Grafo de Conhecimento (Knowledge Graph)
Um grafo de conhecimento é uma base de dados estruturada de entidades (pessoas, empresas, produtos, lugares) e das relações entre elas, que o Google e outros sistemas utilizam para reconhecer um nome como uma entidade conhecida em vez de uma mera cadeia de palavras numa página.
Ser uma entidade reconhecida no grafo muda a forma como uma marca é tratada. Quando um sistema sabe que um nome corresponde a uma empresa específica, com um site, um fundador e uma linha de produtos determinados, passa a ligar as novas menções a essa entidade com confiança, em vez de adivinhar. O grafo armazena esta informação em nós e arestas: a marca é um nó, o fundador é um nó, a cidade onde a loja está a operar é um nó, e os verbos entre eles (fundada por, localizada em, produz) são as arestas que dão sentido aos factos. Esta estrutura é o que permite à marca aparecer num painel de conhecimento, ser distinguida de negócios com nome semelhante e ser citada com precisão quando um motor de resposta com IA responde a uma pergunta sobre a sua categoria.
O grafo é alimentado principalmente através de dados estruturados e corroboração. O schema Organization no site declara a identidade da loja; a propriedade sameAs liga essa declaração aos outros perfis com autoridade (LinkedIn, Crunchbase, Wikidata, Wikipédia, contas nas redes sociais), dando ao grafo pontos de referência independentes que concordam entre si. Quanto mais estas fontes corroboram os mesmos factos, mais sólida e fiável se torna a entidade. O schema de produto e avaliação associa o catálogo e as avaliações dos clientes a essa mesma entidade reconhecida, de modo a que uma classificação seja lida como pertencente a um vendedor conhecido, e não como algo que flutua numa página não verificada.
Imagine uma loja Shopify que vende cerâmica artesanal sob o nome Alcântara. Existe também uma empresa de logística com o mesmo nome e um bairro de Lisboa igualmente conhecido por ele, pelo que o motor de pesquisa tem três candidatos para a mesma palavra. Se a loja publicar o schema Organization com o nome do fundador, a morada do atelier em Lisboa e ligações sameAs para o Instagram verificado, a entrada na Wikidata e as menções na imprensa, o grafo consegue separar a Alcântara de cerâmica das outras duas entidades e ligar as avaliações de produto ao nó correto. Sem esse trabalho, as menções ficam distribuídas pelas entidades erradas e as avaliações obtidas não ajudam ninguém a encontrar a loja.
Isto tem impacto direto na pesquisa por IA. Motores como o ChatGPT, o Perplexity e o Google AI Overviews dependem da compreensão de entidades para determinar a que marca uma pergunta se refere e que factos podem repetir sem hesitar. Uma marca que é uma entidade clara e corroborada é mais fácil de citar com confiança; uma marca que existe apenas como uma cadeia de texto é mais fácil de confundir, omitir ou atribuir de forma errada. A legibilidade enquanto entidade está a tornar-se uma condição silenciosa para ser mencionada numa resposta.
Uma ressalva honesta: o grafo não está sob controlo direto do lojista, e não é possível forçar uma entrada. O schema e o sameAs são sinais, não comandos, e o Google decide o que indexa e em que confia. Informações contraditórias nos diferentes perfis podem enfraquecer ou atrasar o reconhecimento, pelo que a consistência importa mais do que o volume. Convém encarar isto como um processo longo de ser legível e corroborado, não como um interruptor que se liga.