PDP para IA: fatores que influenciam as citações

Quem busca um produto no Google hoje encontra, cada vez mais, uma resposta pronta antes da lista de resultados e, com o AI Overview no topo da página e o ChatGPT sendo usado para comparar opções e decidir onde comprar, estar bem posicionado no orgânico deixou de garantir que a página de produto (PDP) de uma loja seja escolhida como fonte.

No texto, vamos discutir o que diferencia as PDPs citadas pela IA daquelas que apenas ranqueiam, o que muda entre fabricantes, varejistas e nichos, por que o ChatGPT exige uma abordagem diferente da do Google e como aplicar esses resultados na estrutura de uma página de produto.

Por que a PDP passou a disputar espaço com o resumo da IA

O histórico de buscas de produto analisado pela liveSEO, com dados do DataForSEO (desktop), mostra que a presença do AI Overview ficou em torno de 25% até maio de 2026 e, a partir daí, cresceu rapidamente, chegando a cerca de 61% em setembro. A tendência também aparece em um recorte fixo de 2.905 buscas, no qual a presença do resumo passou de 25,7% para 62,9% no mesmo período.

O movimento não se limita ao Brasil. Nos Estados Unidos, um painel fixo de 400 palavras-chave comerciais monitorado pela Semrush registrou um aumento de 32,62% em setembro de 2025 para 85,11% em agosto de 2026 nas buscas de e-commerce que exibiam o AI Overview.

Em outubro de 2026, uma nova medição, feita com coletas ao vivo das 8.770 buscas de produto que exibiam cards de compra no Google Brasil, encontrou o AI Overview em 91% a 93% das buscas nas cinco coletas do método principal, realizadas em 25 e 26 de outubro. Em uma recoleta de 100 buscas por outro método da mesma ferramenta, o índice foi de 74%.

Como a coleta de outubro utilizou uma metodologia diferente, seus resultados não devem ser tratados como continuação direta da série histórica. Ainda assim, as medições apontam para uma presença crescente do AI Overview nas buscas de produto. Apenas na categoria de celulares, isso representa 12,4 milhões de buscas mensais em páginas que exibem simultaneamente cards de produto e o resumo de IA.

O que o estudo analisou

A pesquisa partiu de 42.686 termos de busca de produto. Desses, 8.770 exibiam cards de Shopping no Google Brasil. Nas 20 maiores famílias de produtos, foram selecionadas as cinco PDPs mais bem colocadas no AI Overview, totalizando 100 páginas citadas.

Cada página foi comparada a um controle: a PDP mais bem posicionada no resultado orgânico para a mesma busca, mas não citada pelo AI Overview. Ao todo, foram formados 99 pares de páginas.

As páginas foram avaliadas em 68 fatores, incluindo descrição do produto, avaliações, sinais de confiança, aspectos técnicos, schema, velocidade e autoridade do site, além de quem vendia o produto. Os dados vieram de um checklist de 57 itens, métricas do Chrome UX Report (CrUX) e dados de backlinks do DataForSEO.

A avaliação foi feita às cegas por 15 agentes, que não sabiam quais páginas haviam sido citadas. Parte dos fatores também foi medida automaticamente.

Limitações do estudo

Ficaram de fora quatro pontos de arquitetura e SEO técnico que exigiriam rastrear todo o site de cada loja: a profundidade de clique desde a home (crawl depth), a canibalização interna, a força dos links internos e o texto desses links (anchors).

São fatores relevantes para o desempenho de uma PDP, já que uma página muito distante da home tende a receber menos autoridade, e a ausência deles precisa ser considerada na leitura dos resultados.

Além disso, o estudo é correlacional, ou seja, mostra quais características aparecem com mais frequência nas PDPs citadas, mas não demonstra que essas características provocam a citação, e alguns recortes, como os de nicho, têm amostras pequenas.

AI Overview: por que páginas fora do Top 10 podem ser citadas

A comparação para a busca “galaxy buds fe” ilustra a diferença entre posicionamento orgânico e citação no AI Overview: a PDP da Samsung foi citada mesmo estando fora do top 59 do orgânico, enquanto a página de um varejista que ocupava a primeira posição ficou de fora.

O padrão aparece também no conjunto das 25.209 citações coletadas nas 8.770 buscas, já que apenas 23% das URLs citadas estão entre os cinco primeiros resultados orgânicos e 70 das 100 PDPs mais bem colocadas no resumo não estão no top 3 da busca.

A PDP também disputa espaço com outros tipos de página, porque 42% das citações vão para páginas de categoria ou de busca interna de lojas e 18% para PDPs identificadas pela URL. Entre os marketplaces, o Mercado Livre aparece em 30% dos resumos, quase sempre com página de lista, enquanto a Shopee está no top 5 de 25% das buscas e é citada em só 4%.

Os cinco fatores associados às PDPs citadas no AI Overview

Entre os 68 fatores analisados, cinco apareceram com frequência claramente maior nas PDPs citadas do que nas não citadas da mesma busca.

1. A página tem público próprio

Foi a diferença mais expressiva do estudo: 69% das PDPs citadas tinham registro próprio no Chrome UX Report (CrUX), contra 23% das não citadas. Como o CrUX exige um volume mínimo de visitas elegíveis, esse registro indica que a página tem público, mas não significa que o Google use esse dado para escolher o que citar.

No caso da Tramontina, a consulta ao CrUX retornou dados da própria PDP citada, enquanto a página que ocupava a primeira posição orgânica não tinha dados disponíveis para aquela URL. Uma análise da nossa equipe revela que esse resultado possa ter relação com sinais de interação associados ao NavBoost, mas o estudo não mediu essa relação nem demonstrou causalidade.

O tráfego também pode ser consequência da citação, e não apenas um fator associado a ela. Ainda assim, o resultado reforça a importância de tratar PDPs prioritárias como destinos estratégicos de aquisição, integrando SEO a outros canais de divulgação.

2. Descrição com subtítulos e bullets

69% das PDPs citadas organizam a descrição em subtítulos e tópicos, contra 53% das não citadas. A diferença se mantém mesmo quando os marketplaces são excluídos da análise e também nas comparações entre diferentes tipos de loja.

Na PDP da Tramontina citada no estudo, a descrição tem 264 palavras, distribuídas em três subtítulos: detalhes do produto, informações técnicas e recomendações de uso. O texto também destaca atributos relevantes para a busca, como aço inox, fundo triplo e pressão de trabalho.

Para facilitar a interpretação dessa estrutura pelos mecanismos de busca, use HTML semântico, com títulos (H2 e H3) e listas (ul e li), em vez de depender apenas da formatação visual.

3. A marca do produto é quem vende

A venda pelo próprio fabricante apareceu em 68% das PDPs citadas, contra 32% das não citadas. Essa diferença, porém, varia conforme a busca inclui ou não o nome da marca, como mostra a comparação entre fabricantes e varejistas a seguir.

4. Avaliações visíveis na página

Já 60% das citadas exibem avaliações na página, seja nota, contagem ou texto, contra 34% das não citadas, e o volume também se diferencia, já que, entre as páginas que mostram o número, a mediana é de 162 avaliações nas citadas e de 9 nas não citadas. No exemplo da Sallve, a nota (4,5 de 5), a quantidade de resenhas (1.397) e a distribuição por estrelas ficam à vista.

Na prática, isso significa revisar se as avaliações estão escondidas ou fora do HTML e manter uma rotina consistente de solicitação de avaliações depois da compra, com ferramentas ou parceiros especializados quando o time não tiver estrutura para isso.

[Slide: “Avaliações visíveis, e em volume”]

5. A loja aparece nos cards de Shopping

50% das citadas vêm de lojas que aparecem nos cards de Shopping da mesma busca, contra 31% das não citadas. Parte desse efeito pode estar ligada ao fato de muitas citadas serem do fabricante, já que, considerando apenas as PDPs de lojas, a diferença no Google deixa de ser significativa, embora a presença no Shopping volte a pesar no ChatGPT.

Fabricante e varejista: o que muda para cada um

Ser a marca do produto só se associou à citação quando a busca incluía o nome da marca, já que, nas buscas genéricas, a página não citada também costumava ser do fabricante.

Esse resultado abre espaço para o varejista nas buscas sem marca e, ao analisar apenas as PDPs de lojas (36 citadas e 76 não citadas, sem pareamento), três características continuaram mais frequentes entre as citadas:

1. Público próprio: 53% contra 20% e, nos pares em que nenhum dos lados é o dono da marca, 52% contra 19%;
2. Avaliações visíveis: 75% contra 36%, com mediana de 147,5 avaliações contra 18,5;
3. Descrição com subtítulos ou bullets: 83% contra 57%.

A base técnica não diferenciou as páginas citadas

Vários itens clássicos de SEO técnico estavam presentes tanto nas PDPs citadas quanto nas não citadas e, por isso, não explicaram a diferença entre os grupos.

O resultado não significa que os fundamentos técnicos deixaram de importar, já que rastreamento, indexabilidade, desempenho, links e dados estruturados têm funções distintas na descoberta, na interpretação e na apresentação das páginas. O que o estudo sugere é que, dentro da amostra, esses elementos funcionaram como uma condição de entrada, presente em quase todas as páginas, e não como o que separou as citadas das não citadas.

O que muda por nicho

As 20 famílias de produto foram agrupadas em cinco nichos e, como cada um tem de 5 a 13 pares completos, os resultados devem ser lidos como hipóteses a testar, e não como regras. Quatro fatores apareceram com mais força entre as citadas em quase todos os nichos:

Além desses fatores comuns, cada nicho teve características próprias que se destacaram entre as PDPs citadas:

Por que o ChatGPT exige outra abordagem

Para entender como o ChatGPT responde a diferentes intenções de compra, a liveSEO fez 89 perguntas com busca ativada, em sessão anônima, no dia 27/10/2026. Cada pergunta foi repetida três vezes, totalizando 267 respostas. Os prompts partiram das mesmas buscas analisadas no Google e incluíram formatos como “vale a pena comprar X?”, “onde comprar X?”, “X ou Y: qual comprar?” e “quero um X que faça tal coisa: qual comprar?”.

O padrão das citações foi diferente do observado no AI Overview: 49% apontaram para reviews, guias, blogs e notícias; apenas 11% para páginas de produto (PDPs). Catálogos representaram 18%, homes, 7%, e outros tipos de página, 16%. No total, apenas 31% das respostas citaram alguma PDP.

A intenção da pergunta também fez diferença. No formato “vale a pena comprar X?”, 57% das respostas citaram uma PDP. Já em “quero um X que faça tal coisa”, o índice caiu para 19% — possivelmente porque a primeira pergunta já parte de um produto específico, enquanto a segunda começa pela necessidade.

A baixa repetição de URLs entre rodadas também sugere que as respostas do ChatGPT variam mais de uma execução para outra. Por isso, a estratégia não deve se limitar à PDP: comparativos, reviews e guias de compra podem ajudar a marca a entrar na resposta, seja por uma menção textual, seja por um link citado pelo modelo.

Marca e presença no Google aparecem associadas às citações

No recorte analisado, os sinais mais associados às citações do ChatGPT estavam ligados à marca e à visibilidade do site no Google, não às características isoladas da PDP:

• Marca mencionada na pergunta: 65% das perguntas que nomeavam uma marca tiveram uma PDP citada, contra 31% das que não mencionavam.
• Site do fabricante no Top 10 do Google: foi citado em 77% dos casos, contra 10% dos demais sites.
• Presença no AI Overview: entre os sites que estavam no Top 10 orgânico, os citados no AI Overview também apareceram no ChatGPT em 36% dos casos, contra 8% dos não citados.
• Presença nos cards de Shopping: entre os sites do Top 10, os que vendiam por esses cards foram citados em 31% dos casos, contra 9% dos demais.

Essas associações não significam que aparecer no Google ou no Shopping garanta uma citação no ChatGPT. O estudo também encontrou limites importantes para a relação entre ranking e visibilidade na IA: 77% dos sites citados pelo ChatGPT não estavam no Top 100 da busca, e, em 59% das marcas mencionadas nas respostas, o site da própria marca não foi citado.

Na comparação entre 46 pares de páginas, nenhuma característica isolada da PDP se sustentou pelo critério adotado no estudo — ao contrário do AI Overview, em que cinco fatores passaram nesse critério. Isso reforça a diferença entre os dois ambientes: otimizar a página de produto continua importante, mas não explica sozinho quais fontes o ChatGPT seleciona.

O desafio específico das páginas de lojas

Entre as 114 PDPs citadas pelo ChatGPT, 74 eram de fabricantes e 40 de lojas. Nas páginas de lojas analisadas, alguns requisitos técnicos básicos já estavam resolvidos: 21 das 23 permitiam o acesso do robô de busca da OpenAI pelo robots.txt, e 19 das 23 apresentavam o produto no HTML sem depender de JavaScript.

Os sinais de diferenciação, porém, eram escassos: nenhuma das 21 páginas avaliadas nesse quesito tinha descrição original, e apenas 2 das 40 páginas tinham links de outros sites.

O recorte sugere que, para as lojas, liberar o acesso e garantir que o produto esteja presente no HTML é apenas o começo. O trabalho também precisa considerar a originalidade das informações e a presença da marca em fontes que o ChatGPT costuma citar.

Treinamento, busca e citação: o que o estudo observou

Para interpretar esses resultados, vale separar três conceitos: o treinamento, processo em que o modelo aprende padrões a partir dos dados usados em seu desenvolvimento, a busca na web, que permite consultar fontes disponíveis no momento da resposta, e a citação, que é a apresentação das fontes associadas às informações usadas na resposta, quando o sistema oferece esse recurso.

O estudo chama de viés primário o conjunto de marcas e lojas que o modelo associa a uma categoria sem consultar a web, e trata esse conceito como uma hipótese de trabalho. Para medi-lo, o modelo foi questionado, com a busca desligada, sobre quais lojas ele associa a cada tipo de produto, e 31 das 40 páginas de loja citadas com busca eram de lojas que ele já lembrava, enquanto, entre as lojas que a busca trouxe, a lembrada foi citada em 77% das vezes, contra 41% da não lembrada.

Esses números mostram uma associação na amostra, e não como essa lembrança se forma nem que ela cause a citação, até porque loja lembrada costuma ser loja grande, que também vende no Shopping e é citada no AI Overview, e o estudo não separa esses efeitos.

Como estruturar uma PDP a partir dos resultados

A PDP de exemplo, uma garrafa térmica com loja, marca, preços e avaliações fictícios, reúne os resultados dos dois estudos e mostra como aplicá-los na prática, lembrando que o estudo mediu se cada elemento está presente na página, e não a posição dele.

Citar o site do fabricante como fonte fortalece a marca?

Citar fontes é positivo, desde que o link seja para a página específica que sustenta a informação, e não só para o domínio da marca. No estudo, a força do domínio não separou as PDPs citadas (rank mediano de 394 contra 410), o que indica que um link para o fabricante não explica, por si só, ele ocupar o espaço da loja no AI Overview, e os fatores de separação da própria página tendem a pesar mais.

Citar boas fontes contribui para a confiabilidade do conteúdo, mas os sinais de E-E-A-T também dependem de mostrar experiência real com o produto e domínio do assunto, e conteúdos de topo, meio e fundo de funil que linkam para as PDPs ajudam a sustentar a relevância e a autoridade do domínio como um todo.

O que os dados permitem afirmar

Os resultados indicam que a visibilidade de uma PDP em ambientes de IA não depende apenas da posição orgânica. No AI Overview, páginas com público próprio, descrições estruturadas, avaliações visíveis e presença no Shopping apareceram com mais frequência entre as citadas.

No ChatGPT, as associações observadas apontaram mais para a marca e sua presença em diferentes fontes do que para características isoladas da página. Como o estudo é correlacional e alguns recortes têm amostras pequenas, esses fatores devem orientar testes, não ser tratados como garantias de citação.

Na prática, a PDP precisa ser trabalhada em conjunto com o catálogo, os conteúdos que ajudam o consumidor a decidir e a presença da marca na busca. A pergunta deixa de ser apenas “como faço minha PDP ranquear?” e passa a incluir: “o que a IA encontra sobre meu produto, dentro e fora da página, quando precisa recomendá-lo?”

Quer ver esses fatores aplicados em uma página de referência? Acesse o material do webinar “PDP para IA”, com os 68 fatores do estudo anotados elemento por elemento.