Mitos sobre visibilidade para LLMs: schema, llms.txt e menções

A questão do schema, devagar

O markup Schema.org descreve uma página de forma legível por máquina. Simples. O Google afirmou que dados estruturados não são necessários para seus recursos de IA, embora ainda ajudem com rich results, o que já é um bom motivo para adicioná-los.

Se eles alimentam modelos diretamente é desconhecido. Ninguém fora dos fornecedores sabe. Testaríamos da maneira mais maçante: marcar metade de um conjunto de páginas semelhantes, deixar a outra metade sem markup e registrar citações por oito semanas.

Praticantes relatam experiências mistas, incluindo bastante silêncio após o markup completo. Silêncio é dado. Não o enterre sob mais uma rodada de tags.

Bios de autores e credenciais de 'especialista' recebem o mesmo tratamento. Ajudam o leitor a decidir se confia em você, o que já é motivo suficiente, e nenhum estudo que vimos mostra que um modelo prefere uma página porque uma bio estava presente.

A atualidade aparece sempre. Páginas com uma data de atualização recente aparecem frequentemente em respostas de IA sobre tópicos semelhantes a notícias, e o Google há muito usa a atualidade para consultas que merecem. Ainda assim, atualizar uma data sem alterar o conteúdo é um hábito no qual não confiaríamos, e o Google afirmou que não gosta disso.

Menções: a aposta mais barata

Se um modelo lê texto, uma descrição clara da sua marca em outros sites pode importar mesmo sem um link. Encontrar essas páginas é trabalho de outreach comum.

Comece com o nome da sua própria marca. Pesquise-o, remova sites que já fazem link e liste o restante. Então, peça um link ou uma descrição mais simples. Ferramentas como Ahrefs e Semrush têm alertas de menções, e nosso link-profile pull mostra quem faz link para os concorrentes que você inveja.

Uma advertência final sobre agências. Vender auditorias de visibilidade para LLMs é uma nova linha de negócios, e alguns relatórios são superficiais. Pergunte o que foi amostrado, quando e o que teria alterado sua conclusão.

Nada disso torna o markup inútil. Diz apenas que o efeito alegado não foi medido. Gaste uma hora, não um trimestre, e mantenha seu esforço principal em páginas que as pessoas realmente querem ler.

O que o schema realmente faz

O markup tem funções reais mesmo quando a questão da IA permanece em aberto. Vale a pena manter essas funções em mente, para que um resultado nulo em citações não seja confundido com um resultado nulo em tudo.

Rich results e elegibilidade

Dados estruturados podem tornar uma página elegível para recursos de rich results na busca clássica do Google, onde o markup é lido e verificado. Esse benefício é concreto e não depende de nenhuma afirmação sobre respostas de IA.

Se você adicionar markup por essa razão, valide-o com uma ferramenta de teste de rich results antes de publicar. Trate qualquer efeito em respostas de IA como um bônus que você não mediu.

Parsing e clareza

O markup declara fatos em um formato fixo, como um nome de produto, um autor ou uma data. Um parser que lê a página pode extrair esses campos sem adivinhar. Essa clareza ajuda qualquer ferramenta que trabalhe com a estrutura da página.

Clareza não é a mesma coisa que citação, no entanto. Uma página pode ser fácil de parsear e nunca ser citada, e outra pode ser citada sem nenhum markup.

O que não mostra

Schema não é uma lista de votos que os modelos contam. Não vimos nenhum estudo controlado que conecte markup isolado a uma mudança em citações, então qualquer um que prometa um aumento deve mostrar a amostra por trás disso.

Silêncio após adicionar markup é um resultado normal de um teste. A próxima seção explica por que isso pode acontecer sem que o markup seja inútil.

Por que as pessoas não veem mudança

A visibilidade para LLMs depende de muitas coisas ao mesmo tempo, e uma única mudança raramente se destaca. Tenha isso em mente antes de julgar um resultado.

A alavanca pode estar em outro lugar

As chances de uma página ser citada dependem de sua capacidade de ser rastreada, seu conteúdo, seus links e a própria consulta. O markup toca um desses fatores. Quando tudo o mais permanece igual, uma mudança apenas de markup pode ser pequena demais para ser vista.

Antes de culpar o markup, verifique o básico. Confirme se a página está indexada e se seu texto aparece no HTML em vez de apenas após a execução de um script.

A dispersão de consultas envia pessoas para outros lugares

Alguns praticantes descrevem a dispersão de consultas, em que uma pergunta se torna várias sub-buscas. Se essa é a maneira como um modelo reúne fontes, a página que você marcou pode ser citada para uma sub-consulta que você nunca rastreou. Essa é uma das razões pelas quais uma verificação com um único prompt pode enganar.

Inclua algumas sub-perguntas em seu conjunto de prompts e registre quais páginas aparecem para cada uma.

Meça antes de concluir

Um resultado precisa de uma amostra e uma linha de base. Oito semanas de prompts registrados, divididos em dois grupos, é um teste modesto que ainda pode estar errado. Escreva seus limites ao lado do resultado.

Publique também os nulos. Um teste que não encontrou nada ainda é útil para a próxima pessoa que fizer a mesma pergunta.

Renderização e o que os modelos podem ler

O texto é o material com o qual um modelo trabalha, então a questão do que ele pode ler vale a pena ser testada em vez de assumida.

Conteúdo que aparece após um script

Algum conteúdo só aparece após a execução de um script. Se um determinado assistente pode ver esse conteúdo é algo que você pode testar. Compare o texto que um assistente cita com o que uma busca HTML pura retorna.

Se o texto citado estiver ausente no HTML puro, a página depende de renderização. Isso vale a pena saber antes de adicionar qualquer markup.

Markup lido como tokens

Alguns praticantes argumentam que os modelos dividem o JSON-LD em tokens e perdem sua estrutura, então o markup adiciona pouco. O argumento é plausível e, tanto quanto sabemos, não foi testado. Nenhum dos lados mostrou isso com uma amostra justa.

Trate isso como uma hipótese para seu próprio teste, não como uma regra para citar em um relatório de cliente.

Perguntas sobre markup e respostas de IA

Algumas perguntas que surgem quando as pessoas começam a testar markup em suas próprias páginas.

Devo remover o schema se não ajudar nas respostas de IA?

Não com base nessas evidências. O markup ainda serve para recursos de busca clássica e torna uma página mais clara para parsers. Remova-o apenas se estiver errado, desatualizado ou enganoso.

Vale a pena uma hora com um arquivo llms.txt?

Possivelmente, como um experimento barato. A proposta data de setembro de 2024, e não vimos nenhum grande fornecedor confirmar que lê o arquivo, então não espere um resultado visível.

Bios de autores ajudam nas citações?

Nenhum estudo que conhecemos mostra isso. Bios podem ajudar os leitores a avaliar uma página, o que é um motivo justo para mantê-las, mas qualquer efeito de citação é inexplorado.

Quantas páginas um teste deve incluir?

Suficiente para que os dois grupos possam ser comparados sem que uma página domine o resultado. Dez a vinte páginas semelhantes são um bom começo para um primeiro teste, embora o número certo dependa de quão variadas são suas consultas.