Arquitetura de informação é a fundação que IA está faminta

A fundação invisível que agora aparece no balanço

Por vinte anos, arquitetura de informação (IA) foi a disciplina que ninguém financiava. Os cargos desapareceram, o trabalho ficou invisível e seus fracassos eram absorvidos por usuários humanos tolerantes. Com a chegada da IA generativa, essa fundação invisível passou a ter custo mensurável: alucinações, respostas erradas e agentes que agem com confiança sobre dados desorganizados.

Uma pesquisa de 2025 aponta que qualidade e disponibilidade de dados lideram as barreiras de adoção de IA, superando todos os outros obstáculos. Empresas gastaram US$ 37 bilhões em IA generativa em 2025 (alta de US$ 11,5 bilhões no ano anterior, segundo a Menlo Ventures), e grande parte desse investimento depende de retrieval e grounding que só funcionam se o conteúdo subjacente estiver organizado.

Retrieval herda os defeitos do conteúdo

A técnica RAG (retrieval-augmented generation) ancora respostas em documentos buscados em tempo de consulta. Se o repositório é um monte de documentos não estruturados, contraditórios e sem rótulos, o retrieval encontra o "mais barulhento" - o que compartilha mais palavras com a query, independentemente de ser atual, autoritativo ou verdadeiro.

Metadados, taxonomia e tipagem de conteúdo são o que permite ao sistema distinguir o autoritativo do anedótico, o atual do expirado, o oficial do especulativo. Vocabulários controlados mantêm a linguagem estável, evitando que "cancelado", "encerrado" e "rescindido" fragmentem um conceito em quatro. A Anthropic demonstrou que adicionar contexto situacional a cada chunk antes da indexação reduziu falhas de retrieval em até 49% - um ganho de confiabilidade obtido corrigindo conteúdo, não trocando modelos.

Ambiguidade não se resolve - se amplifica

Humanos corrigem rótulos vagos com julgamento e seguem em frente. Modelos não preenchem lacunas: reproduzem a bagunça em escala, com confiança. O World Quality Report 2025 identificou alucinação e confiabilidade entre as principais barreiras, com apenas 15% das empresas reportando IA generativa em escala enterprise.

Agentes precisam de estrutura para agir

Responder errado é constrangedor; agir errado move dinheiro. Quando um agente roteia tickets, atualiza registros ou aprova solicitações, precisa conhecer relações, hierarquias e permissões. O caso Moffatt v. Air Canada ilustra: o chatbot da companhia aérea deu a um cliente enlutado uma informação oposta à política oficial do próprio site. O tribunal responsabilizou a empresa. Duas páginas diziam coisas opostas e nada as reconciliava.

Como financiar IA de informação finalmente

O argumento mudou de "menos usuários confusos" para "a iniciativa de IA no roadmap não falha". O autor propõe um método prático:

1. Audite o que sua IA recupera, não apenas como responde. Trace uma resposta errada até a fonte - na maioria das vezes o modelo fez seu trabalho e o repositório entregou lixo.
2. Tipe o conteúdo antes de indexar. Marque o que é atual, autoritativo e canônico versus depreciado, rascunho ou anedótico.
3. Corrija rótulos e taxonomia antes de corrigir prompts. Um patch de prompt cobre uma query; uma taxonomia corrigida resolve todas que a tocam.
4. Dê aos agentes um modelo explícito de relações e permissões. Estruture, não espere.
5. Coloque um custo de arquitetura de informação em um resultado de IA. Traduza "conteúdo mais limpo" em "maior precisão de retrieval" ou "menor taxa de alucinação".

O exemplo do Google AI Overviews recomendando cola na pizza (retirada de uma piada antiga de fórum, sem nada que a marcasse como tal) é essa auditoria falhando em escala planetária.

Conclusão

A fundação sempre foi estrutural. Agora todos podem ver a carga. O toolkit - esquemas de organização, rotulagem, metadados, tipos de conteúdo - sempre existiu na disciplina, esperando uma razão para ser financiado.