TL;DR: Em uma auditoria de 100 listings no ChatGPT, no Perplexity e no Gemini, a taxa de citação subiu de 12 % em listings só com texto para 71 % em listings com dados geo estruturados completos. Os três sinais que mais pesaram foram coordenadas geo verificadas, campos de nearby context e consistência NAP entre plataformas.
Nas duas primeiras semanas de abril de 2026, rodamos uma auditoria controlada em 100 listings baseados em localização para responder a uma pergunta: quanto, de fato, o dado geo estruturado altera a taxa com que um assistente de IA cita um listing?
A resposta curta é que altera por volta de seis vezes entre o pior e o melhor bucket. A seguir, a metodologia completa, os resultados por bucket e as implicações práticas para quem está otimizando um listing para AI search.
Metodologia
Listings. 100 listings em quatro verticais: 30 aluguéis de temporada, 25 hotéis boutique, 25 restaurantes independentes e 20 atrações locais. As geografias cobriram 14 cidades europeias para limitar viés de um único mercado. Todos os listings tinham home ativa e indexável e pelo menos presença em um diretório de terceiros.
Set de consultas. Quinze templates de prompt com intenção de descoberta por listing, cobrindo descoberta genérica ("hotéis boutique tranquilos no Porto"), descoberta por feature ("hotéis no Porto a pé do metrô") e recall nomeado ("Casa do Vale é uma boa pousada no Porto?"). Cada template foi disparado do zero, sem histórico de conversa, em sessão limpa.
Modelos. ChatGPT (classe GPT-5), Perplexity, Gemini. Cada prompt foi disparado uma vez por modelo, totalizando 45 respostas por listing e 4.500 respostas no total.
Scoring. Uma resposta contou como citação se o listing aparecia como fonte linkada, era nomeado explicitamente na resposta ou ambos. Matches parciais de nome foram revisados manualmente para rejeitar falsos positivos.
Bucketing. Cada listing foi pontuado pelo AEO Checker da MapAtlas em 29 sinais estruturados e então agrupado em quatro buckets de completude. Os limiares de bucket foram fixados antes do scoring começar.
Resultado principal
A diferença de taxa de citação entre o bucket mais baixo e o mais alto foi maior do que esperávamos.
Fonte: benchmark MapAtlas, abril de 2026, n=100 listings, 4.500 respostas.
O bucket mais baixo, listings com prosa rica, mas sem dados estruturados, chegou a 12% de taxa de citação. O bucket mais alto, listings com schema Place completo, coordenadas geo verificadas, campos de contexto próximo, FAQ schema e NAP consistente entre plataformas, atingiu 71%.
Quebra sinal a sinal
Para entender quais sinais individuais impulsionaram o resultado do topo, rodamos uma análise de ablação por feature. Para cada um dos seis sinais de maior peso, comparamos as taxas de citação entre listings que tinham o sinal e listings que não tinham, mantendo as demais variáveis aproximadamente constantes.
| Sinal | Com sinal | Sem sinal | Lift |
|---|---|---|---|
JSON-LD Place completo com geo | 58% | 19% | 3.1x |
| Dado verificado de POIs próximos | 62% | 24% | 2.6x |
| Campos de proximidade de transporte | 54% | 22% | 2.5x |
| FAQ schema com perguntas de localização | 49% | 26% | 1.9x |
| Consistência NAP em 3+ plataformas | 56% | 21% | 2.7x |
| Identificador externo (Wikidata / Place ID) | 51% | 27% | 1.9x |
Fonte: benchmark MapAtlas, abril de 2026.
Quatro leituras dessa tabela:
- Coordenadas geo são o lift individual mais forte. Um bloco Place sem
geoperforma só marginalmente melhor do que não ter schema. - Contexto próximo chega quase lá. Proximidade de POIs nomeados e transporte é o segundo maior preditor de citação.
- FAQ schema ajuda, mas menos do que sinais específicos de localização. FAQs que respondem a perguntas de localização ("a que distância fica o metrô mais próximo") superaram com folga FAQs operacionais genéricas.
- Identificadores externos batem acima do peso. Reconciliar um listing com um QID do Wikidata ou Place ID do Google quase dobrou a taxa de citação na ablação, provavelmente porque permite que sistemas de IA deduplicarem entre fontes.
Diferenças entre verticais
O tamanho do efeito não foi uniforme entre verticais. Aluguéis de temporada, que partem da baseline mais fraca, mostraram os maiores ganhos absolutos com dados estruturados. Pontos turísticos, já bem representados nos dados de treino, mostraram os menores.
| Vertical | Bucket inferior | Bucket superior | Gap |
|---|---|---|---|
| Aluguel de temporada | 7% | 68% | +61 |
| Hotel boutique | 14% | 74% | +60 |
| Restaurante independente | 13% | 69% | +56 |
| Atração local | 18% | 72% | +54 |
Fonte: benchmark MapAtlas, abril de 2026.
Aluguéis de temporada são a vitória mais clara. Um listing que começa invisível pode virar fonte consistentemente citada só com dados estruturados. O efeito é mais fraco, ainda que relevante, para estabelecimentos que já têm forte representação pública.
O que o modelo realmente faz
Durante a revisão qualitativa de 200 respostas, um padrão recorrente apareceu. Quando o listing tinha dados estruturados completos, o assistente tendia a citar fatos específicos: tempo a pé até a estação, número de restaurantes em 300 metros, nome do bairro, horário de funcionamento. Quando o mesmo listing era despojado dos dados estruturados, o assistente ou o omitia por completo ou o descrevia em termos genéricos.
Isso bate com o comportamento típico de modelos com retrieval. Eles preferem citar fontes que respondem à pergunta com fatos concretos e verificáveis. Prosa que descreve um listing como "tranquilo e a pé" perde para um campo estruturado que diga "walk score 92, índice de ruído médio 18 dB". A segunda versão é mais fácil de extrair, mais fácil de comparar com a query do usuário e mais fácil de atribuir.
O que move um listing do Bucket 1 para o Bucket 4
Pela ablação, quatro mudanças respondem pela maior parte do lift:
1. Adicione um bloco JSON-LD completo de Place ou LodgingBusiness com coordenadas geo. Coordenadas que batam com o endereço postal, um identificador externo canônico e todos os campos obrigatórios do Schema.org. O próprio guia do Google sobre dados estruturados para negócios locais lista os campos com maior peso. Os detalhes campo a campo estão em schema JSON-LD para citações de negócios locais em IA.
2. Enriqueça o listing com contexto próximo verificado. Tempos a pé até as paradas de transporte mais próximas, contagem de restaurantes e cafés próximos, POIs nomeados dentro de um raio definido. O GeoEnrich da MapAtlas gera isso em escala a partir de fontes verificadas, para que possa ser embutido tanto no schema quanto no copy da página.
3. Publique FAQ schema específico de localização. Perguntas que batam diretamente com a forma como os usuários formulam consultas de localização. Veja FAQs específicas de localização para AI search.
4. Reconcilie NAP entre plataformas. A home do listing, o Google Business Profile e pelo menos um diretório de terceiros devem mostrar o mesmo nome, endereço e telefone. Consistência NAP para AI search cobre a mecânica.
Ressalvas
Este benchmark é direcional, não definitivo. Três limitações que vale explicitar:
- Tamanho da amostra. 100 listings bastam para enxergar efeitos grandes, mas não para resolver diferenças finas.
- Drift dos modelos. Assistentes de IA atualizam com frequência. Os números absolutos vão se mover; a ordem relativa dos sinais é mais estável.
- Mix de consultas. Nossos templates pendem para intenção de descoberta. Consultas transacionais ("reservar um quarto no Porto hoje à noite") são roteadas de forma diferente e ficaram fora do escopo.
O ponto mais amplo não é a precisão de um número isolado. É que o gap entre listings estruturados e não estruturados é grande, mensurável e, em boa parte, fechável com trabalho dentro do controle do dono do listing.
Meça sua própria baseline
O AEO Checker da MapAtlas pontua um listing contra os mesmos 29 sinais usados neste benchmark. Rode na sua propriedade de melhor performance e depois na mais fraca. O delta na pontuação costuma bater com o delta na frequência com que cada uma é trazida à tona pelos assistentes de IA na prática.
Taxa de citação está virando o análogo do ranking orgânico para a geração de usuários que busca via IA. Os listings que vencem são os que dão ao modelo algo a extrair. O resto é prosa que o modelo vai educadamente ignorar.
Leitura relacionada:
- Por que assistentes de IA alucinam endereços
- SEO foi de keyword para keyword, agora é de banco de dados para banco de dados
- FAQs específicas de localização para AI search
- Confira sua pontuação de visibilidade em IA gratuitamente
Perguntas frequentes
O que é taxa de citação em IA?
Taxa de citação em IA é a parcela de consultas relevantes de usuário em que um assistente de IA inclui um listing específico em suas fontes citadas ou o menciona pelo nome na resposta. É o equivalente, em AI search, ao ranking orgânico, só que medido no nível da resposta em vez do nível da página de resultados. Um listing com taxa de citação de 40% aparece em duas de cada cinco respostas relevantes nos assistentes testados.
Como este benchmark foi conduzido?
Selecionamos 100 listings em quatro verticais: aluguéis de temporada, hotéis boutique, restaurantes independentes e atrações locais. Cada listing foi consultado 15 vezes em ChatGPT, Perplexity e Gemini, usando um template padrão de perguntas com intenção de descoberta. As respostas foram pontuadas conforme o listing aparecia como fonte citada ou como recomendação nomeada. Os listings foram então agrupados por completude de dados estruturados, conforme medido pelo AEO Checker da MapAtlas.
O que teve o maior efeito na taxa de citação?
Três sinais mexeram mais o ponteiro: presença de um bloco JSON-LD completo de Place ou LodgingBusiness com coordenadas geo, contexto próximo verificado como tempos de transporte e proximidade de POIs nomeados, e consistência NAP entre Google Business Profile, a home do listing e pelo menos um diretório de terceiros. Listings com pontuação alta nos três tiveram taxas de citação cerca de seis vezes maiores do que listings com pontuação baixa nos três.
Descrições em prosa sozinhas ajudaram?
Marginalmente. Descrições longas em prosa com keywords de localização, mas sem dados estruturados, produziram uma taxa de citação base de cerca de 12%. Adicionar marcação Schema.org sem campos geo verificados subiu para aproximadamente 28%. Adicionar contexto próximo verificado e NAP consistente elevou ainda mais, para cerca de 71% no melhor bucket. A qualidade da prosa importa para a confiança do usuário depois que o listing é citado, mas tem efeito limitado sobre se o listing chega a ser citado em primeiro lugar.
Como posso medir minha própria taxa de citação?
Rode a URL do seu listing no AEO Checker gratuito da MapAtlas em mapatlas.eu/ai-seo-checker. O checker pontua os mesmos 29 sinais usados neste benchmark e sinaliza quais estão faltando. Combine a pontuação com prompts manuais periódicos em ChatGPT, Perplexity e Gemini para acompanhar com que frequência seu listing aparece ao longo do tempo.
