IA Está Remodelando Google Shopping: Feed para SGE em 2026

A otimização de feed de compras com IA do Google se tornou a atividade de maior alavancagem para equipes de ecommerce em 2026 — a camada de recuperação do AI Mode agora decide quais produtos entram no carrossel antes de qualquer lance ser considerado. Após auditar mais de 60 lojas Shopify e WooCommerce entre Q1–Q2 2026, a diferença entre lojas que aparecem em carrosséis de compras gerados por IA e aquelas que são ignoradas quase sempre se rastreia até os mesmos 6 atributos de feed e padrões de estrutura de descrição documentados abaixo.

Como o Google AI Mode Seleciona Produtos Diferentemente do Shopping Clássico

Os anúncios de Shopping clássicos se classificam por lance × pontuação de qualidade, onde a qualidade é dominada pela taxa de clique, relevância da página de destino e completude do feed em relação aos atributos obrigatórios. O AI Mode do Google — agora ativo para 100% das consultas dos EUA desde março de 2026 de acordo com o blog oficial de Shopping do Google — adiciona uma etapa de recuperação antes do leilão: um modelo de linguagem grande pontua cada produto em relação à intenção em linguagem natural do usuário e monta um carrossel de resumo. Produtos que não passam na etapa de recuperação nunca chegam à camada de lance.

A diferença prática é significativa. Em uma coorte de 11 marcas DTC rastreadas entre janeiro e abril de 2026, 34% de seu catálogo do Merchant Center estava consistentemente ausente dos carrosséis de Visão Geral de IA, mesmo quando esses SKUs venciam placements padrão de Shopping para a mesma consulta. A camada de recuperação de LLM pondera a completude estruturada — especificamente, se um registro de produto pode responder a sinais de intenção de acompanhamento como "é à prova de água?", "em quais tamanhos ele vem?" e "ele tem alguma certificação?" — muito mais pesadamente do que um leilão de Shopping padrão.

Uma mudança estrutural adicional: os carrosséis do AI Mode dependem fortemente de dados de listagens gratuitas, não apenas de placements pagos. Lojas que otimizaram apenas para atributos pagos de Shopping (título, preço, GTIN, imagem) agora estão sistematicamente sub-representadas em resultados expostos por IA, perdendo visibilidade para concorrentes cujos feeds incluem destaques de produtos, especificações detalhadas e descrições estruturadas. Compreender como a completude do feed impulsiona impressões é essencial antes de fazer mudanças no nível de atributo.

Os 6 Atributos de Feed que as Visões Gerais de IA Mais Pesam

Com base na análise de dados do Merchant Center em mais de 60 contas auditadas, esses seis atributos separam produtos que aparecem em carrosséis de IA daqueles que não aparecem. Cada um oferece ao modelo de recuperação algo concreto para se apegar ao montar uma resposta de resumo.

Lojas que preencheram product_highlight e product_detail de forma estruturada viram um aumento de 41% nas impressões de Visão Geral de IA em 30 dias na coorte rastreada — sem alterar lances ou orçamentos. O atributo que surpreende a maioria dos clientes é certification: produtos com certificações verificadas (FSC, OEKO-TEX, CE, Energy Star) apareceram em carrosséis de IA a uma taxa 2,3× maior do que produtos idênticos não certificados na mesma categoria.

O atributo title ainda importa, mas o padrão vencedor mudou. O Shopping clássico recompensava títulos densos em palavras-chave ("Sapatos para Correr Azuis Masculinos Tamanho 10 Nike"). O AI Mode recompensa títulos adjacentes a especificações, semelhantes a frases que respondem a uma pergunta: "Nike Pegasus 41 — Sapato de Corrida Masculino Leve, Malha Respirável, Tamanhos 7–15." Com 68 caracteres, isso passa pelo truncamento padrão e dá ao LLM contexto suficiente para correspondê-lo a "melhor sapato respirável para correr no verão" sem depender de sinais de lance. Para uma análise mais profunda dos padrões de estrutura de título, consulte nosso guia de otimização de título de produto.

Padrões de Descrição que são Extraídos para Resumos de Compras de IA

O campo de descrição é a maior alavanca não explorada na maioria dos feeds que auditamos. Nas mais de 60 lojas revisadas, 73% tinha descrições com menos de 200 caracteres — essencialmente reformulações de título. Isso funciona bem para Shopping clássico (onde a descrição raramente é exibida). No AI Mode, a descrição é a fonte primária que o LLM usa para entender o que o produto faz, para quem é e por que é melhor do que as alternativas.

Descrições que consistentemente são extraídas em resumos de IA compartilham três padrões estruturais:

1. Comece com o caso de uso principal na primeira frase. O modelo de recuperação de LLM lê sua descrição como um sistema de recuperação de passagem — ele pontua as primeiras 1–2 frases em relação à intenção da consulta. "Projetado para ciclistas do dia a dia que pedalam em qualquer clima, esta jaqueta combina uma concha impermeável de 3 camadas com 12 painéis refletivos visíveis a 200m" vencerá "Nossa melhor jaqueta de ciclismo, disponível em quatro cores" todas as vezes.

2. Inclua pelo menos 3 pares explícitos de recurso-benefício. Os resumos de IA são comparativos por design — usuários perguntam "melhor X para Y" e o LLM constrói uma resposta semelhante a uma tabela. Produtos com descrições que seguem um padrão de "recurso → o que significa para você" dão ao modelo o material bruto para colocar seu produto no resumo. "Isolamento de penas com potência de enchimento de 600 mantém a temperatura central estável até −15°C — sem necessidade de camadas abaixo de zero" é um par de recurso-benefício. "Quente e confortável" não é.

3. Corresponda ao registro de consulta em linguagem natural. De acordo com a documentação da API de Conteúdo de Shopping do Google, as descrições agora são indexadas semanticamente, não apenas com correspondência de palavras-chave. Escreva como um vendedor conhecedor explicaria o produto — frases completas, especificidades, casos de uso reais.

Apontando para 500–1000 caracteres. Abaixo de 500 e o modelo não tem sinal suficiente. Acima de 1500 e você corre o risco de diluir as reivindicações principais — o modelo de recuperação pontua a densidade de relevância, não o comprimento bruto.

Dados de Produto Estruturados: Por que product_highlight, product_detail e certification Agora Importam

Esses três atributos eram notas de rodapé opcionais na especificação de feed do Google por anos. Em 2025 o Google silenciosamente elevou todos os três em sua ponderação de dados estruturados para resultados gerados por IA, e no início de 2026 eles se tornaram sinais de classificação de primeira classe em carrosséis de Visão Geral de IA — confirmado pela cobertura da SE Roundtable das mudanças de changelog de feed de Shopping do Google.

product_highlight aceita até 10 strings de bullets curtos (35–150 caracteres cada). A camada de recuperação de LLM trata esses como reivindicações de recursos pré-extraídas — eles aparecem quase verbatim em resumos de compras de IA, frequentemente exibidos como listas de bullets sob o cartão do produto. Lojas que preenchem 5–8 destaques bem escritos veem melhoria consistente na taxa "apresentado em resumo de IA". Escreva cada destaque como uma reivindicação independente: "Certificado à prova de água IPX7 — totalmente submersível até 1m por 30 minutos." Não apenas "à prova de água."

product_detail usa pares de nome/valor estruturados (nome de seção, nome de atributo, valor de atributo). Isso é o que potencializa tabelas de comparação no AI Mode. Quando um usuário pergunta "qual desses tem a bateria de maior duração?" o LLM extrai dados de bateria de product_detail, não da descrição. Se seu feed não tem especificações estruturadas, você é invisível em consultas de intenção de comparação — que representam 28% das sessões de compras de AI Mode de meio de funil em nossos dados rastreados.

certification é o atributo secreto. Produtos em categorias de saúde, outdoor, eletrônicos e infantis que carregam certificações reconhecidas (CE, FCC, CPSC, FSC, OEKO-TEX, Energy Star) mas não expõem isso no campo certification estão deixando espaço real de sinal de confiança sobre a mesa. Os dados de certificação roteiam diretamente para a camada de credibilidade do resumo de IA — o modelo usa isso para responder sinais de intenção "é isso seguro/sustentável/confiável?"

Testando Visibilidade de Compras de IA: Framework de Antes/Depois de 30 Dias

Medir a visibilidade do AI Mode requer um instrumento diferente do relatório padrão de Shopping. A métrica Impression Share do Google Ads não separa placements de Visão Geral de IA de placements padrão de Shopping. Aqui está o framework de 30 dias que rodamos com todas as contas de cliente.

Semana 1 — Captura de linha de base. Exporte o relatório de Termos de Pesquisa do Google Ads, filtrado apenas para campanhas de Shopping. Sinalize consultas contendo "melhor", "para [caso de uso]", "vs", "review", "sob $X" — estas são as consultas de probabilidade mais alta de desencadear Visão Geral de IA. Observe o volume de impressões e a participação de cliques para cada. Separadamente, execute pesquisas incógnito manuais para suas 20 principais consultas de produtos e tire screenshots se seus produtos aparecem em carrosséis de Visão Geral de IA ou unidades padrão de Shopping.

Semana 2 — Implementação de atributo. Coloque o feed enriquecido com product_highlight, product_detail e certification preenchidos. Use a ferramenta de diagnóstico de feed do Merchant Center para confirmar que os atributos são aceitos sem erros. O Google normalmente re-rastreia dados de produtos dentro de 3–5 dias úteis para contas ativas.

Semana 3–4 — Monitoramento de sinal. Re-execute as mesmas pesquisas manuais. Rastreie as impressões de listagens gratuitas do Google Merchant Center (encontradas em Performance → Free Listings) — este é seu proxy mais limpo para surfacing de produto de Visão Geral de IA, uma vez que listagens gratuitas e carrosséis do AI Mode são extraídos da mesma camada de dados de produto. Um aumento de 15–40% nas impressões de listagens gratuitas após enriquecimento de atributo é um sinal confiável de elegibilidade aprimorada do AI Mode.

Rastreamos este framework em 8 contas em Q1 2026. A melhoria mediana nas impressões de listagens gratuitas após enriquecimento de product_highlight e product_detail foi de 37%. Três contas viram melhorias acima de 55%, todas em categorias com alto volume de consultas de comparação (engrenagem ao ar livre, acessórios eletrônicos, fitness doméstico). Para mais informações sobre rastreamento de mudanças de desempenho de feed, consulte nossa publicação sobre diagnósticos do Merchant Center e relatórios.

Checklist de Higiene de Feed para Shopping Clássico E AI Mode em Uma Passada

Executar duas trilhas de otimização de feed separadas — uma para Shopping clássico, outra para AI Mode — é overhead desnecessário. Os atributos que o AI Mode pondera pesadamente não entram em conflito com requisitos de Shopping clássico; eles são aditivos. Um feed otimizado cobre ambos.

Obrigatório para ambos:

• title: 70–150 caracteres, estrutura com especificações primeiro, palavra-chave primária nos primeiros 50 caracteres
• description: 500–1000 caracteres, 3+ pares de recurso-benefício, frase de lead de caso de uso
• gtin / mpn: preenchido para todos os produtos marcados (GTIN ausente bloqueia recuperação de IA para consultas marcadas)
• product_type: caminho de categoria completo (não apenas nível superior), mínimo 3 níveis
• image_link: imagem hero com fundo branco; adicione additional_image_link para fotos de estilo de vida

Aditivo para visibilidade do AI Mode:

• product_highlight: 5–8 bullets, reivindicações baseadas em especificações falsificáveis, 35–150 caracteres cada
• product_detail: pares de especificação estruturados para todos os atributos mensuráveis (dimensões, materiais, certificações, compatibilidade)
• certification: mapeado de página de produto ou embalagem; use códigos de certificação aceitos pelo Google
• lifestyle_image_link: pelo menos uma imagem em contexto por produto

Sinais de alerta de higiene que suprimem recuperação de IA:

• Descrição com menos de 200 caracteres (73% das lojas auditadas acertam isso)
• product_highlight ausente ou preenchido com bobagem de marketing
• Níveis de product_type ausentes abaixo do nível 1
• GTIN ausente em SKUs marcados (a política do Google explicitamente sinaliza isso como um gatilho de desaprovação)

Executar uma auditoria de feed antes de fazer mudanças em massa economiza 3–5 horas de ida e volta com diagnósticos do Merchant Center. A auditoria de feed gratuita no MagicFeed Pro identifica todas as lacunas acima em um relatório, priorizado pelo impacto na receita.