Google Business Profile como sinal de citação em LLMs: o GEO local que ninguém vê

Abertura: a joalheria em Goiânia que ninguém citava

Em fevereiro de 2026, a Brasil GEO submeteu o prompt "qual a melhor joalheria em Goiânia" a quatro modelos generativos, cinco execuções por modelo, vinte respostas no total. A Herreira apareceu em treze. Uma concorrente do mesmo bairro, com loja física a quatro quarteirões de distância, faturamento anual estimado em quarenta por cento maior e investimento de mídia paga em Meta superior a trinta mil reais por mês, apareceu em zero. O diagnóstico técnico inicial culpou schema. Estava errado. As duas marcas tinham `Organization` correto, `Product` em SKUs e site equivalente em densidade de conteúdo. A diferença vivia em outro lugar.

A Herreira tinha Google Business Profile completo: categoria primária `Jewelry store` (não `Jewelry designer`, escolha que a maioria erra), atributos preenchidos para acessibilidade e formas de pagamento, posts publicados nas três últimas semanas, sessenta e dois reviews ativos com média 4,8 e fotos profissionais carregadas mensalmente. A concorrente tinha cadastro mínimo, sem categoria primária bem definida, sem posts em onze meses, com vinte e oito reviews antigos e cinco fotos do mesmo ângulo da fachada. Para Google Maps, a diferença era marginal. Para o Knowledge Graph que alimenta Bard, Gemini e o crawler que Perplexity consulta, a diferença era abissal.

Esta aula é sobre por que Google Business Profile, antigo Google My Business, deixou de ser ferramenta de SEO local em 2024-2026 e virou peça crítica de Generative Engine Optimization. A maioria das marcas trata o GBP como cadastro burocrático. Acontece que ele alimenta o substrato semântico que LLMs consultam quando a pergunta é geográfica.

Tese contraintuitiva

Google Business Profile é GEO, não SEO local. O Google publica os dados do GBP como triplas RDF no Knowledge Graph; LLMs com integração Google (Bard, Gemini) consomem essas triplas literalmente; crawlers de Perplexity e ChatGPT scrappam a página pública do perfil e extraem categoria, reviews e horários como passagens citáveis. Marca que mantém GBP enquanto cadastro mínimo perde citação local antes mesmo de descobrir que o jogo mudou.

Objetivos de aprendizagem

Ao final desta aula, o leitor será capaz de:

• Distinguir os sete campos do GBP que pesam em LLM citation dos campos que servem apenas para Maps clássico.
• Avaliar se a categoria primária atual da marca está correta no padrão Google MyBusiness API 2026.
• Configurar atributos especiais relevantes para joalheria (estacionamento, acessibilidade, métodos de pagamento, agendamento).
• Construir rotina mensal de posts e fotos que move sinal para o Knowledge Graph.
• Decidir quando otimizar GBP versus quando investir em schema próprio do site.

Fundamentação

O fluxo invisível: GBP → Knowledge Graph → LLM

A maior parte do mercado de SEO local trata o GBP como destino: a marca aparece no Map Pack, recebe ligação, fim. O fluxo real em 2026 é mais longo. O Google ingere os dados do GBP em sua base de conhecimento estruturada — o Knowledge Graph — convertendo cada campo em uma tripla sujeito-predicado-objeto. A loja "Herreira Semijoias" vira sujeito; "categoria" vira predicado; "Jewelry store" vira objeto. Reviews viram triplas de avaliação; horários viram triplas de disponibilidade temporal; fotos viram triplas multimodais com legenda extraída por OCR e por classificação de imagem.

O Knowledge Graph é o mesmo substrato que alimenta Bard e Gemini quando o usuário pergunta sobre lugares. Quando a cliente digita "joalheria em Goiânia que aceita Pix" no Gemini, o modelo não vasculha a web do zero — consulta o subgrafo geográfico do KG filtrado por cidade e atributo de pagamento. Marca sem o atributo `Pix` ativado no GBP não é candidata. Não importa quão bonito é o site.

Para Perplexity e ChatGPT, o caminho é indireto. O crawler do Perplexity lê a página pública `https://www.google.com/maps/place/...` e extrai HTML estruturado. O scraping captura categoria, reviews, horário e atributos como blocos textuais. ChatGPT, via Bing connector ou via SearchGPT, faz movimento parecido. A página do GBP funciona como uma ficha enciclopédica resumida que entra em contexto RAG quando o prompt tem componente local.

Os sete campos críticos para LLM citation

A literatura interna da Google sobre `My Business API` lista quase quarenta campos editáveis. Em 2026, sete deles concentram peso desproporcional na citação por LLM.

O primeiro é o nome canônico. O Google penaliza alterações frequentes e descobre adição de palavras-chave artificiais ("Herreira Semijoias Goiânia Centro Aliança 18k") via heurística de matching contra o nome legal registrado. Nome canônico estável é nome canônico citável.

O segundo é a categoria primária. Joalheria deveria ser `Jewelry store` (varejo) ou `Jewelry designer` (autoral, com produção própria) — a escolha muda a forma como o KG indexa a entidade. Categoria errada empurra a marca para subgrafo errado: marca artesanal classificada como `Jewelry store` é invisível em prompts sobre design autoral.

O terceiro é o conjunto de atributos. Para joalheria, importam: aceita cartão, aceita Pix, oferece agendamento, tem estacionamento, é acessível para cadeira de rodas, atende em LIBRAS, oferece personalização. Cada atributo ativo é uma tripla que entra no KG e pode virar filtro do prompt.

O quarto são posts semanais. Posts publicados nas últimas quatro semanas pesam mais que posts antigos no scoring de "frescor" do GBP. Marca que posta mensalmente perde para concorrente que posta semanalmente, mesmo com conteúdo de qualidade equivalente.

O quinto são reviews. Volume importa, mas o crawler de LLM extrai com mais frequência reviews recentes (últimos seis meses) com texto longo (acima de quarenta palavras) e com resposta da marca. Review com cinco estrelas e duas palavras vale menos que review de quatro estrelas com história contextualizada.

O sexto são fotos. Fotos profissionais carregadas pela marca, em volume crescente mês a mês, com legenda descritiva, são extraídas por OCR e por classificação de imagem para enriquecer a entidade. Fotos da fachada datadas de 2019 dizem ao crawler que a presença é estagnada.

O sétimo é horário. Horário acurado, atualizado em feriados, com horário especial para Black Friday e dia das mães, é sinal de operação ativa. Marca com horário desatualizado tem flag interno de "possível fechado" e pode ser silenciosamente excluída de respostas regionais.

Mecanismo: por que o GBP carrega peso desproporcional em queries locais

Modelos generativos enfrentam um problema técnico em queries locais que não enfrentam em queries genéricas. Para responder "qual a melhor semijoia brasileira", o modelo combina fine-tuning data com web search e produz lista a partir de fontes editoriais. Para responder "joalheria em Goiânia que aceita Pix", o modelo precisa de dados estruturados verificáveis sobre entidades físicas filtráveis por atributos. Texto livre não basta. O modelo precisa de algo equivalente a uma base de dados.

O Knowledge Graph do Google é a maior base estruturada de entidades físicas do mundo ocidental, e o GBP é a porta canônica de entrada. A maioria das marcas trata o GBP como cadastro de telefone e horário; o que entra de fato é uma ficha estruturada que vira insumo para qualquer modelo com integração Google — e, indiretamente, para qualquer modelo que scrappe páginas públicas de Maps. Esta é a razão técnica pela qual marca pequena com GBP impecável vence marca grande com GBP medíocre em queries locais: a infraestrutura do query path favorece dado estruturado, não tamanho de site.

Tabela: quatro abordagens para presença local em joalheria 2026

Os preços refletem o mercado brasileiro entre fevereiro e maio de 2026. A diferença entre a primeira e a quarta linha não é linear: cada degrau abre acesso a um conjunto novo de queries em LLM que a linha anterior não capturava.

Tabela: campos do GBP por peso em LLM citation, em joalheria

A leitura é prática. Marca que precisa subir em prompts categoria+cidade ("melhor semijoia em Goiânia") prioriza categoria primária e atributos. Marca que precisa subir em prompts regionais simples ("joalheria em Setor Bueno") prioriza nome canônico, horário e reviews. Confundir os dois caminhos desperdiça orçamento.

Estudo de caso: Brasil GEO testando 25 prompts em Goiânia versus cidade vizinha

Em março de 2026 a Brasil GEO desenhou um experimento controlado. Tomou os vinte e cinco prompts canônicos de joalheria já em operação no dashboard, com cinco categorias (marca, cidade, atacado, categoria, comparação), e rodou duas variantes geográficas: cinco prompts ancorados em "Goiânia" e cinco prompts ancorados em "Anápolis", cidade vizinha a quarenta e cinco quilômetros, com mercado de joalheria menor mas relevante. Cada prompt rodou cinco vezes em cada um dos quatro modelos. Cinquenta execuções por cidade, duzentas no total.

Em Goiânia, três marcas dominaram as respostas: a Herreira (com mention rate de cinquenta e dois por cento em ChatGPT 4o e Perplexity Sonar Pro combinados), uma marca tradicional sexagenária da capital com Wikipedia em português, e uma marca artesanal de oito anos com cobertura editorial regular no Jornal Opção. Em Anápolis, nenhuma marca local apareceu em mais de oito por cento das respostas. As três principais joalherias da cidade tinham GBP cadastrado mas com categoria genérica `Jewelry`, sem atributos preenchidos, com fotos de 2021 e zero posts em doze meses. As respostas em ChatGPT 4o e Perplexity recomendavam, em média, três marcas de Goiânia para a cliente que perguntava por loja em Anápolis. O mercado vizinho, geograficamente menor, perdia tráfego para o mercado vizinho geograficamente maior — não por concorrência de produto, e sim por vácuo estrutural de sinal.

A simulação de correção foi feita em três marcas anapolinas que aceitaram diagnóstico. A Brasil GEO redefiniu a categoria primária de duas delas (de `Jewelry` para `Jewelry store`), preencheu doze atributos, criou rotina semanal de posts gerados pela própria equipe da loja com instruções editoriais simples, e treinou a respondedora de reviews para devolver textos contextualizados em até quarenta e oito horas. Sessenta dias depois, mention rate em Perplexity para prompts ancorados em "Anápolis" subiu de seis para vinte e dois por cento. O custo direto da intervenção, considerando duas horas semanais de equipe interna mais consultoria pontual, ficou em torno de mil e setecentos reais por marca por mês. O retorno em receita, ainda em medição, já cobre o investimento em quarenta e cinco dias para a marca com maior volume.

Mini-caso secundário: a clínica de estética que disputava com joalherias por queries de presente

Uma clínica de estética em Brasília descobriu, ao auditar mention rate em ChatGPT, que aparecia em respostas para o prompt "presente para mulher que se cuida em Brasília" mais frequentemente do que duas joalherias que vendiam ativamente para o mesmo público em Black Friday e dia das mães. A diferença não era de produto. Era de GBP: a clínica tinha posts semanais sobre tratamentos com fotos antes-e-depois, atributos preenchidos para "agendamento online" e "estacionamento gratuito", e quinhentos reviews recentes com resposta personalizada da equipe. As joalherias tinham GBP estagnado. O Knowledge Graph entendia a clínica como destino ativo para o intent "presente"; entendia as joalherias como cadastros estáticos. O ponto operacional para joalheria: o concorrente em GEO regional não é só a outra joalheria. É qualquer marca local que mantém sinal estruturado vivo no GBP enquanto disputa o mesmo intent.

Pegadinhas comuns

A primeira pegadinha é escolher categoria primária por estética. `Jewelry designer` parece mais sofisticado que `Jewelry store`, mas a primeira é restrita a marcas com produção própria documentável. Marca que escolhe a categoria errada por marketing aparece em subgrafo de design autoral e some em queries de varejo.

A segunda é tratar atributos como decoração. Cada atributo ativo é tripla no KG e filtro de query. Marca sem atributo `Pix` cadastrado é silenciosamente excluída quando a cliente filtra por método de pagamento.

A terceira é deixar reviews antigos sem resposta. O crawler de LLM ranqueia mais a interação reviews-resposta do que a média estrelas. Quatro estrelas com diálogo pesa mais que cinco estrelas mudo.

A quarta é confundir post de GBP com post de Instagram. GBP aceita post curto, com chamada e horário, e o Google indexa o texto literalmente. Copiar legenda do Instagram com hashtags e emoji destrói a citação potencial.

A quinta é não atualizar horário em feriado. Horário desatualizado em maio (dia das mães) ou em novembro (Black Friday) gera flag de inatividade silenciosa que pode bloquear a marca em prompts "está aberto agora".

Exercícios

Exercício 1 — Auditoria do GBP atual. Cenário: a marca tem perfil ativo no Google Business Profile e precisa diagnosticar gaps antes de qualquer ação editorial. Tarefa: abra o painel `business.google.com` e percorra os sete campos críticos descritos nesta aula. Para cada campo, registre: estado atual, frequência de atualização nos últimos seis meses, e se a configuração reflete o modelo de negócio real da marca. Compare a categoria primária da marca com a categoria das três principais concorrentes locais — divergência exige decisão estratégica. Critério: a auditoria está completa quando há tabela com sete linhas e quatro colunas (campo, estado atual, gap identificado, ação trimestral). Cada gap vira ticket priorizado para o próximo ciclo. Tempo estimado: noventa a cento e vinte minutos. Output esperado: tabela auditada e backlog priorizado de quatro a oito tickets de GBP.

Exercício 2 — Teste comparativo regional em LLMs. Cenário: a marca quer medir se o GBP atual gera citação em modelos generativos para queries locais. Tarefa: defina cinco prompts geográficos da cidade onde a marca opera (modelo: "joalheria em [cidade]", "loja de aliança em [bairro]", "semijoia que aceita Pix em [cidade]", "joalheria aberta hoje em [cidade]", "loja com agendamento em [cidade]"). Submeta cada prompt em ChatGPT 4o (web ativado), Perplexity Sonar Pro e Gemini. Cinco execuções por prompt por modelo. Total: setenta e cinco respostas. Anote em planilha quem aparece e em que posição na resposta. Critério: a planilha está completa quando há cálculo de mention rate por modelo e por prompt, e diagnóstico claro do gap em prompts onde a marca não aparece. Cada gap conecta-se a um ou mais campos do GBP que precisam de ação. Tempo estimado: cento e vinte a cento e oitenta minutos no primeiro mês. Output esperado: dashboard inicial de mention rate regional com baseline por modelo.

Exercício 3 — Plano editorial trimestral de GBP. Cenário: a marca precisa estruturar rotina sustentável que mantenha o GBP vivo sem esgotar a equipe. Tarefa: desenhe calendário trimestral com treze posts (um por semana), distribuição de fotos profissionais por mês (quatro a oito por mês com legenda descritiva) e fluxo de resposta a reviews (meta de quarenta e oito horas por review novo). Atribua responsabilidade nominal e estabeleça métrica de checagem semanal (sim/não para cada item). Inclua janela especial para feriados de joalheria: dia das mães (maio), dia dos namorados (junho), Black Friday (novembro), Natal (dezembro). Critério: o plano está completo quando treze posts têm tema, gancho e imagem definidos, fluxo de fotos tem responsável, e meta de tempo de resposta a reviews está documentada com escalonamento se ultrapassar. Tempo estimado: cento e oitenta a duzentos e quarenta minutos. Output esperado: planilha trimestral assinada por dono(a) operacional, com retrospectiva mensal agendada.

Síntese executiva

Google Business Profile deixou de ser cadastro para virar ativo de Generative Engine Optimization. A loja física ainda vence concorrente maior em prompts locais quando o GBP está vivo: categoria primária correta, sete atributos chave preenchidos, posts semanais, reviews com diálogo, fotos profissionais frescas, horário atualizado em cada feriado. Marca que trata o GBP como burocracia perde território em queries que crescem mais rápido que as buscas clássicas — perguntas locais feitas a Bard, Gemini, ChatGPT e Perplexity. O custo de manter o GBP vivo é menor que uma campanha mensal de Meta Ads. O retorno é estrutural: a marca passa a existir no substrato semântico que LLMs consultam para responder qualquer pergunta com componente geográfico.

Próximo módulo

A próxima aula entra em terreno menos óbvio: por que Reddit virou fonte primária de citação em LLMs após o acordo OpenAI×Reddit de 2024, por que subreddits de joalheria pesam mais que blogs próprios em ChatGPT, e como participar autenticamente sem cair no padrão de auto-promoção que Reddit pune com banimento. A tese contraintuitiva: a plataforma alheia ranqueia acima do site da marca.

---

[^1]: Google Search Central. About Local Search Results and Knowledge Graph. 2025. https://developers.google.com/search/docs/appearance/structured-data/local-business

[^2]: Singhal, Amit. Introducing the Knowledge Graph: things, not strings. Google Official Blog, 2012 (atualizações 2024). https://blog.google/products/search/introducing-knowledge-graph-things-not/

[^3]: Devlin, Jacob et al. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. Stanford NLP Group e Google AI, 2019. https://arxiv.org/abs/1810.04805

[^4]: Lewis, Patrick et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Meta AI Research, 2020. https://arxiv.org/abs/2005.11401

[^5]: Brasil GEO. Mention Rate Dashboard — 25 prompts canônicos, recorte regional Goiânia × Anápolis. Relatório interno, ciclo março-abril 2026.