O artigo anterior mostrou que o primeiro campo de disputa do Agentic Commerce não é pagamento, mas descoberta e recomendação. Para competir ali, a marca precisa de infraestrutura B2A, Business-to-Agent. Uma página bonita para humanos não basta; agentes precisam de dados estruturados, verificáveis e atualizados.
O primeiro pilar é Schema.org. Product com name e price é pouco. Um agente precisa ler Brand, Offer, Availability, AggregateRating, ShippingDetails e ReturnPolicy. Sem isso, não consegue avaliar confiança, frete, devolução e risco da recomendação.
O segundo pilar é llms.txt. Ele não deve copiar o sitemap. Deve selecionar 20 a 50 páginas essenciais para a IA entender marca, produtos, políticas e prova social. Cada link precisa de uma descrição curta e útil.
O terceiro pilar é Product Feed. Google Merchant Center, Shopify Agentic Storefronts e fluxos de dados de produto dependem de feeds precisos. Preço antigo, estoque incorreto, variações incompletas e imagens fracas reduzem a confiança da IA.
O quarto pilar é UCP Manifest. Ele declara capacidades do comerciante, como consulta de catálogo, carrinho, descontos, checkout e pós-venda. Ainda é cedo, mas marcas maiores devem acompanhar a evolução.
Ser legível para IA não garante recomendação. B2A é condição necessária, não suficiente. Concorrentes, contexto do usuário, conhecimento prévio dos modelos e regras da plataforma também influenciam. Mas sem B2A a marca mal entra na comparação.
O diagnóstico de busca com IA da Gravity verifica profundidade de Schema, qualidade de llms.txt, atualização do Product Feed, requisições reais de agentes e descrição da marca em respostas de IA. O objetivo é entender o que a IA vê, o que ela não vê e onde a recomendação perde confiança.
Na prática, a infraestrutura de dados B2A não deve ser tratado como uma iniciativa isolada de conteúdo. Dados de produto, respostas de IA, requests de agentes, visitas, comportamento e pedidos precisam ser lidos como uma cadeia de evidência. Só assim o time decide se o gargalo está em dados, conteúdo, integração técnica ou orçamento.
Também é preciso disciplina de medição. Busca com IA e Agentic Commerce já são observáveis, mas ainda não têm a estabilidade de paid media clássico. Prompt sampling, referrers, logs de servidor e pedidos Shopify têm pontos cegos. A medição útil separa evidência forte, sinal assistido e correlação.
Ampliação: falhas B2A viram risco de recomendação
B2A não é uma checklist técnica. É a camada de evidência que permite à IA decidir se pode recomendar com confiança. O que uma pessoa entende por layout, foto ou contexto precisa estar disponível para agentes como dado estruturado e verificável.
Falha comum | Efeito na IA | Correção |
|---|---|---|
Product schema só com nome e preço | Não avalia confiança, frete, devolução nem avaliações | Conectar Brand, Offer, Rating, ShippingDetails e ReturnPolicy |
Feed e site têm preço ou estoque diferente | A recomendação cria fricção e perda de confiança | Monitorar sincronização e frequência de atualização |
llms.txt copia o sitemap | A IA não entende prioridades | Selecionar 20-50 páginas essenciais com descrições |
Política de troca em imagem ou PDF | A regra não é verificável por máquina | Publicar condições em HTML e Schema |
Avaliações sem estrutura | Falta prova comparativa | Organizar AggregateRating e resumo de reviews |
Os quatro pilares precisam operar juntos. Schema descreve fatos na página, llms.txt define caminhos de leitura, Product Feed mantém fatos de produto atualizados e UCP Manifest declara capacidades transacionais. A qualidade B2A deve ser rotina de commerce, não um projeto isolado.
Pilar | Uso pela IA | Controle necessário |
|---|---|---|
Schema.org | A IA lê a página do produto | Preço, estoque, frete, devolução e rating batem com a realidade |
llms.txt | A IA decide o que ler primeiro | Links estão curados e descritos com precisão |
Product Feed | A IA compara em índices de produto | Preço, estoque, imagens, variantes e IDs estão atualizados |
UCP Manifest | O agente descobre capacidades | Catálogo, carrinho, descontos e checkout têm limites declarados |
B2A envelhece a cada promoção, mudança de preço, produto novo ou regra logística. A marca precisa de dono operacional, alertas e revisão periódica. Caso contrário, pode parecer boa para humanos e fraca para agentes.
Ampliação: tratar a infraestrutura de dados B2A como decisão operacional
Na prática, a infraestrutura de dados B2A não deve ser tratado como tema editorial isolado. É uma decisão operacional: quem é dono de Schema, llms.txt, Product Feed e UCP Manifest na operação, quais dados sustentam a promessa e com que frequência eles são atualizados. Sem essa disciplina, a marca publica mais conteúdo, mas a evidência lida pela IA continua frágil.
O primeiro passo é separar o que uma pessoa entende na página do que um agente consegue verificar. Um bom layout não compensa Schema fraco, feed antigo, políticas pouco legíveis ou avaliações sem estrutura. Por outro lado, uma marca pode continuar na comparação quando atualização de dados, políticas, avaliações e entrega está organizado e atualizado.
A medição precisa seguir a mesma lógica. Toda semana, o time deve separar exposição, requests de agentes, visitas vindas de IA, comportamento commerce e conexão com pedidos. Todo mês, só deve chamar de crescimento aquilo que é comparável sob a mesma definição. Um salto após nova tag ou Edge signal pode ser cobertura, não demanda.
A ordem de melhoria importa: reduzir interpretações erradas, ampliar dados legíveis por máquina, melhorar a experiência após a chegada e depois reforçar o vínculo com receita. Assim o time não mistura conteúdo, qualidade de dados e atribuição.
Em mercados de língua portuguesa, especialmente no Brasil, preço, prazo, troca, Pix, marketplace, WhatsApp e avaliações podem mudar a confiança. Localizar bem significa alinhar a evidência comercial ao mercado, não apenas traduzir o texto.
FAQ
Q1: Qual a diferença entre B2A e B2C?
A: B2C otimiza a experiência humana. B2A otimiza dados para agentes de IA: formato estruturado, fatos verificáveis e atualização em tempo real.
Q2: Quais propriedades de Schema são mais importantes?
A: Preço, disponibilidade, avaliação, detalhes de frete e política de devolução. As últimas três costumam faltar.
Q3: llms.txt é necessário para Google AI Overview?
A: Não. Google depende principalmente de Schema e Merchant Center. llms.txt é mais útil para ChatGPT, Perplexity e Claude.
Q4: Shopify resolve automaticamente?
A: Parcialmente. Schema e feed básicos existem, mas frete, devolução e llms.txt geralmente exigem trabalho manual.
Q5: Qual é o ROI de B2A?
A: Maior chance de recomendação por IA, Rich Results melhores, feed mais forte e preparação para UCP/ACP.