Arquitetura da informação para pessoas e IA organiza conteúdo, rótulos, relações, navegação, busca e metadados ao redor de tarefas reais. A IA pode acelerar inventário, agrupamento e detecção de ambiguidades. Usuários validam a estrutura, especialistas governam o significado e métricas mostram se pessoas e agentes encontram a fonte correta.
Uma cliente quer cancelar um serviço. No aplicativo, procura em “Minha conta”. Não encontra. Tenta “Serviços”, volta, abre a busca e escreve “parar cobrança”. O conteúdo existe, mas se chama “gestão de vínculos” e está dentro de uma categoria criada pela estrutura interna da empresa.
Agora um agente de IA recebe a mesma pergunta. Ele recupera uma página antiga, combina trechos de dois procedimentos e entrega uma resposta clara, rápida e incorreta. A interface mudou. O problema de fundo não: ninguém organizou o conhecimento a partir das tarefas, palavras e caminhos de quem precisa usá-lo.
Antes, uma arquitetura ruim gerava cliques, abandono e contato. Com busca generativa e agentes, ela também pode gerar respostas plausíveis sem base correta. Automatizar esse ambiente não remove a desordem. Aumenta sua velocidade e sua superfície de impacto.
A arquitetura da informação volta, portanto, ao centro da decisão de produto. Ela conecta experiência, operação e tecnologia. Para pessoas, reduz esforço e aumenta compreensão. Para mecanismos de busca, cria caminhos e sinais. Para sistemas de IA, melhora as condições de recuperação, proveniência e atualização. Nenhum desses efeitos acontece apenas porque um modelo foi conectado aos documentos.
Arquitetura não é apenas o menu
Um menu é a parte visível de uma estrutura mais ampla. Arquitetura da informação reúne quatro sistemas interdependentes: organização, rotulagem, navegação e busca. Em produtos com IA, acrescenta-se uma camada operacional de metadados, relações, versões, permissões e responsáveis.
- Organização define que itens pertencem juntos e em qual nível.
- Rotulagem escolhe palavras compreensíveis e consistentes para representar conceitos.
- Navegação oferece caminhos, contexto e recuperação de posição.
- Busca traduz a intenção em resultados e alternativas.
- Governança mantém significado, atualização, acesso e responsabilidade ao longo do tempo.
Quando a estrutura copia departamentos, sistemas legados ou nomes de projeto, exige que o cliente aprenda a empresa antes de resolver sua tarefa. O mesmo ocorre com um assistente: se documentos equivalentes usam termos diferentes e versões antigas parecem atuais, a recuperação começa em terreno instável.
O padrão SKOS do W3C, criado para representar sistemas de organização do conhecimento, distingue rótulos preferidos, alternativos e ocultos, além de relações mais amplas, mais específicas e associadas. Um produto não precisa implementar SKOS para aprender com a lógica: cada conceito precisa de identidade estável, nome principal, vocabulário alternativo e relações explícitas.
Quatro comportamentos, quatro necessidades
Encontrar informação não é um único comportamento. A arquitetura deve apoiar pelo menos quatro movimentos.
| Comportamento | Situação | Apoio necessário | Sinal de falha |
|---|---|---|---|
| Encontrar algo conhecido | Sabe o que quer e reconhece o destino | Rótulo direto e caminho previsível | Volta, hesita ou procura em várias categorias |
| Explorar | Conhece o objetivo, mas não as opções | Visão do conjunto e diferenças claras | Escolhe por posição ou abandona |
| Pesquisar | Formula a necessidade em palavras próprias | Sinônimos, filtros e resultados explicáveis | Busca sem resultado ou reformulação repetida |
| Reencontrar | Já viu ou usou a informação | Histórico, favoritos, referências e estabilidade | Refaz todo o percurso |
Um agente também alterna comportamentos. Pode recuperar um procedimento conhecido por ID, explorar fontes relacionadas, pesquisar por significado ou voltar a uma evidência citada. Projetar apenas uma caixa de busca esconde essas diferenças.
RAG não corrige uma base desorganizada
Geração aumentada por recuperação, conhecida pela sigla RAG, combina um modelo generativo com uma memória externa. No artigo original apresentado na NeurIPS, o sistema recupera documentos de um índice e usa os trechos como contexto para produzir a resposta. A ideia amplia a possibilidade de atualizar conhecimento e fornecer proveniência. Ela não garante que a fonte certa será recuperada.
O trabalho Lost in the Middle, publicado na Transactions of the Association for Computational Linguistics, mostrou que modelos de contexto longo podiam ter desempenho pior quando a informação relevante aparecia no meio de uma entrada extensa. A tecnologia continua evoluindo, mas a conclusão de projeto permanece útil: colocar tudo no contexto não substitui seleção, estrutura e avaliação.
Para uma organização, isso significa cuidar do caminho anterior à geração. Qual versão está válida? Que trecho responde à tarefa? Que permissão acompanha o documento? Como termos do cliente se conectam ao vocabulário interno? Quem atualiza a fonte quando a regra muda? Se essas perguntas não têm resposta, o agente apenas automatiza a ambiguidade.
Comece por um inventário que permita decidir
O inventário não é uma lista de URLs esquecida numa planilha. É um retrato do que existe, para quem serve, em que estado está e qual decisão deve ser tomada. Inclua páginas, documentos, respostas de atendimento, campos, vídeos, componentes e bases que alimentam busca ou agentes.
| Campo | Pergunta | Decisão possível |
|---|---|---|
| ID e localização | Onde está a fonte canônica? | Manter, mover ou consolidar |
| Tarefa e público | Que necessidade resolve e para quem? | Priorizar ou retirar |
| Título e rótulos | Como a organização e as pessoas chamam isso? | Renomear ou adicionar sinônimo |
| Formato e estrutura | O conteúdo possui começo, resposta e exceções claros? | Reescrever ou fragmentar |
| Dono e validade | Quem responde e quando foi revisado? | Atualizar, arquivar ou atribuir responsável |
| Acesso e risco | Quem pode ver e qual erro seria grave? | Restringir, revisar ou não indexar |
| Uso e desempenho | É encontrado, compreendido e acionado? | Testar, promover ou eliminar |
Reúna sinais reais ao lado do inventário: consultas internas, buscas sem resultado, tickets, entrevistas, termos usados por clientes, páginas de entrada, caminhos, dúvidas recorrentes e conteúdo copiado para atalhos paralelos. Eles revelam a distância entre a linguagem oficial e a linguagem de uso.
Como usar IA para agrupar sem terceirizar a decisão
A IA ajuda quando o volume impede uma primeira leitura comparativa. Pode sugerir clusters, localizar duplicidades, propor sinônimos e marcar rótulos que aparecem em sentidos diferentes. Para preservar auditabilidade, cada item precisa manter seu ID e cada grupo precisa explicar o critério usado.
Contexto: estamos explorando uma arquitetura da informação, não aprovando a estrutura final.
Entrada: inventário com ID, título, resumo, tarefa, público, termos de busca, dono e validade.
Tarefa: proponha até três formas de agrupamento orientadas por tarefas das pessoas. Não use a estrutura departamental como padrão.
Para cada grupo: liste IDs incluídos, critério, rótulo principal, rótulos alternativos, itens ambíguos e possíveis conflitos.
Contraditório: indique quais itens poderiam pertencer a outro grupo e por quê.
Limites: não invente conteúdo, frequência ou intenção ausente. Marque lacunas.
Saída: tabelas comparáveis e perguntas que usuários precisam responder em card sorting e tree testing.
Rode o exercício em mais de uma hipótese. Uma estrutura pode seguir tarefas, etapas da jornada, tipos de objeto ou frequência. A melhor escolha depende do contexto, não da aparência estatística do agrupamento. Especialistas também precisam verificar exigências legais, dependências operacionais e conceitos que parecem sinônimos, mas não são.
Rótulos precisam conectar vocabulários
O cliente pode escrever “parar cobrança”, o jurídico registrar “revogação” e a operação usar “cancelamento de vínculo”. Apagar diferenças prejudica precisão. Deixar cada termo isolado prejudica recuperação. A solução é criar uma ponte explícita.
| ID do conceito | Rótulo preferido | Alternativos | Termos a evitar | Definição | Relações |
|---|---|---|---|---|---|
| CON-014 | Cancelar serviço | Parar cobrança; encerrar serviço | Gestão de vínculos | Finalizar um serviço ativo e suas cobranças futuras | Mais específico que Conta; relacionado a Reembolso |
| CON-022 | Reembolso | Estorno; devolver valor | Crédito reverso | Devolver valor já cobrado quando aplicável | Relacionado a Contestação |
Inclua erros comuns, siglas, variações regionais e termos de acessibilidade quando fizer sentido. Defina também o que um conceito não significa. Essa fronteira ajuda pessoas a diferenciar opções e reduz recuperações incorretas por similaridade superficial.
Card sorting descobre; tree testing avalia
Depois das hipóteses, volte às pessoas. No card sorting, participantes agrupam itens e explicam como chamariam cada conjunto. O método revela modelos mentais e vocabulário, mas não entrega automaticamente a árvore final. A formulação dos cartões influencia o resultado.
No tree testing, participantes recebem tarefas e navegam por uma hierarquia textual, sem o apoio do design visual. O teste mostra se encontram o destino, que primeiro caminho escolhem, quanto voltam e onde desistem. A Nielsen Norman Group diferencia os métodos como descoberta e avaliação, respectivamente.
Objetivo: descobrir como o público agrupa um conjunto representativo de conteúdos.
Participantes: recrute pessoas dos contextos relevantes, não apenas colegas.
Cartões: use itens claros, no mesmo nível e sem pistas de categoria.
Instrução: “Agrupe os itens da maneira que fizer sentido para você e dê um nome a cada grupo.”
Perguntas: por que estes itens ficam juntos? Qual foi difícil? Que palavra você usaria para procurar isso?
Análise: compare padrões, diferenças por contexto e explicações. Transforme o resultado em duas ou três árvores candidatas.
Próximo passo: teste tarefas críticas em cada árvore e registre sucesso, caminho direto, tempo e primeiro clique.
Não faça o teste somente com tarefas fáceis ou rótulos idênticos aos cartões. Inclua intenções expressas na linguagem do público, exceções e reencontro. Uma estrutura robusta precisa funcionar quando a pessoa ainda não conhece o nome interno.
Uma arquitetura para três leitores
A mesma base será interpretada por pessoas, rastreadores e agentes, mas cada leitor depende de sinais diferentes.
- Pessoas precisam de rótulos claros, contexto, hierarquia perceptível, caminhos alternativos e recuperação de erro.
- Mecanismos de busca dependem de URLs acessíveis, links reais, títulos informativos, estrutura lógica e conteúdo indexável.
- Agentes precisam localizar a fonte certa, distinguir validade e permissão, extrair unidades coerentes e citar de onde veio a resposta.
As orientações atuais do Google para sitelinks recomendam títulos e cabeçalhos informativos, uma estrutura lógica e textos de link concisos. O Google também explica que dados estruturados oferecem um formato padronizado para classificar o conteúdo de uma página. Esses recursos ajudam máquinas a interpretar sinais, mas precisam corresponder ao que a página realmente mostra.
Para agentes internos, adicione metadados como tipo, público, jurisdição, produto, vigência, dono, nível de acesso e fonte anterior. Preserve ligações entre resumo e documento canônico. Mantenha histórico de versões e uma data de próxima revisão. Um fragmento sem contexto pode estar semanticamente próximo da pergunta e operacionalmente errado.
Como medir encontrabilidade e qualidade
Comece com uma linha de base e tarefas reais. Para pessoas, acompanhe taxa de sucesso, sucesso direto, primeiro clique, tempo, retornos, buscas sem resultado, reformulações, abandono e contato posterior. Combine números com a explicação do caminho. Um acerto depois de cinco tentativas não equivale a compreensão.
Para recuperação por IA, separe etapas. Meça se a fonte relevante apareceu entre os resultados, se o trecho certo foi selecionado, se a resposta permaneceu fiel a ele, se citou a origem e se reconheceu ausência de evidência. Acompanhe também conteúdo vencido, violações de permissão, escalonamentos e tempo entre atualização da fonte e disponibilidade no sistema.
| Camada | Métrica primária | Métrica de proteção |
|---|---|---|
| Arquitetura humana | Sucesso direto por tarefa | Abandono e esforço percebido |
| Busca | Consulta com resultado útil | Reformulação e saída sem ação |
| Recuperação da IA | Fonte relevante recuperada | Fonte vencida ou sem permissão |
| Resposta | Fidelidade e resolução da tarefa | Afirmação sem suporte e escalonamento tardio |
| Negócio | Conclusão, contato evitável ou tempo operacional | Reclamação, retrabalho, risco e confiança |
Não trate correlação como prova. Uma melhora na busca pode coincidir com campanha, mudança de produto ou sazonalidade. Registre intervenções, compare períodos ou grupos quando possível e mantenha métricas de proteção ao lado de eficiência.
Guardrails antes de automatizar
- não publique o primeiro agrupamento gerado pela IA como arquitetura final;
- não misture conteúdo público, interno e restrito no mesmo índice sem controle de acesso;
- não deixe documentos sem dono, validade ou fonte canônica;
- não transforme similaridade textual em equivalência de significado;
- não apague termos do público para preservar o vocabulário interno;
- não avalie apenas a resposta final, porque o erro pode ter começado na recuperação;
- não permita ação irreversível quando a fonte estiver ausente, ambígua ou vencida;
- não use dados estruturados que contradigam o conteúdo visível.
Um ciclo prático de trinta dias
Na primeira semana, escolha uma tarefa crítica e delimite o conjunto de conteúdo. Levante inventário, buscas, tickets e fontes paralelas. Defina a linha de base e o custo do erro.
Na segunda, use IA para propor agrupamentos e sinônimos com IDs de origem. Faça a revisão de domínio, elimine duplicidades e produza árvores candidatas. Marque riscos, permissões e conteúdos sem responsável.
Na terceira, conduza card sorting quando a estrutura ainda estiver aberta e tree testing para comparar hierarquias. Inclua tarefas conhecidas, exploração e reencontro. Revise rótulos com as palavras observadas.
Na quarta, implemente um recorte, instrumente a busca e avalie a recuperação do agente com casos representativos e extremos. Decida entre ampliar, ajustar ou interromper. O resultado do ciclo não é uma taxonomia perfeita. É um sistema melhor, com evidência para o próximo movimento.
Perguntas frequentes
Arquitetura da informação é a mesma coisa que menu?
Não. O menu é uma expressão visível da arquitetura. A disciplina também cobre organização, rotulagem, navegação, busca, relações, metadados e regras de governança do conteúdo.
A IA pode criar uma taxonomia automaticamente?
Pode sugerir grupos, rótulos, sinônimos e ambiguidades. A decisão final precisa considerar estratégia, modelo mental das pessoas, riscos do domínio e testes com tarefas reais.
Card sorting valida uma arquitetura?
Card sorting ajuda a descobrir formas possíveis de agrupamento e linguagem. Tree testing avalia se as pessoas encontram destinos em uma hierarquia proposta. Os métodos são complementares.
O que arquitetura da informação tem a ver com RAG?
Sistemas de geração aumentada por recuperação dependem de localizar trechos relevantes antes de gerar uma resposta. Conteúdo bem delimitado, rotulado, relacionado, versionado e governado melhora as condições de recuperação, embora não garanta uma resposta correta.
Como medir encontrabilidade para pessoas e agentes?
Para pessoas, acompanhe sucesso, caminho direto, tempo, reformulação e abandono. Para agentes, meça recuperação do conteúdo relevante, cobertura de fonte, fidelidade da resposta, atualização e escalonamento. Compare com uma linha de base.
Organizar antes de automatizar
A cliente do início não precisava de mais uma resposta. Precisava de um caminho que usasse as palavras da tarefa e chegasse à fonte válida. O agente também.
Arquitetura da informação não é um trabalho anterior à IA que perdeu importância. É a infraestrutura que permite ao sistema saber o que existe, como os conceitos se relacionam, qual versão vale e quando não há base para responder. A IA acelera inventário, comparação e manutenção. Pessoas validam linguagem, contexto e consequência.
Se sua organização tem conteúdo em muitos canais e respostas inconsistentes entre produto, busca, atendimento e IA, as ofertas de estratégia e visibilidade em IA da AIUX Brasil conectam arquitetura, conteúdo e sinais técnicos. O objetivo é simples de dizer e difícil de construir: tornar a informação certa encontrável no momento da decisão.
Fontes públicas
- W3C: SKOS Simple Knowledge Organization System Reference.
- Lewis e outros: Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, NeurIPS, 2020.
- Liu e outros: Lost in the Middle, How Language Models Use Long Contexts, TACL, 2024.
- Nielsen Norman Group: Card Sorting vs. Tree Testing, 2024.
- Nielsen Norman Group: Tree Testing Part 2, Interpreting the Results, 2024.
- Google Search Central: práticas para estrutura e sitelinks, atualizado em 2025.
- Google Search Central: introdução a dados estruturados.
- Guimarães e Sousa: Reflexões sobre Arquitetura da Informação para dispositivos móveis, Em Questão, 2016.