Knowledge graph de commerce: como construir o grafo e virar a entidade que a IA cita

Uma cliente pergunta ao ChatGPT: “quais lojas de colchão entregam em 48 horas?”. O modelo não abre o seu site naquele instante. Ele responde com o que já sabe sobre as marcas daquela categoria.

Se a sua loja existe para ele como uma marca definida, ela entra na resposta. Se existe só como um nome solto em algumas páginas, ele ignora você ou troca a sua loja por outra de nome parecido.

Ser recomendado por uma IA é, antes de tudo, um problema de identidade. De nada adianta publicar duzentas páginas se o modelo não sabe que todas falam da mesma loja.

Ele precisa saber qual categoria você ocupa e o que separa você da homônima do outro estado. Esse trabalho de base é o que este guia ensina, passo a passo.

Existe um guia irmão, sobre commerce knowledge graph e agentic readiness, que trata da parte de dentro da casa: cadastro de cliente, identidade e governança. Este aqui trata da parte de fora: como a sua loja passa a ser reconhecida e citada por modelos de IA.

O que é um grafo de conhecimento, em português claro?

Um grafo de conhecimento é a sua loja escrita em fichas que a máquina lê: a marca, cada produto, cada categoria e cada política de troca.

Cada ficha é um nó. Entre elas ficam as ligações: este colchão pertence à categoria de espuma, é vendido pela sua marca e segue a sua regra de devolução.

Quando essas fichas e ligações estão declaradas em código, o modelo lê o significado pronto. Quando ficam só no texto corrido da página, ele adivinha.

A diferença entre ter os dados e ter o grafo é a diferença entre uma gaveta de fichas soltas e um fichário com índice.

Quase toda loja tem a medida do produto num lugar, a descrição da marca em outro e a política de troca no rodapé. O grafo é o que amarra esses pedaços.

Essa base serve a quatro frentes ao mesmo tempo. A primeira é o SEO (fazer o Google mostrar o seu negócio quando alguém procura). A segunda é o GEO (fazer o ChatGPT citar a sua loja na resposta).

As outras duas são a busca dentro do seu site e os agentes de compra, aqueles robôs que pesquisam e fecham o pedido pelo cliente. Sem o grafo, cada uma erra de um jeito.

As fichas que importam para a sua loja aparecer nas respostas de IA:

Nó	O que identifica	Por que o modelo precisa dele
Marca	A organização vendedora, única e desambiguada	Para associar todo o resto a uma entidade estável
Produto	O item com atributos, variantes e identificadores	Para saber o que é, exatamente, e compará-lo
Categoria	A classe a que o produto pertence	Para entrar na resposta certa da pergunta certa
Política	Devolução, frete, garantia como regra declarada	Para responder também à pergunta de prazo e de troca
Conteúdo	Guia, review, FAQ que prova e explica	Para sustentar a citação com evidência recuperável

Por que a IA confunde a sua loja com a do vizinho?

Porque um nome escrito é só uma sequência de letras, e o modelo recomenda coisas que ele conhece, com identidade própria.

O Google chamou essa virada de “de strings para things” ao lançar o Knowledge Graph, o banco de fatos que sustenta as respostas dele. Em bom português: sair de nome escrito e virar coisa identificada.

Enquanto a sua marca for só um nome, ela disputa espaço com qualquer outro parecido. O modelo decide, a cada resposta, se “Colchões Aurora” é você ou a loja homônima de outro estado.

Desfazer essa confusão é o coração do trabalho. Pense em marcas de nome comum, produtos com denominação parecida e categorias que se sobrepõem.

Para uma pessoa, o contexto resolve. Para o modelo, sem identidade única, a dúvida vira ruído: ele pode dar a você a fama de um homônimo ou misturar as duas lojas.

O que dissolve o ruído é dar à marca um registro estável, como uma entrada no Wikidata, a base de dados aberta que os buscadores leem.

Isso decide a sua visibilidade em IA. Quando o Knowledge Graph do Google não sabe que a sua marca é uma loja de colchões, nenhuma quantidade de posts no blog conserta.

Resolver a identidade vem primeiro. Conteúdo sem identidade resolvida é volume que o modelo lê sem saber a quem creditar. O guia de GEO para e-commerce detalha essa camada.

Como registrar a sua loja para a máquina reconhecer?

O registro tem duas pontas que precisam se costurar. O schema.org declara as fichas dentro do seu próprio site. O Wikidata ancora a sua loja num banco público que os modelos leem.

Uma ponta sozinha fica pela metade. O schema diz quem você afirma ser, o Wikidata confirma num lugar neutro, e a propriedade sameAs prova que as duas falam da mesma loja.

Dentro do seu site, o schema.org é o vocabulário que a máquina lê. Ele são etiquetas invisíveis no código da página. Os tipos que sustentam a sua identidade:

• Organization: declara a sua loja como marca, com nome, logo e descrição. O sameAs aponta para o Wikidata e para os seus perfis oficiais.
• Product: declara cada produto com medidas, código de barras, marca, oferta e avaliação, ligando o item à marca da loja.
• FAQPage e os tipos de conteúdo: declaram as perguntas e respostas que sustentam a citação, presas à mesma marca.

Fora do seu site, o Wikidata é a âncora pública. É um banco de dados aberto que o Knowledge Graph do Google e muitos modelos tratam como referência.

Uma entrada bem-feita ensina a máquina quem você é: categoria certa, atributos conferíveis, separada dos homônimos e com fonte para cada afirmação.

A disciplina ali é honestidade. O Wikidata exige fonte, e inflar a entrada com dado que ninguém confere derruba o registro em vez de ajudar.

A costura entre as duas pontas é o sameAs. O schema.org do seu site aponta para a sua entrada no Wikidata, e a entrada no Wikidata aponta de volta para o seu site.

O círculo fecha e a máquina confirma que as duas declarações falam da mesma loja. Sem a costura, sobram dois papéis soltos; com ela, existe uma identidade conferida.

Essa mesma lógica de catálogo legível aparece no guia de taxonomia de feeds e structured data, que governa como o produto é descoberto.

Como transformar produto e política de troca em dado?

Dando a cada um deles campos declarados, em vez de descrevê-los em texto corrido que a máquina precisa interpretar.

O produto deixa o parágrafo de descrição e vira uma ficha com medida, material, cor, variação e código. Cada dado num campo próprio, sem margem para dúvida.

A política de troca sai do PDF feito para gente ler e vira regra declarada: prazo, condição e exceção. Assim o modelo responde a uma pergunta de condição.

A diferença aparece na pergunta que o modelo consegue responder sobre a sua loja. Compare:

1. Como texto: “Nossa política de troca é flexível e pensada no cliente.” O modelo não tira daí nenhuma condição. Ele desconhece o prazo e cala diante de “posso trocar em 40 dias?”.
2. Como ficha: política com prazo de 30 dias, condição de produto sem uso e exceção para itens de higiene. O modelo responde certo, e a sua loja vira a fonte da resposta.

O cadastro de produto segue o mesmo princípio. Atributo importante escrito em texto livre é atributo que o modelo pode ler errado.

O mesmo atributo num campo estruturado, ligado à categoria e à marca, é atributo que ele recupera. O guia de PDP e busca na era da descoberta por IA trata desse ponto como centro da decisão.

Há um ganho extra nesse cadastro. O mesmo grafo que deixa a sua loja legível para a IA de fora também deixa o catálogo operável por agentes de compra.

Protocolos como o UCP, anunciado pelo Google em janeiro de 2026, dependem de catálogo legível por máquina para que agentes naveguem e comprem na sua loja.

Entre os parceiros anunciados estão Shopify, Etsy, Target e Walmart (agenticplug.ai). Construir o grafo para ser citado é construir o grafo para ser operado. Uma base, dois retornos.

Como saber se o registro está funcionando?

O grafo funciona quando a IA acerta a sua categoria, os seus atributos e a citação. Isso se mede com quatro checagens simples:

• Presença: a sua marca e os seus produtos principais existem como entidades no Wikidata e no Knowledge Graph?
• Desambiguação: ao perguntar sobre a sua loja, o modelo acerta quem você é, ou mistura você com um homônimo?
• Cobertura do schema: quanto do seu catálogo e das suas políticas está declarado em schema.org válido e igual ao texto visível?
• Costura: o sameAs liga as duas pontas, de modo que a máquina confirme que site e entrada pública são a mesma loja?

A checagem prática é fazer ao modelo a pergunta que um cliente faria e conferir a resposta. Veja se a categoria está certa, se os atributos batem e se você aparece separado do concorrente.

Onde a resposta falha, o grafo tem um buraco: uma marca sem âncora, um atributo em texto livre, uma política que ninguém declarou.

Vale a regra de coerência do portal inteiro: toda etiqueta do schema precisa ter correspondência no texto visível. Se as duas divergirem, a IA percebe e desconfia da fonte.

O que fazer nesta semana

Construir o grafo é o trabalho de base que ninguém gosta de fazer e do qual tudo depende. SEO, GEO, busca interna e agentes herdam a clareza ou a confusão dessa camada.

Em 2026, com a descoberta migrando para as telas de IA, ser um nome que o modelo adivinha virou desvantagem. Ser uma loja que ele reconhece virou condição para aparecer.

Em compensação, essa base dura mais e é mais difícil de copiar. O concorrente replica o seu blog em um mês; a sua identidade no grafo público, dificilmente.

Volte à pergunta da abertura: quando alguém pede ao ChatGPT uma loja de colchão que entrega em 48 horas, a sua aparece? O teste cabe numa tarde e mostra o seu ponto de partida.

Pergunte a três modelos de IA “o que é a [sua marca]?” e anote se a categoria está certa, se os atributos batem e se ele troca você por outra loja.

Depois confira se a sua loja tem entrada no Wikidata e se o seu site declara a Organization com sameAs apontando para lá. Onde houver lacuna está o primeiro nó a construir.

A partir daí, cada produto e cada política que você transformar em ficha é um pedaço a mais da loja que a IA conhece. Comece pela marca, ainda hoje.