Schema e dados estruturados na web: fundamentação, genealogia e economia institucional de um padrão de coordenação informacional

1. Introdução

A premissa segundo a qual a web é um repositório legível por humanos foi modificada de forma silenciosa e progressiva ao longo das duas últimas décadas. A camada de marcação que descreve o significado dos elementos contidos em uma página — não apenas seu posicionamento visual ou sua tipografia, mas sua natureza ontológica como produto, evento, organização ou pessoa — tornou-se infraestrutura crítica para a circulação de informação na economia digital. Este substrato semântico, frequentemente invisível ao usuário final, constitui o objeto deste artigo. Mais especificamente, examina-se o Schema.org, vocabulário de dados estruturados lançado em 2 de junho de 2011.

A relevância do tópico decorre de três ordens de razões. A primeira é quantitativa: dados do Web Data Commons, projeto que extrai anualmente o conteúdo semântico do Common Crawl, registram mais de 106 bilhões de RDF quads descrevendo 3,1 bilhões de entidades em 12,8 milhões de websites distintos. O Web Almanac do HTTP Archive (2024) reporta que o JSON-LD está presente em 41% das páginas indexadas, contra 34% em 2022, enquanto a documentação oficial do Schema.org indica adoção em mais de 45 milhões de domínios.

A segunda razão é institucional: Schema.org atua como ponto focal de coordenação entre publicadores e mecanismos de busca, função que se desloca progressivamente para a interface entre conteúdo web e modelos de linguagem generativos. A terceira razão é teórica: o objeto permite examinar como uma tecnologia social institucionaliza-se através de um consórcio privado, sem mediação estatal direta, e quais são as consequências distributivas dessa configuração — análise que mobiliza o referencial dos custos de transação na linhagem de Coase e Williamson.

A literatura sobre Schema.org é abundante na vertente prática da otimização para mecanismos de busca, mas relativamente escassa quanto à sua análise como artefato sociotécnico. O presente artigo procura preencher uma lacuna intermediária: produzir revisão sistemática que articule a história técnica, a estrutura conceitual, as escolas de pensamento, as polêmicas documentadas e as perspectivas atuais, sob enquadramento da Economia Institucional aplicada à infraestrutura informacional.

2. Nota metodológica

A construção deste artigo seguiu protocolo de revisão sistemática informado pelas recomendações de Umberto Eco em Como se Faz uma Tese (1977). Eco estabelece quatro critérios para a definição de objeto de pesquisa: o tema deve tratar de objeto reconhecível e definível por terceiros; deve haver fontes acessíveis ao pesquisador; as fontes devem ser manejáveis no horizonte de competência disponível; e o quadro metodológico deve estar ao alcance da experiência do candidato. A aplicação desses critérios ao objeto Schema.org produziu três operações específicas — delimitação do objeto, construção do corpus documental e sistema de fichamento — que orientaram a articulação interpretativa apresentada nas seções seguintes.

3. Fundamentação: a Web Semântica e o framework RDF

3.1 A formulação original de Berners-Lee

A intuição que viria a fundamentar Schema.org antecede em mais de uma década a sua formalização. Tim Berners-Lee, em apresentação na Primeira Conferência Internacional WWW realizada em Genebra em 1994, descreveu a web então existente como "um mundo plano e tedioso, despido de significado" do ponto de vista das máquinas. A formulação articulada da Web Semântica como projeto técnico aparece em 1998, no Semantic Web Road Map, e a sua exposição pública mais influente está no artigo The Semantic Web, publicado pela Scientific American em maio de 2001 por Berners-Lee, Hendler e Lassila. O texto define a Web Semântica como "uma extensão da web atual, na qual a informação recebe significado bem definido, permitindo que computadores e pessoas trabalhem em cooperação".

A proposição teórica articulava três camadas operacionais. A primeira era um modelo formal de descrição de recursos, materializado no Resource Description Framework (RDF), padronizado pelo W3C entre 1997 e 2004. RDF representa informação por triplas no formato sujeito-predicado-objeto, em que cada elemento é identificado por um URI. A segunda camada era uma família de vocabulários compartilhados — RDF Schema, depois OWL — que permitiriam a expressão de hierarquias, restrições e regras de inferência. A terceira camada era uma arquitetura de aplicações capazes de raciocinar sobre os dados conectados, antecipando o que mais tarde se denominaria knowledge graphs.

A formulação original revelou-se ambiciosa e, segundo o próprio Berners-Lee em documento de 2006 sobre Linked Data, "amplamente não realizada". Os obstáculos foram de três ordens: a complexidade técnica da pilha RDF/OWL, que demandava competências especializadas dos publicadores; a ausência de aplicações comerciais que retornassem benefício imediato à marcação semântica; e a falta de coordenação entre os atores privados que controlavam os principais pontos de consumo da informação web — os mecanismos de busca.

3.2 RDF e a sucessão de R. V. Guha

A figura técnica que conecta a Web Semântica original ao Schema.org é Ramanathan V. Guha. Indiano formado em Engenharia Mecânica pelo IIT Madras, com PhD em Ciência da Computação por Stanford, Guha foi um dos co-líderes do projeto Cyc (1987–1994) sob orientação de Doug Lenat, no qual contribuiu para o desenvolvimento da linguagem CycL. Em 1995, na Apple Computer sob a direção de Alan Kay, desenvolveu o Meta Content Framework (MCF), formato que introduziu grafos rotulados direcionados como modelo geral para dados estruturados na web. Em 1997, na Netscape, Guha colaborou com Tim Bray para reescrever o MCF em XML, originando o que se tornaria o padrão RDF do W3C.

Guha também é creditado, ao lado de Eckart Walther, pela criação da primeira versão do RSS em março de 1999, como mecanismo de obtenção de conteúdo para o portal personalizado da Netscape. Em 2000, com Dan Brickley, foi co-editor da especificação RDF Schema do W3C. Após passagens por Epinions, Alpiri e IBM Almaden, Guha ingressou no Google em maio de 2005, onde se tornou Google Fellow. É nesse contexto institucional que se torna possível, em 2011, o consórcio que formaliza Schema.org. O caso de Guha exemplifica o rastreamento das fontes recomendado por Eco: para compreender a estrutura conceitual do Schema.org, é necessário reconstituir a genealogia de seus arquitetos, cujas escolhas técnicas anteriores condicionam decisões posteriores em uma cadeia de path-dependence característica de tecnologias informacionais.

4. Precursores institucionais

4.1 Microformatos e a aposta de Tantek Çelik

Antes do consórcio de 2011, a tentativa mais influente de marcação semântica leve foi o movimento dos microformatos, articulado a partir de 2003 sob liderança de Tantek Çelik, então Chief Technologist da Technorati. Os microformatos partem de um princípio inverso ao da pilha RDF/OWL: em vez de exigir vocabulários formais e identificadores globais, propõem reutilizar atributos de classe HTML existentes para anotar significado em padrões já consolidados. O hCard, proposto em 2004, mapeia uma a uma as propriedades do padrão vCard em classes HTML; o hCalendar replica iCalendar; o XFN expressa relações sociais.

A aposta dos microformatos era pragmática: "projetar para humanos primeiro, máquinas em segundo lugar". Esta orientação produziu adoção significativa em verticais específicos — Yahoo Local para listagens de negócios, Flickr para perfis de usuários, WordPress com suporte nativo. Contudo, os microformatos enfrentaram limitações estruturais: a reutilização do atributo class colidia com sua função primária na cascata CSS; a ausência de identificadores globais impedia a interligação com a nuvem de Linked Open Data; e a fragmentação em múltiplos formatos especializados multiplicava o custo cognitivo de adoção.

4.2 RDFa e a normalização W3C

Em paralelo, o W3C produziu uma alternativa formal para incorporar metadados semânticos em documentos HTML: o RDFa, padronizado em 2008 e revisado em 2012 com a versão RDFa 1.1 Lite. O RDFa preservava a expressividade do modelo RDF — incluindo a capacidade de expressar grafos com ciclos e identificadores globais — em troca de maior verbosidade na marcação. Sua adoção foi sustentada principalmente pelo protocolo Open Graph do Facebook, lançado em 2010, que utilizou subconjunto de RDFa para descrever páginas a partir do botão "like".

4.3 GoodRelations e a infraestrutura para e-commerce

A vertente de e-commerce mereceu tratamento autônomo na figura da ontologia GoodRelations, desenvolvida desde 2007 por Martin Hepp, então professor da Universität der Bundeswehr München. Hepp publicou a especificação inaugural em 2008, formalizando a representação das relações entre comprador, vendedor, produtos e ofertas em RDF/OWL DL. Em 8 de novembro de 2012, após dois anos de trabalho conjunto com os patrocinadores do Schema.org, GoodRelations foi quase integralmente incorporada ao vocabulário, tornando-se o núcleo oficial de e-commerce de Schema.org.

A integração GoodRelations–Schema.org constitui caso paradigmático de absorção institucional. Hepp manteve a ontologia original como referência conceitual, mas consentiu que a maior parte dos dados publicados na web migrasse para o espaço schema.org. Da perspectiva da Economia Institucional, o caso ilustra como organizações periféricas obtêm escala através da inserção em arranjos hegemônicos, ao custo da renúncia parcial de autonomia de governança. A operação prática deste tipo de marcação é um dos pilares de um trabalho consistente de SEO para e-commerce.

5. Lançamento e consolidação do Schema.org

5.1 O anúncio de 2 de junho de 2011

Schema.org foi anunciado simultaneamente por Bing, Google e Yahoo em 2 de junho de 2011. O comunicado da Bing descrevia a iniciativa como "esforço para criar e suportar um conjunto comum de schemas para marcação de dados estruturados em páginas web". O posicionamento estratégico era explícito: oferecer aos webmasters um único vocabulário em vez de múltiplos formatos concorrentes, com a promessa de que o investimento em marcação seria capitalizado em todos os pontos de consumo. Em novembro de 2011, Yandex aderiu ao consórcio, completando a presença dos quatro maiores mecanismos de busca em escala global naquele momento.

A escolha inicial do formato de marcação foi a Microdata, sintaxe definida no rascunho HTML5 que utiliza atributos itemscope, itemtype e itemprop diretamente no markup. Esta escolha foi controversa. Manu Sporny, fundador da Digital Bazaar e arquiteto principal do JSON-LD, publicou no dia seguinte ao lançamento um texto intitulado The False Choice of Schema.org, argumentando que a opção pela Microdata em detrimento da RDFa representava decisão técnica sub-ótima, motivada por considerações estratégicas dos patrocinadores. A controvérsia foi resolvida em 2013, quando o Schema.org passou a aceitar formalmente JSON-LD, e em 2015, quando o Google ampliou seu suporte ao formato.

5.2 Aquisição da Metaweb e o Knowledge Graph

O contexto imediato do lançamento de Schema.org inclui movimento estratégico anterior do Google: a aquisição da Metaweb em julho de 2010, que trouxe consigo a base de dados Freebase. A absorção de Metaweb removeu um competidor potencial e simultaneamente forneceu ao Google a base inicial do que seria, em maio de 2012, o Knowledge Graph — sistema de painéis de conhecimento que populariza, junto ao público, os efeitos visíveis da estruturação semântica.

6. Arquitetura conceitual do vocabulário

6.1 Tipos, propriedades e hierarquia

Schema.org organiza-se como hierarquia de tipos com raiz na classe Thing. Em sua publicação inaugural de 2011 contava com 297 classes e 187 relações; em 2016 havia chegado a 638 classes e 965 relações; em 2024, contagens atualizadas indicam aproximadamente 817 tipos e 1.518 propriedades. As classes principais derivadas de Thing incluem Person, Organization, Place, Event, CreativeWork, Product, Action e Intangible — esta última agregando entidades abstratas como Offer, Rating, Quantity e StructuredValue. As relações são polimórficas: admitem múltiplos domínios e contradomínios, característica que confere ao vocabulário maior flexibilidade de uso, ao custo de menor rigor formal.

A escolha de Thing como raiz e a tolerância a polimorfismo expressam decisão deliberada de afastamento da pureza ontológica do OWL DL. Os arquitetos de Schema.org defendem essa decisão em termos pragmáticos: o vocabulário não precisa sustentar inferência automatizada complexa, e sim oferecer estrutura suficiente para que mecanismos de busca extraiam fatos básicos de páginas heterogêneas em grande escala. Ao permitir, por exemplo, que uma propriedade location aceite tanto uma string quanto uma instância de Place, o vocabulário aumenta sua acessibilidade aos publicadores em troca de inconsistências semânticas que, apenas em certos casos, comprometem a utilidade dos dados extraídos.

Thing (raiz)
├── Person
├── Organization
│   └── LocalBusiness, Corporation, NGO
├── Place
│   └── LocalBusiness, TouristAttraction, City
├── Event
│   └── Festival, Concert, BusinessEvent
├── CreativeWork
│   └── Article, Book, Movie, Recipe, Course
├── Product
│   └── IndividualProduct, ProductModel, Vehicle
├── Action
│   └── BuyAction, ViewAction, ReviewAction
└── Intangible
    └── Offer, Rating, Quantity, MonetaryAmount

6.2 Mecanismos de extensão e governança técnica

Schema.org dispõe de dois mecanismos formais de extensão. O primeiro é a hierarquia de extensões hospedadas no próprio domínio, como auto.schema.org (automotivo) e bib.schema.org (bibliográfico), que mantém padrão de nomeação consistente e supervisão centralizada. O segundo é o uso de propriedades customizadas prefixadas com underscore (por exemplo, _internalId), permitindo que organizações estendam o vocabulário sem coordenação prévia, ao custo de que tais extensões não sejam interpretadas pelos mecanismos de busca. A governança formal opera através do Schema.org Community Group, hospedado no W3C desde abril de 2015, com discussão pública em listas e desenvolvimento técnico em GitHub.

A combinação entre governança formalmente aberta e patrocínio efetivamente concentrado constitui especificidade institucional do Schema.org. Decisões técnicas substantivas — admissão de novos tipos, deprecação de termos, alterações em propriedades existentes — são debatidas publicamente, mas a aceitação final permanece condicionada ao apoio dos patrocinadores, em particular do Google, dado que é nele que se materializa o incentivo prático à conformidade (rich results, painéis de conhecimento, citações em respostas generativas). Yoast (2022) sintetiza a situação ao observar que "hoje é principalmente o Google que gerencia e contribui para Schema, dado que Yahoo, Yandex e outros não fazem parte ativa do cenário".

7. Atores, escolas e tradições intelectuais

7.1 A escola da Web Semântica clássica

A primeira escola identificável é a tradição W3C/RDF, herdeira direta da formulação de Berners-Lee. Seus expoentes incluem o próprio Berners-Lee, James Hendler, Ora Lassila e Dan Brickley. Esta escola privilegia a expressividade formal, a pilha completa RDF/RDFS/OWL/SPARQL, a interligação por URIs globais e o ideal do Linked Open Data. Sua institucionalização ocorre através do W3C, de conferências como ISWC e ESWC, e de iniciativas como DBpedia. A crítica recorrente é seu déficit de adoção comercial: apesar de duas décadas de produção normativa, os artefatos derivados desta tradição permanecem majoritariamente em ambientes acadêmicos.

7.2 A escola pragmática dos microformatos

A segunda escola é a tradição microformats, articulada em torno de Tantek Çelik, Brian Suda, Eric Meyer e Matt Mullenweg. Sua premissa central é a primazia do humano sobre a máquina e a reutilização de padrões já interoperáveis (vCard, iCalendar). Esta escola desconfia das ontologias formais e da pilha RDF, considerando-as "projetadas por comitês". Seu legado direto inclui Open Graph (Facebook) e a evolução posterior em microformats2, bem como influência sobre o movimento IndieWeb.

7.3 A escola industrial Schema.org

A terceira escola, hegemônica desde 2011, é a corrente Schema.org propriamente dita, representada por R. V. Guha, Dan Brickley, Steve Macbeth (Microsoft) e os engenheiros do Yandex. Sua orientação combina elementos das duas anteriores: preserva a infraestrutura conceitual derivada de RDF, mas adota pragmatismo radical na ausência de imposição de inferência formal e na flexibilidade tipológica. Seu motor de adoção não é teórico, e sim econômico: a possibilidade de exibição em rich results funciona como incentivo material à conformidade.

7.4 A escola JSON-LD e a herança Linked Data

A quarta escola, parcialmente sobreposta às anteriores, organiza-se em torno do JSON-LD e tem em Manu Sporny seu expoente principal. Sporny fundou a Digital Bazaar em 2002 e foi editor da especificação JSON-LD, recomendada pelo W3C em 16 de janeiro de 2014. A escola JSON-LD opera tradução pragmática do modelo RDF para sintaxe familiar a desenvolvedores web, permitindo que dados estruturados sejam embarcados em scripts isolados (<script type="application/ld+json">) sem alterar a estrutura HTML.

7.5 A vertente acadêmica europeia: Hepp, Bizer e Paulheim

Por fim, registra-se uma vertente acadêmica europeia centrada em Universität Mannheim (Christian Bizer, Heiko Paulheim) e na Universität der Bundeswehr München (Martin Hepp). Esta tradição produz o instrumental empírico que torna possível medir adoção e qualidade dos dados estruturados publicados — Web Data Commons, GoodRelations, Product Types Ontology — e desempenha papel crítico-construtivo, identificando inconsistências, perfis de uso e oportunidades de extensão.

8. Sintaxes e a inflexão do JSON-LD

8.1 Microdata, RDFa e JSON-LD: três sintaxes para um mesmo vocabulário

Schema.org é, em rigor, um vocabulário independente da sintaxe utilizada para sua serialização. Três sintaxes principais coexistem. A Microdata, originária do rascunho HTML5, embute as anotações em atributos de elementos HTML (itemscope, itemtype, itemprop), com vantagem de proximidade ao conteúdo visível e desvantagem de poluir o markup. A RDFa, padronizada pelo W3C, oferece expressividade comparável a RDF puro, ao custo de verbosidade ainda maior. O JSON-LD, formalmente recomendado pelo W3C em janeiro de 2014, separa a marcação semântica do markup HTML, embarcando-a em script isolado.

Quadro 1 — Comparação entre as três sintaxes

8.2 A virada do Google e a hegemonia do JSON-LD

A adoção do JSON-LD pelo Schema.org como formato suportado em junho de 2013 e, sobretudo, sua promoção pelo Google como sintaxe preferencial em 2015, alteraram decisivamente o equilíbrio entre as três opções. O motivo prático foi a dificuldade de manter sincronizadas marcações inline (Microdata, RDFa) e bases de dados internas em sites complexos. O JSON-LD permite gerar a marcação a partir do banco de dados em tempo de renderização, sem que a estrutura semântica esteja acoplada à hierarquia DOM da página — característica fundamental para implementações de Schema em projetos de desenvolvimento web com arquiteturas modernas.

9. Polêmicas, vieses e limites documentados

9.1 A questão da centralização

A polêmica mais bem documentada diz respeito à concentração efetiva de seu controle no Google. O texto de referência é a análise de Storyneedle (2020), que articula três argumentos. O primeiro é histórico: Google constituiu, com a aquisição da Metaweb (2010), o lançamento do Schema.org (2011) e a operação do Knowledge Graph (2012), arquitetura integrada na qual o vocabulário público alimenta uma infraestrutura privada. O segundo é estrutural: o vocabulário Schema.org é orientado predominantemente para entidades comerciais — produtos, ofertas, organizações, eventos, locais — e oferece cobertura limitada para entidades não-comerciais. O terceiro é funcional: para que o consumidor final colha valor da estruturação semântica, ele precisa, na prática, utilizar produtos do Google, configurando paradoxo entre a abertura formal do vocabulário e a captura do excedente.

A crítica não implica que o Schema.org seja artefato de má-fé, mas que sua arquitetura institucional produz externalidades distributivas que merecem exame. Da perspectiva da Economia Institucional, o caso aproxima-se do que North (1990) denomina arranjos institucionais de equilíbrio sub-ótimo: configurações estáveis nas quais o ganho agregado de coordenação é apropriado de forma desigual pelos atores envolvidos. A ausência de mediação estatal direta no caso do Schema.org distingue-a de padrões análogos em outros setores, como ISO ou IEEE.

9.2 Vieses tipológicos e sub-cobertura

Análises empíricas sobre a qualidade e a distribuição da marcação Schema.org documentam vieses sistemáticos. Paulheim (2015), em análise do corpus Web Data Commons, identifica que classes comerciais (Product, Offer, LocalBusiness) recebem cobertura proporcionalmente maior do que classes culturais ou educacionais. Análise específica do domínio turístico revela que muitas anotações Hotel não incluem informações de endereço, e que reservas e ofertas concentram-se em poucos agregadores de grande escala, reduzindo a utilidade real do vocabulário para o ecossistema descentralizado de operadores menores.

Outro viés documentado refere-se à inflação semântica em pacotes ou plugins automatizados. Casos reportados na literatura aplicada mostram que pacotes de SEO inserem marcação Schema.org para dezenas de tipos não pertinentes ao conteúdo da página, na expectativa de "convencer o Google" de que a página é relevante para múltiplos tópicos. Este uso adversarial — que aproxima Schema.org da história do keyword stuffing — produz degradação informacional e tende a estimular respostas algorítmicas dos mecanismos de busca, reduzindo o peso da marcação como sinal de qualidade.

9.3 A controvérsia originária Microdata vs. RDFa

A polêmica fundadora merece registro pela sua densidade institucional. Manu Sporny argumentou em 2011 que a escolha por Microdata reproduzia padrão de exclusão observado em iniciativas anteriores: os patrocinadores do Schema.org adotaram sintaxe que deixava as comunidades de Linked Data e Web Semântica em posição subalterna. A controvérsia foi parcialmente resolvida pela aceitação posterior de RDFa e, principalmente, JSON-LD, mas o episódio revelou tensão constitutiva: vocabulários compartilhados podem ser tecnicamente neutros, mas as decisões sobre formatos de serialização são politicamente carregadas, na medida em que afetam quais comunidades de prática são incluídas ou excluídas dos benefícios da padronização.

10. Adoção e evidências empíricas

10.1 Métricas globais de adoção

As principais fontes empíricas sobre adoção de Schema.org são três: o Web Data Commons, projeto da Universidade de Mannheim coordenado por Christian Bizer, que extrai anualmente estruturas semânticas do Common Crawl; o HTTP Archive Web Almanac, que reporta presença de JSON-LD em 41% das páginas em 2024 (contra 34% em 2022), Microdata em 26% e RDFa em 62%; e a documentação oficial do Schema.org, que reporta mais de 45 milhões de domínios e 450 bilhões de objetos schema.org em 2024.

Quadro 2 — Evolução da adoção do Schema.org

10.2 Casos documentados em SEO

A literatura aplicada sobre o impacto do Schema.org em métricas de SEO é abundante e exige cautela. Estudos controlados pela SearchPilot (2024) demonstraram que adicionar marcação FAQ em páginas de e-commerce produziu uplift de 9% em tráfego orgânico, enquanto adicionar dateModified estruturado em landing pages locais produziu resultado inconclusivo. Estudos agregados sintetizados pela SearchEngineJournal (2020) reportam ganhos médios de CTR entre 20% e 40% em páginas com rich results, embora variando substancialmente por vertical e por concorrência.

É importante observar a posição oficial do Google: porta-vozes da empresa têm reiterado que Schema.org não é fator de ranqueamento direto. Os ganhos atribuíveis ao Schema.org operam, portanto, por canal indireto — maior CTR derivado de rich results, maior elegibilidade para featured snippets e painéis de conhecimento, e potencial sinalização de qualidade para algoritmos de classificação. Esta arquitetura indireta produz dificuldade metodológica nos estudos de impacto: separar o efeito do Schema.org propriamente dito de melhorias correlatas no conteúdo, na velocidade da página ou na arquitetura de informação requer experimentos controlados que são possíveis apenas em ambientes empresariais com recursos analíticos suficientes — operação característica de Performance Marketing e Analytics & BI maduros.