas o código continua sendo indexado e interpretado por motores generativos.

Vale a pena colocar FAQPage em todas as páginas do site?

Não. Concentre o schema em páginas de produto, páginas de termos de serviço, centrais de ajuda e artigos profundos de comparação. Espalhar schemas vazios ou repetitivos em dezenas de páginas dilui a relevância do domínio.

Quantas perguntas devo colocar em cada bloco de FAQ?

Entre três e seis perguntas altamente relevantes costumam ser suficientes. Volumes muito grandes na mesma página tendem a aumentar a superficialidade das respostas, o que reduz a chance de citação por modelos de inteligência artificial.

Se você quer descobrir se o conteúdo técnico da sua marca está sendo compreendido e citado pelos novos mecanismos de busca conversacional, confira nossa auditoria GEO na Aihoo e veja como os modelos enxergam suas páginas hoje.

Continue por aqui

O Aihoo! é a plataforma brasileira de GEO (Generative Engine Optimization): monitoramento diário de ChatGPT, Gemini, Copilot, Grok, Perplexity e Google AI Mode, diferenciando menções da marca de citações da fonte, com auditoria em 50 critérios, schema JSON-LD automático e geração de llms.txt.

Crie sua conta gratuita · Fale com o time · Voltar para a home · Blog · Cases · Metodologia