Taxonomia, feeds e structured data: a governança de atributo que decide quem o agente compara

Dois e-commerces de moda venderam o mesmo vestido. Um marcou a cor como “vinho”, o outro como “bordô”, um terceiro SKU do próprio catálogo dizia “marsala”. Quando um agente de IA recebeu o pedido “vestido vinho até R$ 300”, ele agrupou as ofertas que diziam “vinho”, comparou preço e prazo, e montou a lista curta. Os SKUs marcados como “bordô” e “marsala” não entraram na comparação — não porque o produto fosse pior, mas porque a faceta de cor não tinha valor canônico. O schema da página estava válido nos três. O que faltava era governança de atributo.

A tese deste guia contraria quem acha que basta “ter schema”. Marcação válida é o piso, não o teto. O que decide se um agente compara a sua oferta com a do concorrente é a disciplina invisível por trás da taxonomia: a faceta canônica, o valor permitido por categoria, a obrigatoriedade por canal. O guia panorâmico Structured data, feeds e o catálogo machine-readable defende por que o catálogo virou infraestrutura de descoberta; aqui descemos ao nível de governança de atributo, que é onde a maioria das operações falha sem perceber.

O que é taxonomia de catálogo, na prática operacional?

Resposta direta: é a árvore de categorias e o conjunto de facetas que cada categoria expõe para filtrar e comparar. Categoria responde “onde este produto vive”; faceta responde “por qual critério o cliente, ou o agente, restringe a busca dentro dela”. A ontologia deste portal modela o tópico com cinco entidades — Category, Attribute, Feed, Schema e Endpoint — porque é exatamente essa a cadeia, da categoria ao endpoint que o agente consulta.

A categoria organiza o catálogo numa hierarquia: roupas › vestidos › vestidos de festa. A faceta é o filtro dentro do nível: cor, tamanho, comprimento, ocasião, faixa de preço. Cada faceta tem um atributo por trás, e cada atributo precisa de um conjunto de valores permitidos. É aqui que a maioria das operações trata a taxonomia como decoração de menu e ignora a parte que importa.

Categoria não é faceta, e confundir as duas custa caro

Times misturam os dois eixos o tempo todo. Criam uma categoria “vestidos vermelhos” quando vermelho deveria ser um valor da faceta cor, aplicável a qualquer categoria. O resultado é uma árvore que explode em galhos redundantes, impossível de manter, e um agente que não consegue cruzar “vestido” com “vermelho” porque os dois viraram a mesma coisa. A regra é simples: o que descreve onde o produto vive é categoria; o que descreve um critério de filtro transversal é faceta. Manter os dois eixos separados é o que permite ao agente combinar livremente — “vestido vermelho tamanho M até R$ 300” — sem que você precise prever cada combinação.

Por que a governança de atributo é o trabalho que decide tudo?

Resposta direta: porque sem ela a taxonomia tem caixas vazias e inconsistentes, e atributo inconsistente é invisível para comparação. Governança de atributo é definir, para cada faceta, qual é a forma canônica, quais valores são permitidos por categoria, se ela é obrigatória por canal e quem responde por ela. É o trabalho que ninguém quer fazer e o único que faz o agente agrupar a sua oferta com a do concorrente.

Pense no que governança resolve. Sem ela, a cor aparece como “vinho”, “bordô” e “marsala” no mesmo catálogo; a voltagem aparece como “110V”, “110”, “bivolt opcional” e em branco; o material vem ora como “couro legítimo”, ora como “couro”, ora vazio. Cada variação é um SKU que não casa com os outros na hora da comparação. Com governança, cada faceta tem um valor canônico, uma lista fechada de valores aceitos e uma regra de obrigatoriedade — e o catálogo inteiro fala a mesma língua.

Camada de governança	O que define	Exemplo no varejo brasileiro
Faceta canônica	A forma única de nomear o atributo	”cor” (não “cor do produto”, “cor principal”, “tonalidade”)
Valores permitidos por categoria	Lista fechada de valores aceitos	Banho em semijoia: ouro 18k, ródio, prata 925 — não texto livre
Obrigatoriedade por canal	Se o atributo é exigido para publicar	GTIN obrigatório para o feed do Merchant Center
Dono do atributo	Quem responde pela qualidade e atualização	Comprador da categoria, não “a equipe de cadastro”

A consequência de ignorar isso é direta. Taxonomia inconsistente empurra a IA para o concorrente — quando o agente não consegue normalizar o seu atributo, ele compara as ofertas que conseguiu normalizar, e a sua fica de fora. No varejo especializado brasileiro, onde joalheria precisa distinguir quilatagem e tipo de banho e cosmético precisa de lote e validade, a governança de atributo é a diferença entre aparecer na comparação e sumir dela.

Schema válido com taxonomia mal governada é uma fachada bem pintada sobre uma fundação rachada. O agente não lê a fachada; ele tenta normalizar o atributo. Se não consegue, compara quem conseguiu — e você não está nessa lista.

Como o feed funciona como canal de distribuição machine-readable?

Resposta direta: o feed é o arquivo estruturado que você envia ao Google Merchant Center e aos marketplaces, e é o mesmo dado que alimenta busca, vitrine paga e, muitas vezes, a resposta de IA. Item com atributo obrigatório faltante é rejeitado e some da vitrine sem disparar nenhum alerta no seu relatório de campanha.

O feed não é um detalhe técnico do marketing de performance; é uma das principais superfícies de distribuição do catálogo. A Linx Microvix, hoje parte da TOTVS, integra-se a mais de 70 marketplaces no Brasil, e o Bling a mais de 250 plataformas — cada conexão dessas consome um feed. Quando o feed está limpo, o mesmo dado abastece a vitrine paga, o marketplace e a comparação. Quando está sujo, o problema se multiplica por canal.

O KPI que governa isso aparece na ontologia: feed health, schema coverage, catalog discoverability e rejected items. O “rejected items” é o mais revelador. Um item rejeitado no Merchant Center não dá erro visível na operação; ele apenas para de aparecer. A loja continua pagando mídia para um catálogo do qual uma fatia inteira está invisível, e descobre o buraco só quando vai investigar por que as impressões caíram. Feed health é a disciplina de monitorar essa taxa de rejeição e tratá-la na origem, no PIM, em vez de remendar item a item.

Por que feed e structured data precisam sair da mesma fonte

O feed que você envia ao marketplace e o JSON-LD que está na página de produto deveriam carregar o mesmo preço, o mesmo estoque e o mesmo GTIN. Quando divergem — porque o feed saiu de uma planilha e o schema de um template — o item é rejeitado por inconsistência ou a IA extrai da página um dado que o feed já corrigiu. A única forma de manter os dois sincronizados é fazê-los sair da mesma fonte de verdade, o PIM, como detalha o guia PIM, PXM, DAM e MDM. Feed e schema não são dois projetos; são duas saídas do mesmo dado governado.

Quem é o dono do atributo, na prática?

A camada de governança que mais falha é a do dono. Quando o atributo é responsabilidade de “a equipe de cadastro”, ele não tem dono de verdade — tem um setor que digita o que recebe, sem autoridade para definir a forma canônica nem para recusar um valor fora da lista. O dono correto do atributo é quem conhece a categoria e responde pela sua qualidade: o comprador de moda sabe que “caimento” é faceta crítica e quais valores ela aceita; o comprador de semijoias sabe distinguir banho de liga. Atribuir o atributo a quem entende da categoria, e não a quem opera o sistema, é o que transforma taxonomia de exercício burocrático em vantagem de descoberta. Sem dono, a faceta apodrece: novos valores entram soltos, sinônimos se acumulam e, em um ano, o que era uma lista limpa virou um campo livre disfarçado. Governança de atributo é, antes de tudo, uma decisão de quem responde — e essa decisão precede qualquer ferramenta.

Por que o GTIN é o atributo que mais vale a pena acertar?

Resposta direta: porque o GTIN é o identificador universal que permite a um agente cruzar a sua oferta com reviews, comparadores e o mesmo produto em outros lugares. Sem GTIN, a IA não tem certeza de que está falando do seu item — e na dúvida, ela cita quem identificou direito. Nenhum outro atributo tem esse poder de desambiguação.

O GTIN é o número global de item comercial, o código de barras universal. Para um humano, ele é invisível. Para um agente, ele é a chave que cruza a sua página de produto com a avaliação no comparador, com o mesmo item no marketplace e com a ficha técnica em outra fonte. Quando o GTIN está presente e correto, a IA tem confiança de que o item que você anuncia é exatamente aquele que tem 4,7 estrelas em mil avaliações. Quando falta, a IA precisa inferir pela descrição — e inferência é onde nasce a alucinação de atributo e a citação do concorrente.

No catálogo brasileiro, o GTIN é especialmente subaproveitado. Muitos varejistas de moda e semijoias produzem item próprio sem código de barras universal e nunca cadastram um GTIN, perdendo a chance de serem cruzados com outras fontes. Para esses casos, a governança precisa decidir uma política clara: usar GTIN quando existe, e um identificador consistente e estável quando não existe, para que ao menos o seu próprio ecossistema possa rastrear o item entre canais.

O que a evidência realmente diz sobre schema e citação por IA?

Resposta direta: schema ajuda forte no ecossistema Google e tem efeito fraco ou nulo nos demais motores — a evidência de 2025-2026 é divergente e exige honestidade. O erro é prometer que schema sozinho resolve visibilidade em qualquer motor. Ele é necessário porque o custo é baixo e o ganho no Google é real, mas não é suficiente.

Os dados de 2026 não convergem, e fingir que convergem é desinformar. A BrightEdge mediu, em 2025, que schema mais FAQ geram +44% de citações em AI search, e que páginas com schema válido aparecem 20% a 30% mais. Estudos apontam que 71% das páginas citadas no ChatGPT e 65% no Google AI Mode carregam structured data. Por outro lado, a Ahrefs, em março de 2026, comparou 1.885 páginas com schema contra 4.000 de controle e não encontrou uplift relevante de citações. Um estudo da SSRN (Fischman, 2026) achou 38,5% de citação com JSON-LD contra 32,0% sem — um ganho de 6,5 pontos, modesto mas real.

A leitura honesta é que o efeito é forte no ecossistema Google e fraco ou nulo nos demais motores generativos. Some-se a isso que apenas cerca de 12,4% dos domínios implementam schema.org (2025), e a conclusão prática fica clara: o custo de fazer schema é baixo, a concorrência que o faz é pequena e o ganho no maior ecossistema é mensurável. Implemente, mas calibre a expectativa por motor e meça — não prometa milagre universal.

Taxonomia e feeds na era dos protocolos, em 2027

Em 2027, a taxonomia governada deixa de servir só ao feed e passa a alimentar protocolo. A NRF 2026 consagrou o agentic commerce com o anúncio do Universal Commerce Protocol pelo Google, e a ontologia deste portal já inclui o endpoint UCP como entidade do tópico — sinal de que o catálogo machine-readable está virando interface de protocolo, não apenas arquivo de feed. A SAP anunciou na NRF 2026 um Storefront MCP Server no Commerce Cloud para tornar vitrines compreensíveis a agentes de IA. Ao mesmo tempo, a reforma tributária força um eixo novo de atributo: a NT 2025.002 já exige grupos de IBS, CBS e IS na NF-e e na NFC-e, e notas sem esses grupos serão rejeitadas pela SEFAZ a partir de agosto de 2026 — o que significa que a classificação fiscal vira mais um atributo governado do catálogo. Em 2027, a faceta canônica não serve só para o cliente filtrar; serve para o agente comprar e para o fisco classificar. Quem governa atributo hoje está construindo a interface de amanhã.

O que decidir nesta semana

• Separe categoria de faceta na sua árvore de catálogo: liste as facetas que viraram categoria por engano e que estão impedindo o agente de combinar critérios livremente.
• Escolha as cinco facetas que mais importam para a sua categoria principal e defina, para cada uma, a forma canônica e a lista fechada de valores permitidos — comece pela que hoje tem mais variações soltas.
• Audite a sua taxa de rejeição no Google Merchant Center (rejected items) e trate as três causas mais frequentes na origem, no PIM, em vez de corrigir item a item.
• Verifique a cobertura de GTIN do catálogo e defina uma política clara para itens sem código universal, para que ao menos o seu ecossistema rastreie o produto entre canais.
• Implemente JSON-LD nas categorias de maior giro com expectativa calibrada por motor, e meça citação por motor em vez de presumir uplift universal — schema é necessário, não suficiente.