Dossier público · DOS-WA-1 · versão 1.0.0

Web agent-ready — o que muda quando parte da audiência não é humana

Última verificação · 2026-08-07

Escopo: Mapa operacional de três camadas — descobrir, citar e executar; o que muda para quem opera um site quando bots e agentes fazem parte da audiência; pilha de prioridade de decisão.

Resumo executivo

Três camadas — descobrir, citar e executar — descrevem melhor 2026 do que reduzir tudo a 'SEO com mais schema'. É um modelo operacional testado contra evidência disponível, não uma tese científica fechada.

Tipo: Overview
Schema: 1.0.0
Intenção: explain

← Ler primeiro o artigo resumido Ir para as evidências DATA ↓

Leitura expandida

Resumo executivo completo

Parte do tráfego e da audiência de um site não é humana — crawlers, bots e, de forma ainda experimental, agentes agindo em nome de um usuário. Telemetria de vendor (Imperva) não é censo da web nem prova de demanda por agentes de IA.
Três jobs distintos — descobrir, citar e executar — organizam prioridade e orçamento melhor do que tratar tudo como 'SEO com mais schema'. Para o Google, otimizar para recursos de IA no Search ainda é SEO: sem markup especial nem exigência de llms.txt.
Citação não é visita: a taxa de clique cai quando aparece um resumo de IA (Pew), e publishers reportam pressão em referral e zero-click (Digiday). Execução por agentes (WebMCP) é origin trial e draft de comunidade — observar, não apostar orçamento.

Mapa do sistema e relações

Público: Gestores e donos de site, builders, editores técnicos e operadores.

Fora do escopo

Comparação detalhada de formatos, negociação de Markdown e chrome HTML fica no Dossier especializado de Representações.
Debate SEO vs GEO, CTR e zero-click com maior profundidade fica no Dossier especializado de SEO vs GEO; execução via WebMCP permanece delimitada, não implementada.

audiência do site (pessoas + crawlers + bots +, experimentalmente, agentes)
        ↓
Descobrir — rastreamento, indexação, elegibilidade a snippet / recursos de IA (mesmos fundamentos de SEO)
        ↓
Citar — recuperação e síntese com atribuição em resposta gerativa (não é posição de ranking)
        ↓
Executar — agente chama ações no site via WebMCP (origin trial / draft de comunidade)
        ↓
camada transversal: representação (HTML semântico/a11y, Markdown negociado) serve Descobrir e Citar
        ↓
pilha de prioridade: fundação SEO → representações limpas → política de crawl → KPIs reais → execução em observação

Dossiers especializados

Evidência verificável

DATA

Claims com fonte, contexto de medição, limitações e confiança explícitos.

DATA · fact

WA-OV-D01 · Google: otimizar para IA no Search ainda é SEO

O guia Google Search Central para recursos de IA generativa afirma que otimizar para esses recursos é otimizar para o Search, sob os mesmos sistemas centrais de qualidade e ranking; lista como equívocos apostar em llms.txt, markup especial de IA, dividir conteúdo em chunks ou reescrever textos só para agentes; dados estruturados não são exigidos para recursos de IA generativa.

Status: verified
Confiança: high
Última revisão: 2026-08-07

Limitações

Fontes

src-wa-google-ai-optimization-guide

DATA · fact

WA-OV-D02 · Elegibilidade a recursos de IA não exige requisito técnico extra

A documentação 'AI features and your website' do Google Search Central afirma que não há requisito técnico adicional além de estar indexado e elegível a snippet, e recomenda manter conteúdo importante em forma textual.

Status: verified
Confiança: high
Última revisão: 2026-08-07

Limitações

Fontes

src-wa-google-ai-features-website

DATA · fact

WA-OV-D03 · People-first e requisitos técnicos de sempre se estendem a AI Overviews

O artigo 'Succeeding in AI search' do Search Central Blog reitera que conselhos people-first, page experience e requisitos técnicos padrão de Search (rastreamento, indexação, elegibilidade a snippet) se estendem a AI Overviews e AI Mode; dados estruturados são úteis apenas quando correspondem ao conteúdo visível.

Status: verified
Confiança: high
Última revisão: 2026-08-07

Limitações

Fontes

src-wa-google-succeeding-ai-search

DATA · fact

WA-OV-D04 · Chrome descreve dois estágios do 'agentic web'

O blog Chrome for Developers 'A developer toolkit to make your website agent-ready' separa dois estágios: agentes que buscam (searching, onde os fundamentos de SEO continuam valendo) e agentes que usam o site diretamente (using, com foco em árvore de acessibilidade, estabilidade de layout e WebMCP); a pontuação Lighthouse Agentic Browsing é tratada como informacional enquanto os padrões ainda emergem.

Status: verified
Confiança: high
Última revisão: 2026-08-07

Limitações

Linguagem de implementador de navegador, não norma de Search nem prova científica do modelo de camadas.

Fontes

src-wa-chrome-agent-ready-toolkit

DATA · fact

WA-OV-D05 · W3C TAG discute distinguir humanos, bots e agentes na arquitetura da Web

A W3C Technical Architecture Group registrou, no encontro de março de 2026 em Londres, uma discussão sobre como a arquitetura da Web deveria distinguir humanos, bots e agentes agindo em nome de usuários — debate em andamento, sem Finding final publicado no post.

Status: verified
Confiança: high
Última revisão: 2026-08-07

Limitações

Discussão institucional em curso; não é uma conclusão fechada da W3C.

Fontes

src-wa-w3c-tag-london-2026

DATA · estimate

WA-OV-D06 · Imperva registra tráfego automatizado maior que o humano, com ressalvas

O relatório Bad Bot 2025 da Imperva, com base na rede própria do fornecedor em 2024, registrou tráfego automatizado (51%) superando o tráfego humano (49%), sendo 37% classificado como bot malicioso e 14% como bot 'bom'.

Status: contextual
Confiança: medium
Base de medição: Telemetria da rede própria de clientes Imperva em 2024.
Período: 2024
Última revisão: 2026-08-07
Risco de interpretação: Não usar como prova de demanda por agentes de IA nem para orçar 'presença em agentes'.

Limitações

Não é um censo independente da web; é amostra de rede de um vendor de segurança.
'Automatizado' não é sinônimo de 'agente de IA'; não separa agentes agindo em nome de usuários de crawlers e scrapers comuns.

Fontes

src-wa-imperva-bad-bot-2025

DATA · fact

WA-OV-D07 · Content negotiation é mecanismo HTTP padrão

A MDN descreve content negotiation em HTTP como o mecanismo para servir representações diferentes do mesmo recurso no mesmo URI: o cliente envia cabeçalhos Accept e o servidor responde de acordo, sinalizando caches com Vary.

Status: verified
Confiança: high
Última revisão: 2026-08-07

Limitações

Fontes

src-wa-mdn-content-negotiation

DATA · fact · estimate

WA-OV-D08 · Vercel e Fastly documentam servir Markdown a agentes via negociação

A Vercel documenta servir Markdown e HTML no mesmo URL via Accept: text/markdown (rewrites + route handler); a Fastly descreve servir HTML a navegadores e Markdown a crawlers de IA ou pedidos Accept: text/markdown, com Vary, estimando um artigo típico em Markdown com cerca de 20–30% do tamanho do HTML equivalente.

Status: contextual
Confiança: medium-high
Base de medição: Documentação de padrão de implementação (Vercel) e estimativa qualitativa de caso (Fastly).
Última revisão: 2026-08-07

Limitações

A estimativa de tamanho da Fastly é um caso ilustrativo, não uma média da web.

Fontes

src-wa-vercel-docs-for-agents
src-wa-fastly-markdown-agents

DATA · estimate · comparison

WA-OV-D09 · Adoção de negociação de Markdown ainda é rara

A Checkly mediu que apenas 3 de 7 agentes de codificação testados enviaram Accept pedindo text/markdown; um snapshot Radar citado no blog de Agent Readiness da Cloudflare encontrou negociação de Markdown (Accept: text/markdown) funcionando em apenas 3,9% de uma amostra de sites de alto tráfego escaneados.

Status: contextual
Confiança: medium
Base de medição: Teste próprio da Checkly com 7 agentes; snapshot Radar sobre sites de alto tráfego.
Última revisão: 2026-08-07

Limitações

Amostras pequenas e específicas; não medem toda a web nem todos os agentes existentes.

Fontes

src-wa-checkly-content-negotiation-2026
src-wa-cloudflare-agent-readiness

DATA · estimate

WA-OV-D10 · 97% dos arquivos llms.txt publicados não são lidos

Um estudo da Ahrefs, com amostra de cerca de 137 mil sites, encontrou que 97% dos arquivos llms.txt publicados não receberam nenhuma requisição no mês analisado.

Status: contextual
Confiança: medium
Base de medição: Amostra de ~137.000 sites; requisições medidas em um mês.
Período: Mês analisado no estudo Ahrefs (2026).
Última revisão: 2026-08-07

Limitações

Não mede a intenção de todo agente de IA existente nem períodos futuros.

Fontes

src-wa-ahrefs-llmstxt-study

DATA · estimate

WA-OV-D11 · Paper que definiu GEO reporta ganho 'de até 40%' em ambiente de laboratório

O paper que definiu o termo GEO (Generative Engine Optimization), de Aggarwal et al., relatou um ganho relativo de visibilidade 'de até 40%' em um ambiente experimental próprio dos autores, com pipeline específico (top-5 do Google reprocessado por um modelo no estilo GPT-3.5) — não em um produto de ranking público.

Status: contextual
Confiança: medium
Base de medição: Benchmark experimental dos autores (GEO-bench), não medição em produto de produção.
Última revisão: 2026-08-07
Risco de interpretação: Não tratar como forecast de ROI ou como métrica de citação em produção.

Limitações

Não é uma API de ranking público nem previsão de retorno de negócio.

Fontes

src-wa-arxiv-geo-2311-09735

DATA · fact

WA-OV-D12 · ChatGPT search recupera e sintetiza com atribuição, sem scoreboard público

A OpenAI descreve o ChatGPT search como uma ferramenta que busca na web e retorna respostas com links a fontes, com uma barra lateral de fontes (Sources); a documentação não publica um placar público de posição de citação.

Status: verified
Confiança: high
Última revisão: 2026-08-07

Limitações

Fontes

src-wa-openai-chatgpt-search

DATA · estimate

WA-OV-D13 · CTR cai quando aparece um resumo de IA

O Pew Research Center encontrou, numa análise correlacional, taxa de clique em links orgânicos de cerca de 8% quando um resumo de IA aparecia nos resultados do Google, contra cerca de 15% quando não aparecia; apenas cerca de 1% dos usuários clicou em links dentro do próprio resumo.

Status: contextual
Confiança: medium
Base de medição: Análise correlacional/observacional de comportamento de busca.
Última revisão: 2026-08-07

Limitações

Correlação; não estabelece causalidade universal.

Fontes

src-wa-pew-ai-summary-ctr-2025

DATA · fact

WA-OV-D14 · OpenAI distingue bots de treino, busca e uso em tempo real

A documentação de crawlers da OpenAI distingue GPTBot (treinamento), OAI-SearchBot (indexação para busca) e ChatGPT-User (busca em tempo real do usuário), com controles de robots.txt distintos para cada papel.

Status: verified
Confiança: high
Última revisão: 2026-08-07

Limitações

Fontes

src-wa-openai-crawlers-docs

DATA · estimate

WA-OV-D15 · Crawlers de IA dominam o tráfego de bot de IA observado por vendor de borda

A Fastly (Threat Insights research) afirmou que crawlers de IA representaram quase 80% do tráfego de bot de IA observado em sua análise do período.

Status: contextual
Confiança: medium
Base de medição: Telemetria de rede de borda da Fastly em período específico de análise.
Última revisão: 2026-08-07

Limitações

Amostra de rede de um vendor, não um censo da web.

Fontes

src-wa-fastly-ai-crawlers-press

DATA · fact

WA-OV-D16 · WebMCP é origin trial no Chrome e Draft Community Group Report na W3C

A documentação Chrome for Developers descreve WebMCP como proposta em origin trial a partir do Chrome 149, com limitações relevantes — exige um contexto de navegador aberto, não funciona sem interface (headless) e a descoberta de capacidades exige visitar o site diretamente; o draft da W3C Web Machine Learning Community Group declara explicitamente que é um Draft Community Group Report, não um W3C Standard nem parte do Standards Track.

Status: verified
Confiança: high
Última revisão: 2026-08-07
Risco de interpretação: Não tratar como requisito de 'agent-ready' hoje nem apostar orçamento nele.

Limitações

Proposta experimental; não é padrão estável entre navegadores.

Fontes

src-wa-chrome-webmcp-docs
src-wa-w3c-webmcp-cg-draft

DATA · estimate · comparison

WA-OV-D17 · Publishers reportam pressão de referral e zero-click associada a IA

Reportagens do Digiday, citando dados da Digital Content Next (DCN), relataram mediana de aproximadamente -10% ano a ano no tráfego de referência vindo do Google entre publishers (faixa ampla de -1% a -25%) associada a AI Overviews; outra reportagem do Digiday, citando a Similarweb, apontou zero-click em buscas de notícias subindo de cerca de 56% para 69%, com tráfego de plataformas de IA crescendo sem compensar essa perda.

Status: contextual
Confiança: medium
Base de medição: Dados de coortes de publishers reportados por imprensa especializada (DCN e Similarweb, via Digiday).
Última revisão: 2026-08-07

Limitações

Reportagem de imprensa especializada sobre coortes específicas; não estabelece causalidade universal nem generaliza a todo publisher.

Fontes

src-wa-digiday-dcn-referral-drop
src-wa-digiday-similarweb-zero-click

DATA · estimate

WA-OV-D18 · Recall de citação em mecanismos de busca generativa é frágil

Um estudo de 2023 (Liu et al.) mediu recall de citação por frase em torno de 51,5% nos mecanismos de busca generativa avaliados — quase metade das frases geradas sem uma citação verificável adequada no snapshot estudado.

Status: contextual
Confiança: medium
Base de medição: Snapshot de avaliação de citação por frase em mecanismos de busca generativa (2023).
Última revisão: 2026-08-07

Limitações

Snapshot de um momento específico; mecanismos avaliados podem ter mudado desde então.

Fontes

src-wa-arxiv-verifiability-2304-09848

Síntese rastreável, não fato isolado

INFO

INFO · síntese derivada

WA-OV-I01 · Três camadas organizam jobs que 'SEO com schema' colapsa

Descobrir, citar e executar separam jobs, evidências e KPIs distintos que ficam escondidos quando tudo é tratado como 'SEO com mais schema'; a linguagem de estágios do Chrome (searching/using) e a discussão de arquitetura da W3C TAG (humanos/bots/agentes) apoiam o vocabulário de indústria, mas não provam o modelo como ciência — permanece uma hipótese editorial testada contra evidência.

derivedFrom: WA-OV-D01, WA-OV-D02, WA-OV-D04, WA-OV-D05, WA-OV-D11, WA-OV-D12, WA-OV-D16

INFO · síntese derivada

WA-OV-I02 · Descobrir é elegibilidade sob os fundamentos de sempre, não markup especial

A camada Descobrir é coberta pelos mesmos sistemas centrais de qualidade e ranking do Search: indexação e elegibilidade a snippet, com conteúdo people-first — sem markup especial de IA, sem exigência de llms.txt e sem exigir HTML perfeito.

derivedFrom: WA-OV-D01, WA-OV-D02, WA-OV-D03

INFO · síntese derivada

WA-OV-I03 · Citar tem método de laboratório e UX documentada, não scoreboard público

A camada Citar combina um método de laboratório (GEO) com uma UX documentada de atribuição (Sources), mas não existe um placar público de posição de citação; citação não equivale a visita — a taxa de clique cai com resumos de IA, publishers reportam pressão de referral/zero-click, e a qualidade da própria citação é frágil.

derivedFrom: WA-OV-D11, WA-OV-D12, WA-OV-D13, WA-OV-D17, WA-OV-D18

INFO · síntese derivada

WA-OV-I04 · Representação limpa é transversal, mas a adoção de Markdown negociado ainda é rara

Servir uma representação limpa — content negotiation HTTP, HTML semântico, Markdown quando o stack suporta — é útil para descobrir e citar, mas ainda é exceção: poucos agentes pedem Markdown hoje e a maioria dos sites de alto tráfego escaneados não responde a Accept: text/markdown.

derivedFrom: WA-OV-D07, WA-OV-D08, WA-OV-D09

INFO · síntese derivada

WA-OV-I05 · Executar (WebMCP) permanece experimental e fora do roadmap crítico

WebMCP é origin trial no Chrome e Draft Community Group Report na W3C, com limitações operacionais relevantes; a camada Executar deve ficar em observação, não orientar orçamento hoje.

derivedFrom: WA-OV-D16

INFO · síntese derivada

WA-OV-I06 · Pilha de prioridade de decisão

A evidência sustenta uma ordem de prioridade: (1) fundação de SEO e conteúdo people-first; (2) representações limpas; (3) política de crawl separando bots de treino de bots de busca/citação; (4) métricas reais de Search Console, tráfego e bytes de bot, não vanity llms.txt; (5) execução por agentes como observação, não aposta de roadmap.

derivedFrom: WA-OV-D01, WA-OV-D02, WA-OV-D03, WA-OV-D07, WA-OV-D10, WA-OV-D13, WA-OV-D14, WA-OV-D15, WA-OV-D16

INFO · síntese derivada

WA-OV-I07 · llms.txt é KPI frágil de 'presença em IA'

O Google não exige llms.txt para recursos de IA no Search, e a maior parte dos arquivos publicados nunca é lida — publicar um llms.txt 'porque todo mundo tem' não é um indicador confiável de prioridade nem de resultado.

derivedFrom: WA-OV-D01, WA-OV-D10

INFO · síntese derivada

WA-OV-I08 · Tráfego automatizado pressiona política de crawl e custo, não prova demanda por execução

Telemetria de vendor sobre tráfego automatizado (com ressalvas) e sobre a participação de crawlers de IA no tráfego de bot orienta política de crawl e dimensionamento de custo de banda/origem — não é evidência de que agentes estão prontos para executar ações no site nem justifica priorizar WebMCP.

derivedFrom: WA-OV-D06, WA-OV-D15, WA-OV-D08, WA-OV-D09

Lacunas preservadas

Incertezas

INCERTEZA · não mensurado publicamente

WA-OV-UNC-01 · Se o modelo de três camadas melhora decisões de orçamento

O que sabemos: O modelo de três camadas organiza jobs e evidências, mas não há estudo de uso ou teste editorial que confirme se ele melhora decisões de orçamento na prática, ou só organiza a narrativa sem mudar resultados.

Limitações

Tratamento editorial: Tratar o modelo como hipótese de trabalho testada contra evidência disponível, não como framework fechado ou cientificamente comprovado.

Confiança: high na lacuna