Case Vale: reestruturação do vale.com para as IAs

A Vale é uma das maiores companhias de metais e mineração do mundo em valor de mercado e uma das maiores produtoras globais de minério de ferro, pelotas de minério de ferro e níquel. Também produz cobre, com metais do grupo da platina, ouro, prata e cobalto como subprodutos dos concentrados.

Fundada em 1942, com sede no Rio de Janeiro, opera em 17 países e mantém sistemas logísticos próprios de ferrovias, portos e terminais marítimos integrados à operação mineral. É listada na B3 sob o código VALE3 e na Bolsa de Nova York sob VALE, compõe o Ibovespa e é dirigida por Gustavo Pimenta desde outubro de 2024.

Quando alguém pergunta a um mecanismo generativo sobre a Vale, a resposta é montada a partir do que o modelo consegue recuperar. O conteúdo oficial da companhia disputa espaço como mais uma fonte, sem prioridade automática. O diagnóstico encontrou três problemas que se reforçavam.

O que tornava a correção difícil

O diagnóstico apontou o pilar de gargalo na Identidade. A companhia tinha volume massivo de menção espontânea e reputação consolidada fora do ambiente digital, mas a entidade não estava resolvida para os mecanismos generativos. Todo o esforço foi concentrado nesse pilar, porque menção sem identidade resolvida não acumula.

1. 01

   Diagnóstico e priorização

   Mapeamento das páginas com cruzamento entre valor institucional, desempenho atual, cobertura temática e potencial de citação em IA. O resultado foi uma fila de prioridade, não uma lista. Páginas-piloto foram definidas para validar o padrão antes de escalar para o conjunto.

   Em paralelo, levantamento das lacunas de conteúdo: temas que a companhia domina na prática mas não documenta de forma recuperável, e conteúdo desatualizado que os modelos continuavam citando como se fosse atual.

2. 02

   Padrão editorial para leitura generativa

   Criação de um padrão replicável de estrutura de página, aplicado a todo o conjunto. O princípio central é simples e pouco praticado: cada seção precisa responder a uma pergunta específica de forma autocontida, em bloco curto, sem depender do restante da página para fazer sentido. É assim que um mecanismo generativo extrai um trecho e o cita.

   A revisão dos textos-chave partiu das perguntas que o público realmente faz sobre a companhia, não da estrutura interna de comunicação corporativa. Essa inversão é o que separa conteúdo correto de conteúdo recuperável.

3. 03

   Blocos de perguntas e respostas

   Construção de seções de perguntas e respostas nos eixos temáticos centrais da companhia. As perguntas vieram de dados de busca e de padrões de consulta em modelos generativos, não de suposição interna. Cada resposta foi escrita para funcionar como unidade citável isolada, com linguagem direta e sem dependência de contexto anterior.

4. 04

   Metadados e hierarquia de headings

   Padronização de títulos e descrições por intenção de busca, e correção da hierarquia de headings. Em site institucional de grande porte, a hierarquia costuma espelhar o organograma da empresa em vez da lógica de leitura do usuário. Corrigir isso é o ajuste de menor custo e maior efeito sobre recuperação de conteúdo.

5. 05

   Dados estruturados

   Aplicação de marcação semântica validada nas páginas-piloto, cobrindo identificação da organização, blocos de perguntas e respostas e conteúdo editorial. A marcação é o que permite ao mecanismo entender o que a página é, e não apenas o que ela diz. Sem ela, o modelo precisa inferir, e inferência é onde o erro entra.

6. 06

   Performance e acessibilidade

   Avaliação dos indicadores de velocidade, usabilidade e acessibilidade digital, com formalização dos pontos de correção para as áreas técnicas responsáveis. Página que não carrega ou não é acessível não é lida, e conteúdo não lido não é citado. Essa frente foi tratada como pré-condição, não como otimização complementar.

7. 07

   Transferência de método

   O padrão foi documentado para que a equipe interna aplique às páginas seguintes sem depender da agência. Em projeto desse porte, autonomia do cliente é critério de qualidade. Método que só funciona com a agência presente não é método, é dependência.

Os números abaixo refletem implementação parcial. Dado o volume, nem todas as páginas haviam sido publicadas até a apuração, e ainda assim os três indicadores cresceram: o público vindo de IAs mais que triplicou, o tráfego orgânico avançou e as palavras-chave no top 3 do Google aumentaram.

Como ler esses números

Não houve prospecção ativa, indicação comercial, mídia paga ou concorrência de agências. Houve uma pergunta feita a um mecanismo generativo, e uma resposta.

A Upsend Brasil vende GEO, a disciplina de fazer uma marca ser recuperada e citada corretamente por mecanismos generativos de IA. A prova de que o método funciona não é um slide. É o fato de uma das maiores companhias de capital aberto do Brasil ter encontrado a agência exatamente pelo caminho que a agência constrói para seus clientes.

No Método I.M.R. isso tem nome: a camada de Negócio gerando evidência nova que realimenta a Identidade. O ciclo se fecha, e este case é a evidência.