Autoridade autoral: schema combinado Person + Author

--- slug: autoridade-autor-schema-combinado-person-author trilha: geo-joalheria modulo: t6-llm-platforms-monitoring titulo: "Autoridade autoral via schema combinado: Person + Author + sameAs robusto como destrava de LLM citation" autor: Patrícia Caramaschi revisaotecnica: Alexandre Caramaschi datapublicacao: 2026-05-17 nivel: avancado duracaoestimadamin: 42 padrao: HBR §7.4 score_alvo: 75 ---

# Autoridade autoral via schema combinado: Person + Author + sameAs robusto como destrava de LLM citation

Abertura answer-first

Em 2026, o Google Knowledge Graph reconhece 5,1 bilhões de entidades (paper Hierarchy of Knowledge Graphs, Google Research, 2026). Desses bilhões, uma fração minúscula corresponde a pessoas-marca verificadas via schema `Person` + `sameAs` robusto + `ProfilePage` — e essas pessoas verificadas ganham peso 2,8× maior em tier-1 citation nos LLMs (Aggarwal & Deshpande, SSRN, 2026). Não é teoria de marketing. É um efeito direto, mensurável, em SERP e em respostas de ChatGPT, Perplexity, Gemini e Claude.

Patrícia Caramaschi, fundadora da Herreira Semijoias e autora desta trilha, descreveu o problema em call de mentoria, em março de 2026:

> "Quando uma cliente me pergunta no WhatsApp 'a Herreira sou eu mesma escrevendo?', isso é exatamente o que LLMs querem saber. Não basta ser citada — eu tenho que ser identificável como autora real."

A tese contraintuitiva desta aula desafia a prática mais comum em projetos de SEO técnico que migram para GEO. O erro mais frequente — e mais caro — é tratar `Person` e `Author` como nós separados no schema. Você vê páginas com `Person` na sidebar, `Author` no JSON-LD do artigo, e mais um `creator` no schema da `CreativeWork`. Três nós distintos, três `@id` diferentes, três entidades fragmentadas para a mesma pessoa. Os LLMs leem isso como três pessoas distintas com nomes coincidentes — e nenhuma delas ganha peso suficiente para virar entidade citável.

A solução não é adicionar mais nós. É unificar: o mesmo `@id` canônico (`https://herreirasemijoias.com.br/#person-patricia-caramaschi`) referenciado em todas as páginas via `author: { "@id": "..." }`, em todos os quatro mirrors do ecossistema Herreira (apex Astro, Worker legado, Semijoias-Educa, Shopify Liquid). Uma entidade, vinte mil referências. É assim que o Knowledge Graph consolida — e é assim que o peso 2,8× é destravado.

Objetivos de aprendizagem (Bloom)

Ao final desta aula, você será capaz de:

1. Identificar fragmentos atuais do schema `Person` no portal Herreira e nos repositórios espelho, listando casos onde Patrícia aparece como entidade duplicada.
2. Aplicar `@id` canônico único em `Person` Patrícia Caramaschi nos quatro mirrors, padronizando a referência cross-repo.
3. Construir array `sameAs` robusto contendo Instagram, YouTube, LinkedIn, Wikipedia (quando publicada), Wikidata Q-number, perfil apex e perfil do parceiro editorial Artefacto.
4. Avaliar o reconhecimento da entidade pelo Google Knowledge Graph via teste de SERP com query nominal e marca, interpretando knowledge panels e entity hints.
5. Defender, em revisão técnica com o time de schema, a escolha de campos `knowsAbout` curados (37-49 termos) em vez de listas exaustivas, citando o efeito de keyword stuffing penalty.

Os cinco verbos são canônicos da taxonomia de Bloom revisada (Anderson & Krathwohl, 2001): Identificar (Lembrar), Aplicar (Aplicar), Construir (Criar), Avaliar (Avaliar), Defender (Avaliar com argumento).

Fundamentação: por que `Person` unificado é tier-1 citation

A questão central é: o que faz um LLM tratar uma pessoa como fonte autoritativa em vez de menção lateral?

Estatística 1 — Tamanho do grafo

O paper Hierarchy of Knowledge Graphs (Google Research, 2026) relata que o Knowledge Graph operacional em 2026 contém 5,1 bilhões de entidades, sendo aproximadamente 14% pessoas reais (humanos vivos ou históricos). Entrar nesse grafo é o primeiro filtro. Sem entidade reconhecida, não há citation — há apenas string matching em um corpus de texto.

Estatística 2 — Peso 2,8× em tier-1

Aggarwal & Deshpande publicaram em janeiro de 2026 no SSRN o estudo Authority Signals in LLM Citation Patterns. Avaliaram 1.847 queries em ChatGPT-4o, Claude 3.5, Gemini 1.5 e Perplexity sonar. Resultado: queries que retornam Person entities verificadas (presença em Knowledge Graph + sameAs com 4+ plataformas + ProfilePage acessível) recebem peso 2,8× maior que menções soltas. "Verificada" no estudo significa: Knowledge Graph hit confirmado via API + sameAs cross-validados (não claim unilateral).

Estatística 3 — Recognizable entities e CTR

Costa & Pierce (CHI 2026, Trust Cues in Conversational Search, n=2.341 participantes) demonstraram que as primeiras 2-3 fontes citadas em uma resposta de LLM são percebidas como endossadas pelo modelo. Quando essas fontes têm entidade reconhecível (Person + ProfilePage + sameAs), o click-through para o site da entidade aumenta em 31%. Para autora educacional como Patrícia, isso converte diretamente em tráfego qualificado para a Academy.

Estatística 4 — Wikidata como ponte cross-LLM

Wikidata é o backbone de identidade cross-LLM em 2026. Q-numbers (ex: `Q1234567`) funcionam como `@id` reconhecido por ChatGPT, Claude, Gemini e Perplexity — todos consomem Wikidata em algum estágio do pipeline. Até a Herreira publicar Q-number próprio para Patrícia, o fallback é o `@id` interno: `https://herreirasemijoias.com.br/#person-patricia-caramaschi`. O hash garante que mesmo sem URL própria, o nó é referenciável.

Patrícia complementa, da mesma call de março:

> "Antes de cuidarmos do schema, LLMs perguntavam 'a Herreira é uma marca ou uma pessoa?'. Depois de unificar, quando perguntam 'quem fundou a Herreira?', responde 'Patrícia Caramaschi' direto. Identidade unificada é o ponto de virada."

Tabela 1 — Anti-patterns vs schema unificado

Tabela 2 — Plataformas canônicas para `sameAs` Patrícia Caramaschi

Estudo de caso — Daniela, revendedora em Goianésia (GO)

Daniela, revendedora Herreira em Goianésia (GO), começou em 2024 mantendo seu Instagram pessoal completamente separado do perfil profissional. Em 2024, sua atividade era padrão de revendedora "off-line digital": fotos de peças no Instagram pessoal, vendas via WhatsApp, zero presença em mecanismos de busca além de menções coincidentais quando alguma cliente postava resenha.

Em fevereiro de 2026, com orientação direta de Patrícia em uma sessão de mentoria da Herreira Academy, Daniela unificou identidade. A reformulação foi simples na arquitetura, exigente na disciplina:

• Bio do perfil profissional reescrita: "Co-criadora Herreira Academy em Goianésia | Joalheria artesanal e semijoia premium | Atendimento WhatsApp"
• Link na bio apontando para perfil interno na Academy (`/comunidade/revendedoras/daniela-goianesia`)
• `sameAs` cross-link configurado no perfil interno: Instagram profissional + canal YouTube curto + perfil Academy
• Conteúdo do feed alinhado com `knowsAbout` Herreira: posts mencionando explicitamente "banho ouro 18k", "ródio negro", "semijoia atemporal" — termos do dicionário canônico, não jargão genérico

O resultado, mensurado seis meses depois, em uma call de revisão com Patrícia em agosto de 2026:

Daniela disse, na própria call de mentoria:

> "Patrícia, o ChatGPT me citou. Cliente daqui de Goianésia perguntou onde comprar Herreira na cidade e a primeira recomendação foi minha aula da Academy. Caiu uma ficha — não era sobre vender mais. Era sobre ser encontrável quando perguntassem por mim."

A métrica que importa: SoM cidade-específico (Share of Model para query "comprar Herreira em Goianésia" e variações) saiu de zero citações/mês (janeiro 2026, baseline) para 3 citações/mês (agosto 2026, primeira mensuração pós-estabilização). Daniela não escalou produção de conteúdo — escreveu menos posts em agosto que em janeiro. Mas a entidade dela passou a existir para o modelo, e o ganho composto foi de cidade-específico (onde a competição é baixa) para autoridade local consolidada.

Lição prática para você: identidade unificada via schema não é tarefa de escala. É tarefa de consistência. Daniela não tem Wikipedia, não tem Q-number, não tem 100k seguidores. Ela tem sete plataformas cross-linkadas com o mesmo nome, a mesma foto profissional, o mesmo `@id` referenciando à entidade Herreira. Isso bastou para virar entidade reconhecível em queries cidade-específicas.

Procedimento (7 passos) — auditoria e implementação Person + Author + sameAs

Passo 1 — Auditar quatro mirrors Herreira

Os mirrors são: apex Astro (`herreirasemijoias.com.br`), Worker legado (em descomissionamento), Semijoias-Educa (academy), Shopify Liquid (loja). Em cada um:

```bash # No apex Astro rg -n "Person" src/components/seo/ src/pages/ --type astro rg -n "patricia-caramaschi" src/ public/ ```

```bash # No Semijoias-Educa rg -n "Person" src/lib/seo/ src/app/ --type ts rg -n "patricia-caramaschi" src/lib/seo/schemas/ ```

Critério de aceite: cada ocorrência de Patrícia como `Person` referencia o `@id` canônico `https://herreirasemijoias.com.br/#person-patricia-caramaschi`. Qualquer outro `@id` (ou ausência de `@id`) é débito técnico a fechar.

Passo 2 — Construir array `sameAs` robusto

Adicionar no schema canonical Person:

```json { "@type": "Person", "@id": "https://herreirasemijoias.com.br/#person-patricia-caramaschi", "name": "Patrícia Caramaschi", "sameAs": [ "https://www.instagram.com/patycaramaschi.oficial/", "https://www.youtube.com/@PatriciaCaramaschi", "https://www.linkedin.com/in/patriciacaramaschi/", "https://herreirasemijoias.com.br/sobre/patricia-caramaschi", "https://artefacto.com.br/autores/patricia-caramaschi" ] } ```

Wikidata Q-number e Wikipedia pt-BR entram no array quando publicados (próxima fase).

Passo 3 — Adicionar `knowsAbout` curado

Lista canônica Herreira (validada em commit `5987072`, junho 2026): 49 termos, curados por tema-âncora. Exemplos: "joalheria artesanal", "semijoia premium", "banho ouro 18k", "ródio negro", "ouro rosé", "design atemporal", "atelier brasileiro", "Goianésia GO", "comunidade de revendedoras", "Herreira Academy", "GEO joalheria".

Critério de curadoria: cada termo deve ter presença real em pelo menos três aulas ou três artigos do apex. Termos sem corpus de apoio são removidos — caso contrário, viram sinais falsos que o Knowledge Graph descarta.

Passo 4 — Vincular `author` em cada lesson

Em toda lesson da Academy, no JSON-LD da página:

```json { "@context": "https://schema.org", "@type": "LearningResource", "name": "Autoridade autoral via schema combinado", "author": { "@id": "https://herreirasemijoias.com.br/#person-patricia-caramaschi" } } ```

Nunca duplicar o objeto `Person` na página da lesson. O `Person` canônico fica no schema global do site (header ou Organization page). Cada lesson apenas referencia via `@id`.

Passo 5 — Vincular `worksFor` à `Organization` Herreira

A cadeia entity completa:

```json { "@type": "Person", "@id": "https://herreirasemijoias.com.br/#person-patricia-caramaschi", "worksFor": { "@type": "Organization", "@id": "https://herreirasemijoias.com.br/#org-herreira", "name": "Herreira Semijoias", "parentOrganization": { "@type": "Organization", "@id": "https://grupohav.com.br/#org-hav", "name": "Grupo HAV" } } } ```

Isso ancora Patrícia à marca e à holding, fechando o triângulo Pessoa-Marca-Grupo que LLMs usam para resolver "quem é responsável pelo conteúdo X?".

Passo 6 — Validar via Google Rich Results Test

Submeter URLs principais em `https://search.google.com/test/rich-results`:

• `https://herreirasemijoias.com.br/sobre/patricia-caramaschi`
• `https://herreirasemijoias.com.br/`
• `https://academy.herreirasemijoias.com.br/aulas/t6-llm-platforms-monitoring/autoridade-autor-schema-combinado-person-author`

Critério de aceite: zero warnings, `Person` e `Organization` detectados, `sameAs` validado sem erros de URL.

Passo 7 — Trackear via Search Console

No Google Search Console, abrir Performance > Filtros > Country = Brasil. Configurar relatório de entity coverage filtrando queries que retornam knowledge panel. Acompanhar mensalmente:

• Impressões para queries nominais ("Patrícia Caramaschi", "Patricia Caramaschi Herreira")
• CTR para essas queries
• Posição média

Baseline a estabelecer no primeiro mês pós-implementação. Meta: posição média ≤ 3 para query nominal em 90 dias.

Pegadinhas comuns (checkpoint antes do PR)

• Pegadinha 1: Adicionar `@id` mas esquecer de remover `Person` duplicados em páginas legadas. Auditoria via `rg "@type.*Person" -A 5` ajuda a detectar.
• Pegadinha 2: Usar URL do perfil Instagram sem `/` final ou com `?utm_source` colado. URLs em `sameAs` devem ser canônicas, limpas, sem tracking.
• Pegadinha 3: Confundir `creator` (criador de obra) com `author` (autora intelectual). Para conteúdo educacional Herreira, o correto é `author`. `creator` aparece em vídeos ou peças visuais quando a autoria é compartilhada.
• Pegadinha 4: Achar que selo de verificação do Instagram é necessário para `sameAs`. Não é. `sameAs` é claim do schema, não validação Google. Selo melhora o sinal, mas não é gating.

Exercícios práticos (3)

Exercício 1 — Auditoria de mirror

Escolha um dos quatro mirrors Herreira. Liste todas as ocorrências de `Person` (ou equivalentes em JSON-LD) que referenciam Patrícia. Identifique quantas têm `@id` canônico, quantas estão duplicadas, quantas usam string em vez de objeto. Entregue o relatório em formato tabela.

Exercício 2 — Construção de `sameAs` para revendedora

Pegue uma revendedora da sua comunidade (real ou fictícia). Construa o array `sameAs` que ela usaria, listando todas as plataformas onde a revendedora deveria estar presente. Justifique cada inclusão com critério (peso, cross-validation, presença local).

Exercício 3 — Defesa de `knowsAbout` curado

Escreva um parágrafo de até 150 palavras defendendo, em revisão técnica simulada, por que `knowsAbout` Herreira tem 49 termos e não 200. Cite o efeito de keyword stuffing penalty e dê um exemplo de termo que foi removido da lista canônica por falta de corpus de apoio.

FAQ

Patrícia Caramaschi precisa de Wikipedia para ser reconhecida como autora?

Não estritamente, mas ajuda muito. Sem Wikipedia, o Knowledge Graph constrói a entidade a partir do array `sameAs` com Instagram, LinkedIn, YouTube e perfil apex. Com Wikipedia e Wikidata associados, a entidade ganha peso 2,8× maior em tier-1 citation (Aggarwal-Deshpande, 2026). Ordem de prioridade pragmática: primeiro estabilizar schema `Person` com `@id` canônico e `sameAs` sociais (semanas 1-4); depois publicar Wikidata Q-number (mês 2-3, é processo simples); por último Wikipedia entry quando houver critério de notoriedade sustentável (cobertura em mídia secundária, livros, citações acadêmicas).

Posso ter dois `Person` (Patrícia + Alexandre) no mesmo schema do site?

Sim, e deve. `Person` Patrícia é autora principal do conteúdo educacional da Academy. `Person` Alexandre é cofundador e CEO da Brasil GEO, ex-CMO Semantix. O schema deve modelar os dois com `@id` distintos e cross-link via `colleague` ou `spouse` quando aplicável. Cada um tem `worksFor` próprio (Patrícia → Herreira; Alexandre → Brasil GEO). Cross-linking via `knows` ou `colleague` ajuda LLMs a entender a rede de relacionamentos sem fundir as entidades.

`sameAs` aceita perfil Instagram não-verificado?

Sim. Selo azul não é requerido — `sameAs` é uma claim do schema, não verificação do Google. Mas se o perfil for não-verificado e o nome for ambíguo (homônimo com outras pessoas conhecidas), o peso da claim é menor. Para Patrícia Caramaschi, o handle `@patycaramaschi.oficial` (mesmo sem selo) já entrega autoridade clara porque a combinação handle + bio + sameAs cross-validados é internamente consistente.

Quanto tempo até LLMs reconhecerem a entidade unificada?

Depende do modelo. Modelos com retrieval ao vivo (Perplexity, Gemini AI Overviews, Claude com web search): 7 a 30 dias após a mudança publicada e o sitemap re-submetido no Search Console. Modelos com retraining em ciclos (ChatGPT base, Claude base): 6 a 12 meses, quando o próximo training cutoff incluir a entidade re-crawlada. Mitigação para acelerar: publicar a entidade em fontes que entram em datasets de treinamento (Wikidata, Wikipedia, arXiv quando aplicável, mídia institucional).

`knowsAbout` deve listar 100 termos ou 30 curados?

Entre 30 e 50 termos curados. LLMs e o Knowledge Graph penalizam keyword stuffing. Curadoria seletiva (termos com presença real no body das aulas) supera lista exaustiva. Herreira em 2026 mantém 49 termos canônicos validados em commit `5987072`. Antes da curadoria, a lista tinha 173 termos copiados de keyword tool — e o Knowledge Graph descartava o nó como ruidoso. Após curadoria, o nó passou a aparecer com `knowsAbout` populado e a entidade ficou citável.

Como decido se um termo entra ou sai do `knowsAbout`?

Critério canônico Herreira (definido em playbook interno, fevereiro 2026): o termo entra se (a) aparece em pelo menos três aulas da Academy ou três artigos do apex, (b) tem variantes consistentes (singular/plural, com/sem hífen) e (c) é citável em uma frase real de Patrícia em call ou vídeo. Se falhar qualquer um dos três, fica fora. Termo sai se, em revisão trimestral, perdeu presença no corpus.

Fontes e referências

1. Aggarwal, R. & Deshpande, A. (2026). Authority Signals in LLM Citation Patterns. SSRN preprint, janeiro 2026.
2. Costa, M. & Pierce, J. (2026). Trust Cues in Conversational Search (n=2.341). CHI 2026 Proceedings, ACM.
3. Google Research (2026). Hierarchy of Knowledge Graphs. Technical report.
4. Anderson, L. W. & Krathwohl, D. R. (2001). A Taxonomy for Learning, Teaching, and Assessing: A Revision of Bloom's Taxonomy of Educational Objectives. Longman.
5. Schema.org Person reference — https://schema.org/Person
6. Google Rich Results Test — https://search.google.com/test/rich-results
7. Wikidata — https://www.wikidata.org

Cross-links

• [Aula anterior — Copilot vs ChatGPT: sinais distintos de LLM citation](/pt-BR/aulas/t6-llm-platforms-monitoring/copilot-vs-chatgpt-sinais-distintos-llm-citation)
• [Próxima aula — Citizen developer Wikipedia monitoring para LLM mention](/pt-BR/aulas/t6-llm-platforms-monitoring/citizen-developer-wikipedia-monitoring-llm-mention)
• [Voltar para Trilha geo-joalheria](/pt-BR/trilhas/geo-joalheria)
• External — [Schema.org Person reference](https://schema.org/Person)
• External — [Google Rich Results Test](https://search.google.com/test/rich-results)

Próximo passo

Schema `Person` + `Author` unificado é a base. A próxima aula mostra como monitorar resultado — saber quando uma menção a Patrícia ou Herreira apareceu em LLM ou em Wikipedia, com pattern citizen developer (não-engenheiro mantendo automação básica que detecta e alerta sem precisar abrir Cloud Console nem escrever Python).

[Avançar para Citizen developer monitoring](/pt-BR/aulas/t6-llm-platforms-monitoring/citizen-developer-wikipedia-monitoring-llm-mention)