O conceito em uma frase: WebMCP permite que um agente de IA chame funções do seu site, como buscar voos, filtrar resultados ou consultar preços, com permissões e formatos declarados. É a materialização do conceito "business to agent": o site deixa de ser apenas legível pela IA e passa a ser operável por ela. O Google mantém um demo público de uma busca de voos com WebMCP implementado, e a dissecação do código dele é a melhor aula disponível sobre como implementar.
Como o demo do Google implementa o WebMCP?
A primeira descoberta técnica: a implementação não está no HTML da página, mas num arquivo JavaScript separado que controla o formulário. Dentro dele, a estrutura segue cinco passos:
Passo 1: definir cada ferramenta (tool)
O demo define quatro ferramentas: searchFlights (busca agêntica de voos), listFlights (lista os voos resultantes), setFilters (cria filtros de parâmetros) e resetFilters (reseta). Cada tool define uma propriedade execute: a função que roda quando o agente de IA a chama. É o coração do padrão: função real do site, exposta com contrato formal.
Passo 2: definir o inputSchema de cada ferramenta
Cada tool declara name, description, inputSchema e outputSchema, num formato parecido com dados estruturados. No inputSchema, cada campo é um objeto com propriedades que restringem o que o agente pode inserir: type (string, number), description, pattern, minLength/maxLength, format e enum. No searchFlights, os campos são os do próprio formulário: origem, destino, tipo de viagem. É o contrato que impede o agente de inventar entrada inválida.
Passo 3: definir o outputSchema (o que o agente devolve)
O outputSchema descreve o resultado que o agente retorna ao usuário após executar. Às vezes é simples (uma mensagem descrevendo o resultado da busca); às vezes é robusto: no listFlights, o outputSchema carrega cada voo com ID, companhia, destino, horário de partida e mais. Quanto mais estruturado o output, mais útil a resposta do agente para o usuário final.
Passo 4: registrar as ferramentas com navigator.modelContext
O passo que publica tudo: navigator.modelContext é onde o site declara "estas são as ações que um agente de IA pode chamar nesta página, e assim se chama cada uma". As ferramentas (com nome, descrição, schemas, annotations e execute) são registradas no contexto do navegador, e quando o agente invoca uma, o browser executa a função correspondente.
Passo 5: validar com a extensão do Chrome
Para testar sem adivinhar: a extensão "WebMCP: Model Context Tool Inspector" detecta automaticamente se o site implementou o padrão corretamente e permite conectar ao Gemini para testar prompts reais contra as ferramentas. O ciclo de validação: implementar, inspecionar, testar com prompts, corrigir os schemas.
A busca está migrando de "a IA indica um link" para "a IA executa a tarefa": quem tiver funções expostas via WebMCP é operável pelo agente; quem não tiver é apenas citável. Para e-commerce (busca e filtros de catálogo), imobiliário (busca de imóveis), saúde (agendamento) e qualquer site com formulário funcional, a camada é a diferença entre aparecer na resposta e ser a resposta com ação concluída. É frente nova, com pouquíssimos sites implementando: janela de primeiro-movedor aberta. Para a fundação técnica que o agente precisa alcançar primeiro, o guia das barreiras de IA; e para medir a prontidão técnica, o diagnóstico gratuito.
De onde começar no seu site
A ordem prática: 1) mapear as 3 a 5 funções que o seu site executa e que um cliente real usaria por conversa (buscar, filtrar, calcular, agendar); 2) desenhá-las como tools com inputSchema restritivo (o contrato evita erro do agente); 3) implementar e registrar via navigator.modelContext; 4) validar com a extensão e testar prompts reais; 5) monitorar o padrão oficial (o conceito está em evolução no ecossistema) e expandir. Para quem vende software ou serviços complexos, é o mesmo caminho que os setores mais pesquisados pela IA estão percorrendo: o estudo das fan-out queries mostra por que software lidera as buscas de agente.