Se você está tentando entender como os agentes de IA estão lendo e usando sites, é provável que já tenha se deparado com siglas como MCP, A2A, ARD, WebMCP, UCP, OKF e LLMs.txt. A tentação de esperar até que “vire padrão” é grande, mas o problema é outro: muitos desses protocolos já são adotados pelos maiores fabricantes do setor. Este artigo não se baseia em especulação ou projeções futuras; pelo contrário, ele compila o que está oficialmente documentado e em uso hoje por Anthropic, Google, Microsoft, OpenAI e Linux Foundation, para que você tenha informações sólidas sobre o que está de fato disponível.
Cada protocolo listado aqui resolve uma camada diferente do ecossistema. Alguns já são estáveis e estão em produção. Outros ainda estão em fase de rascunho ou teste, mas já têm implementações concretas de fabricante.
O que é GEO e AEO
GEO (Generative Engine Optimization) e AEO (Answer Engine Optimization) são conceitos que vêm ganhando espaço como uma espécie de “SEO para LLMs”: a prática de estruturar conteúdo para que ele seja encontrado, extraído e citado por respostas geradas por IA, como as do ChatGPT, Gemini ou Perplexity. A ideia é que os mesmos princípios de otimização para mecanismos de busca tradicionais se aplicam, mas com foco em como os modelos de linguagem consomem e sintetizam a informação. O Google, no entanto, diz que ambos são apenas SEO, como já publicamos aqui no blog.
O ecossistema de padrões para agentes de IA
Agentes de IA são sistemas que navegam pela web, interpretam conteúdo e executam ações em nome de usuários. Ferramentas como ChatGPT, Claude, Gemini e Perplexity já usam agentes para buscar informações e responder perguntas. Em vez de mostrar uma lista de links, elas sintetizam a resposta.
Esses agentes não leem um site da mesma forma que um humano ou um crawler tradicional. Eles precisam de informação estruturada, contextual e direta. Foi para isso que os padrões abaixo foram criados, cada um para atender um problema específico.
LLMs.txt: o padrão mais simples e imediato
Criado por Jeremy Howard (também criador do fast.ai) em setembro de 2024, o LLMs.txt é uma proposta para padronizar um arquivo na raiz do site (site.com/llms.txt) que fornece informações para LLMs usarem o site em tempo de inferência. O formato é markdown simples, com seções de resumo, links para páginas principais e contexto.
Diferente de um sitemap.xml, que lista todas as páginas para indexação, o llms.txt oferece uma visão curada do que é mais importante para a IA entender. A proposta foi publicada originalmente no blog da Answer.AI (answer.ai), e o repositório oficial no GitHub mantém a especificação aberta para contribuição da comunidade.
O projeto já gerou ferramentas como o llms_txt2ctx (CLI e módulo Python para converter llms.txt em contexto para LLMs), além de plugins para Drupal, VitePress e Docusaurus. A implementação é gratuita e leva minutos: exige apenas criar um arquivo de texto e colocá-lo na raiz do site.
MCP: o protocolo que conecta agentes a ferramentas (estável, em produção)
O Model Context Protocol (MCP) foi criado pela Anthropic em novembro de 2024 e doado para a Linux Foundation em dezembro de 2025, estabelecendo a Agentic AI Foundation (AAIF) como entidade guarda-chuva. A fundação foi lançada com projetos fundadores como MCP, goose (Block) e AGENTS.md (OpenAI), e membros fundadores como AWS, Anthropic, Block, Bloomberg, Cloudflare, Google, Microsoft e OpenAI. Hoje a AAIF conta com cerca de 190 membros.
O MCP é um protocolo cliente-servidor sobre JSON-RPC 2.0. Um host MCP (Claude Desktop, Cursor, VS Code, ChatGPT ou Gemini) contém um cliente que se conecta a servidores MCP e descobre ferramentas em tempo de execução. Cinco grandes clientes de IA já suportam MCP nativamente: Claude Desktop, Cursor, Windsurf, VS Code (Copilot) e Cline.
Os números de adoção impressionam: os SDKs mensais combinados somam aproximadamente 427 milhões de downloads (npm ~156M, PyPI ~271M) em julho de 2026, com mais de 12 mil repositórios públicos de servidores MCP no GitHub, cerca de 23 mil servidores listados em diretórios públicos e 47 organizações enterprise com implantações em produção divulgadas. A especificação estável atual é a versão 2025-11-25, e uma nova release candidate programada para 28 de julho de 2026 traz mudanças significativas, incluindo um núcleo stateless e suporte a extensões como MCP Apps.
WebMCP: ferramentas no navegador (experimental)
O WebMCP é uma proposta de padrão web para que páginas exponham ferramentas estruturadas para agentes diretamente no navegador. Diferente do MCP, que opera no servidor, o WebMCP permite que uma página registre ferramentas via JavaScript (navigator.modelContext.registerTool()), eliminando a necessidade de o agente adivinhar elementos na tela.
A especificação é um W3C Draft Community Group Report (10 de julho de 2026) publicado pelo Web Machine Learning Community Group, com editores da Microsoft e do Google Chrome. O repositório oficial está em github.com/webmachinelearning/webmcp. No Chrome, está disponível para teste local desde o Chrome 146 e em origin trial a partir do Chrome 149, com previsão de lançamento estável no Chrome 157.
Importante: o WebMCP não substitui o MCP. Eles são complementares. MCP conecta agentes a sistemas no servidor; WebMCP conecta agentes a elementos já renderizados no navegador.
ARD: descoberta de recursos para agentes (rascunho)
O Agentic Resource Discovery (ARD) é uma especificação aberta para catalogar, descobrir e buscar recursos de agentes (servidores MCP, agentes A2A, Skills, APIs) em redes federadas. A versão atual é v0.9 (Draft), de 28 de maio de 2026. O grupo de trabalho inclui Microsoft, Google, Hugging Face, GoDaddy e outros. A especificação é licenciada sob Apache 2.0.
O ARD não é um protocolo de execução, mas de descoberta: o recurso encontrado é invocado pelo mecanismo nativo dele. Em junho de 2026, o Google anunciou suporte nativo ao ARD no Agent Registry do Gemini Enterprise Agent Platform, permitindo que organizações publiquem um ai-catalog.json e tornem seus serviços descobríveis por agentes em minutos.
A2A: comunicação entre agentes (versão 1.0 estável)
O Agent-to-Agent (A2A) Protocol é um padrão aberto que permite que agentes de IA descubram capacidades, se comuniquem e deleguem tarefas entre si, independentemente da linguagem ou framework. A versão 1.0.0 foi lançada como estável e pronta para produção. O comitê técnico inclui AWS, Cisco, Google, IBM Research, Microsoft, Salesforce, SAP e ServiceNow. O protocolo é governado pela Linux Foundation.
O A2A possui SDKs oficiais em Python e Java (1.0.0.Final em junho de 2026), com suporte a JSON-RPC, HTTP+JSON/REST e gRPC, além de OpenTelemetry para tracing. A especificação completa está em a2a-protocol.org, e o repositório no GitHub tem mais de 25 mil estrelas.
UCP: comércio universal por agentes (implementação disponível)
O Universal Commerce Protocol (UCP) é um padrão aberto do Google para comércio via agentes, cobrindo desde a descoberta de produtos até o checkout e suporte pós-venda. Ele permite que lojas virtuais implementem um botão de compra em superfícies de IA do Google, como o AI Mode na Pesquisa Google e no Gemini. A implementação exige conta no Merchant Center, feed de produtos com native_commerce e três endpoints REST.
O protocolo é compatível com A2A, Agent Payments Protocol (AP2) e MCP. O checkout é processado nas superfícies do Google, mantendo o lojista como merchant of record. Documentação oficial em developers.google.com/merchant/ucp.
OKF: formato de conhecimento aberto (rascunho)
O Open Knowledge Format (OKF) é uma especificação do Google Cloud para representar conhecimento como arquivos markdown com frontmatter YAML, organizados em hierarquia de diretórios. A versão atual é v0.1, ainda em rascunho. Diferente dos outros protocolos, que focam em ação (MCP, A2A) ou descoberta (ARD), o OKF foca em representação de conhecimento, sendo ideal para documentação técnica e bases de conhecimento que precisam ser compreendidas por agentes de IA.
Repositório oficial: GoogleCloudPlatform/knowledge-catalog. Mais detalhes no blog do Google Cloud.
O que está realmente disponível hoje
Para quem tem um site e quer começar a se preparar para agentes de IA, a ordem prática sugerida pelo consultor Chris Green:
1. Crie seu llms.txt. É gratuito, leva minutos e não exige conhecimento técnico além de editar um arquivo de texto. Coloque na raiz do site com o propósito, as seções principais e links para as páginas mais importantes.
2. Verifique seu robots.txt. Não bloqueie crawlers de IA como GPTBot (OpenAI), Claude-SearchBot (Anthropic), PerplexityBot e Google-Extended. John Mueller, do Google, afirmou que bloquear cegamente agentes não é recomendado.
3. Estruture o conteúdo com Schema.org. Os formatos Article, Product, FAQ e HowTo são compreendidos por LLMs e ajudam na citação.
4. Monitore MCP e UCP se aplicável ao seu negócio. MCP para quem expõe APIs ou ferramentas; UCP para e-commerce que quer vender em superfícies de IA.
A base de tudo, no entanto, continua sendo conteúdo sólido: informação factual, bem estruturada e com fontes verificáveis. Nenhum protocolo substitui autoridade e clareza.
Fontes
Fontes: Chris Green, “AI Agent Standards”: Search Engine Journal, Jeremy Howard, proposta do LLMs.txt: Answer.AI, Especificação llms.txt: llmstxt.org, Repositório LLMs.txt: GitHub, Anthropic, “Donating MCP”: anthropic.com, MCP 2026-07-28 Release Candidate: MCP Blog, WebMCP W3C Draft: Web Machine Learning, Chrome WebMCP: developer.chrome.com, Google, “Announcing ARD”: developers.googleblog.com, A2A Protocol v1.0.0: a2a-protocol.org, Google UCP Guide: developers.google.com, Google Cloud Blog, “How OKF can improve data sharing”, OKF Specification v0.1: GitHub.
