Como preparamos o site da AgisCode para ser recomendado por IAs — e o que aprendi no processo

Chegou um momento em que percebi que o site da nossa agência, a AgisCode, aparecia bem no Google, mas não aparecia em nenhuma resposta do ChatGPT ou do Perplexity quando alguém perguntava "qual agência de software no Rio de Janeiro eu devo contratar?".

Isso me incomodou mais do que devia.

A gente — eu e o Matheus, meu sócio de direção de arte — decidimos aplicar no próprio site o que vendemos pros clientes: GEO (Generative Engine Optimization) e AEO (Answer Engine Optimization). Não como experimento, mas de verdade, em produção.

Aqui está o que fizemos, o que quebramos no caminho, e o que funcionou.

1. IAs não leem palavras-chave — elas leem entidades

A primeira coisa que entendi é que o Schema markup solto, jogado aqui e ali, não serve de muita coisa. O que os LLMs buscam são relações: quem é essa empresa, quem a fundou, o que ela faz, onde fica.

A solução foi montar um Knowledge Graph usando a estrutura @graph no JSON-LD — uma única declaração semântica que conecta tudo:

• Organization + LocalBusiness com endereço e contatos reais;




• Person para mim e pro Matheus, linkados à entidade da empresa;




• Service para cada serviço que oferecemos — Desenvolvimento Web, UI/UX, Automações com n8n, SEO/GEO.

A lógica é simples: você está entregando de bandeja pro robô a frase "esta empresa foi fundada por essas pessoas e faz exatamente isso". Sem ambiguidade.

2. FAQ não é só UX — é o formato que a IA quer ler

Modelo RAG funciona com recuperação de trechos. Então a pergunta certa é: meu conteúdo está formatado para ser recuperado?

Criamos FAQs na página de serviços com @type: "FAQPage" e tomamos cuidado com o copywriting. A resposta não pode ser vaga:

Pergunta: "A AgisCode faz automação de processos?"

Errado: "Sim, trabalhamos com diversas soluções de automação."

Certo: "Sim. Oferecemos automação com n8n e integrações entre CRMs, planilhas, APIs e ferramentas do dia a dia."

A diferença parece pequena. No Google AI Overviews e nas IAs de voz, ela é enorme — porque a segunda versão é a resposta, não um link pra ela.

3. O bug que me envergonhou: 13 tags <h1> no mesmo site

Essa foi a descoberta mais humilhante da análise.

A gente usava Tailwind e, em vez de pensar na semântica HTML, pensava no visual. Queria um texto enorme naquela seção? Botava um <h1 class="text-9xl">. E foi assim até ter 13 <h1> na mesma página.

Pra um crawlbot, isso é ruído puro. Não existe hierarquia, não existe sinal claro do que é o conteúdo principal.

A correção é chata de admitir porque é simples: deixar o <h1> só no Hero e converter os demais pra <h2> e <h3>. As classes do Tailwind continuam iguais — o design não muda nada. Mas a árvore do DOM fica com uma lógica real.

4. Validação: Google Rich Results + Bing Webmaster Tools

Subir schema sem validar é a mesma coisa que escrever SQL sem testar. Rodamos os testes nas duas ferramentas — e o Bing é essencial aqui, porque é ele que alimenta o ChatGPT e o Copilot.

Zero erros críticos. O Knowledge Graph foi lido certinho pelas duas plataformas.

O que ficou claro pra mim

GEO/AEO não é sobre enganar ninguém. É sobre escrever código limpo, HTML semântico de verdade e dados estruturados que qualquer máquina — ou humano — consiga ler sem esforço.

A maioria dos sites tem conteúdo bom mas estrutura ruim. E as IAs não têm paciência pra adivinhar.

Você já começou a implementar marcações focadas em AEO nos seus projetos?