Dados à prova de futuro: lições da Ciência da Informação para o seu SEO

Este artigo pode ser lido em:

Eu já trabalho com criação e planejamento de conteúdo digital e otimização para motores de busca tem um bom tempo. Mas depois dessa vivencia nos bancos acadêmicos da Biblioteconomia, comecei a perceber com mais clareza uma coisa que me encomodava mas eu não sabia: o mercado de SEO frequentemente tenta reinventar a roda.

Ficamos fascinados pelas novidades como RAGs, modelos de linguagem e ferramentas gerativas, e muitos dos especialistas esquecem que a organização, o tratamento e a recuperação da informação são disciplinas com décadas de rigor científico acumulado, e que estão disponíveis para serem aprendidas e aplicadas no seu trabalho. E faço a mea culpa, mesmo tendo essa informação a décadas, só recentemente resolvi tomar coragem, fazer uma nova graduação para estudar esse assunto.

E durante esse estudos, li um relatório que aborda o desenvolvimento e a curadoria de corpora entre 2021 e 2026, que foi criado usando o Agente+Semântico. O meu objetivo com essa pesquisa era encontrar e analisar o que temos de mais recente nas pesquisa sobre o uso massivo de textos para criação de um “banco de dados“, a corpora, com o objetivo de alimentar LLMs e gerar listas de termos, vocabulários controlados, taxonomias, glossários e outros artefatos. A minha intenção é qualificar ainda mais o passo inicial do Fluxo de Trabalho Semântico, o FTS.

A leitura do texto me trouxe reflexões interessantes da Ciência da Informação sobre governança de dados, preservação e ética algorítmica, algo que não esperava ver, no primeiro momento, neste tipo de pesquisa. Eu compilei e expandi essas reflexões para o nosso contexto prático aqui do Blog Semântico, conectando a teoria da Biblioteconomia com o dia a dia da otimização técnica e escolhi trazer exemplos diretos do comércio eletrônico, por serem algo que todos, especialistas ou não, tem experiência em lidar.

Se você trabalha com SEO e quer entender por que a estrutura profunda dos seus dados determina se o seu projeto será encontrado por seus usuários onde quer que eles procurem, convido você a refletir comigo sobre as lições que aprendi nessa pesquisa.

O mito do documento eterno e a ilusão da perenidade digital

Costumamos acreditar na ideia de que o ambiente digital é sinônimo de eternidade. Pensamos que, ao subir um banco de dados na nuvem ou publicar milhares de páginas em um catálogo online, essas informações estarão preservadas para sempre. Afinal de contas, os dados estão publicados e existe um processo já maduro para manter isso online. Ledo engano.

Para quem estuda a Ciência da Informação e a Arquivologia, essa ilusão se desfaz rapidamente. Pense, por exemplo, em um documento jurídico ou institucional validado por uma assinatura criptográfica digital: as chaves dessa assinatura frequentemente expiram muito antes do término dos prazos legais de retenção e custódia daquele registro. Se a tecnologia que autentica o arquivo morre, como provamos que aquele dado é íntegro?

Essa fragilidade técnica nos mostra que o conceito de um “documento original” estático e intocável está superado. No universo digital, a autenticidade não é um artefato fixo trancado em um cofre, mas uma qualidade dinâmica que precisa ser ativamente gerida e cultivada por meio de metadados ricos. Isso é tão importante e atual que existem profissionais dedicados a criar padrões de gestão dessas coleções digitais, e todo o grupo de especialistas aplicando isso em bancos de dados de todos os tipos.

No ambiente de um grande e-commerce, vivenciamos essa mesma volatilidade todos os dias. Pense em uma loja virtual com mais de 50 mil produtos: as descrições mudam, SKUs (Stock Keeping Units) são descontinuados, as URLs são redirecionadas e atributos técnicos de produtos são sobrescritos em integrações de ERP. Se o seu site não mantém um histórico consistente e estruturado de cada entidade, os buscadores perdem o rastro do significado. Portanto, a integridade do seu catálogo não está na rigidez de um banco de dados relacional, mas na densidade e na consistência das conexões do seu ecossistema de dados.

Não é a toa que nessa hora surgem soluções baseadas em artefatos como os grafos de conhecimento e ontologias. A combinação entre o rígido controle sobre os termos (ou produtos) e suas relações e a maleabilidade das suas estruturas, é a combinação perfeita para manter catálogos vivos e consistentes.

O corpus como infraestrutura viva e a pesquisa híbrida

Entre 2021 e 2026, o conceito de corpus passou por uma verdadeira revolução conceitual. Mas o que é um corpus (cujo plural em latim é corpora)?

Na Linguística e na Ciência da Informação, um corpus é um conjunto selecionado, finito e estruturado de textos reunidos com o propósito específico de estudo e análise de linguagem. Tradicionalmente, era um material passivo de pesquisa, um recorte no tempo. Contudo, com a ascensão da IA moderna, o corpus começou a ser visto com uma excelente ferramenta para o treinamento, o ajuste fino (fine-tuning) e a validação de modelos de linguagem de grande escala e sistemas de recuperação semântica.

Para entendermos a evolução do tratamento de conteúdo no e-commerce, podemos olhar para a forma como estruturávamos as informações para comparar os cenários.

Antes, tínhamos apenas um repositório estático de textos, composto basicamente por descrições soltas armazenadas em HTML e bancos de dados tradicionais, como o MySQL. Hoje, ao aplicar processos de harvesting e estruturação com ontologias e grafos, migramos para uma nova abordagem semântica. Transformamos aquele texto estático em um corpus ativo que, conectado a um grafo de conhecimento, torna-se a base necessária para alimentar sistemas de RAG, busca vetorial e inteligência artificial.

Fazendo uma analogia com a Biblioteconomia, tinhamos a figura clássica da bibliotecária associada a guardiã de prateleiras. Hoje, essa profissional atua como uma arquiteta de infraestruturas de informação. Na Ciência da Informação, construir um corpus exige métodos sistemáticos de coleta automatizada (harvesting), definição rigorosa de critérios de inclusão/exclusão e tratamento de casos limítrofes (edge cases) para evitar que ruídos documentais contaminem a base criada.

Olhando para a vanguarda da recuperação da informação, enxergamos que a grande fronteira é a fusão entre a pesquisa vetorial densa (baseada em embeddings matemáticos que capturam a proximidade semântica) e a recuperação léxica tradicional (baseada em termos exatos e frequências, como o consagrado algoritmo BM25).

Aqui no Blog Semântico você encontra posts falando sobre busca vetorial, sistemas híbridos de recuperação da informação. E se me segue lá no Linkedin, também pode encontrar o que falo sobre esse assunto.

A aplicação prática do corpus no comércio eletrônico

Imagine um grande marketplace de materiais esportivos. O seu catálogo de produtos, as perguntas frequentes (FAQs), as avaliações de consumidores e as fichas técnicas constituem o corpus deste negócio.

Se esse corpus for tratado apenas como um amontoado de textos brutos em tabelas relacionais, a busca interna do seu site continuará cometendo erros primários. Conforme sempre comento, se um usuário entra na loja e digita “sapato para corrida”, um sistema semântico amparado por um vocabulário controlado e por um Knowledge Graph sabe imediatamente que deve recuperar a entidade “tênis de corrida”, eliminando a frustração da página de resultados vazia.

Ao integrar os grafos de conhecimento com a busca híbrida, o e-commerce responde tanto à busca por termos técnicos específicos quanto a consultas naturais e conversacionais feitas a assistentes de voz e, provavelmente, nos mecanismos de IA generativa.

A autenticidade reside na proveniência e nos metadados, não no arquivo isolado

Na teoria clássica da Arquivologia, existem dois pilares basilares:

1. Princípio da proveniência: estabelece que os documentos originários de uma mesma instituição, pessoa ou atividade não devem ser misturados com os de outras fontes.
2. Ordem original: dita que os registros devem manter o arranjo e o fluxo contextual em que foram criados[cite: 1, 2].

No entanto, quando submetemos documentos a sistemas de IA que utilizam Geração Aumentada por Recuperação (RAG, ou Retrieval-Augmented Generation), o texto original é fatiado em pequenos blocos, os chunks, e convertido em vetores matemáticos dentro de bancos de dados vetoriais. Nesse processo, a “ordem original” linear do século XIX se dissolve completamente.

Para entender a dinâmica do processo RAG, imagine o caminho que a informação percorre.

Tudo começa com um documento completo, que precisa ser fatiado em pequenos pedaços, conhecidos como chunks, para então passar por uma indexação vetorial.

A indexação vetorial é o processo de converter informações, como textos, documentos ou imagens, em coordenadas matemáticas (conhecidas como embeddings) e organizá-las em um banco de dados otimizado para esse formato. Diferente da indexação tradicional, que guarda palavras exatas, a indexação vetorial mapeia o significado semântico do conteúdo. É esse processo que permite aos sistemas modernos de busca e aos LLMs comparar a intenção de uma pergunta com o contexto dos fragmentos de texto, recuperando a informação por similaridade de sentido, e não apenas pelo cruzamento exato de palavras-chave.

Com isso em mente, vemos que o momento crítico acontece na fase de recuperação dessa informação. Se o sistema resgatar esses fragmentos soltos, sem os metadados de contexto adequados, o modelo de linguagem de grande escala perde a sua principal referência, o que fatalmente leva à alucinação da IA. Por outro lado, quando essa recuperação vem acompanhada de uma cadeia de proveniência sólida, mantemos a integridade da origem e garantimos a entrega de uma resposta precisa.

Se o fragmento de informação não carregar consigo metadados contextuais detalhados sobre sua origem, autoria, vigência temporal e relacionamento conceitual, ele se torna um dado órfão. E dados sem contexto são o terreno fértil para as chamadas “alucinações” dos modelos de linguagem de grande escala, como já dissemos. Novamente, a autenticidade de um dado digital não repousa na rigidez do ficheiro estático, mas na captura abundante e contínua de metadados durante todo o seu ciclo de vida.

A aplicação prática da proveniência no comércio eletrônico

Pense no regulamento de trocas de uma loja virtual ou nas condições de frete de um produto. Se a sua empresa altera a política de devoluções de 30 para 7 dias em datas comemorativas, e essa informação for fragmentada em um sistema de RAG sem metadados precisos de data, versão e escopo, o chatbot de atendimento ao cliente ou o agente de busca poderá recuperar trechos obsoletos e instruir o consumidor de forma equivocada.

Como você resolve isso na sua empresa? Me conta nos comentários.

Na otimização semântica, resolvemos isso adotando padrões abertos de metadados como o JSON-LD, o vocabulário Schema.org, e outras soluções. Cada entidade de produto precisa estar ancorada com propriedades explícitas de validade, marca, disponibilidade e procedência, permitindo que motores de busca e robôs indexadores rastreiem exatamente a fonte da verdade daquela afirmação.

Auditoria algorítmica e curadoria contra assimetrias de informação

A construção e a seleção de bases de dados nunca são atos neutros ou puramente técnicos; são processos carregados de escolhas e perspectivas socioculturais. Na Ciência da Informação, discutimos amplamente como a digitalização massiva e a agregação desregulada de conteúdos podem atuar como mecanismos de “extrativismo de dados”, reforçando visões hegemônicas e apagando minorias ou saberes regionais.

Para evitar que os sistemas inteligentes se tornem câmaras de eco de distorções históricas, bibliotecários, arquivistas e curadores de dados utilizam métricas específicas de controle de qualidade e diversidade:

• Índice de Cobertura Cultural (Cultural Coverage Index): métrica que afere se a representatividade linguística, geográfica e demográfica de um corpus reflete a diversidade do domínio real ou se replica apenas as preferências da instituição que coletou os dados.
• Índice de Conformidade de Transparência (Transparency Compliance Index): indicador que audita a clareza da procedência dos dados, os critérios metodológicos de filtragem adotados e as licenças aplicadas.

Para garantir a qualidade e a governança no domínio semântico, costumamos nos apoiar em três indicadores fundamentais.

O primeiro é o índice de cobertura cultural, que mede a diversidade e ajuda a mitigar os vieses de representatividade no acervo. O segundo é o índice de conformidade de transparência, responsável por auditar a procedência das fontes, os critérios metodológicos de coleta e as licenças de uso, e por fim, temos a pontuação de intensidade energética, ou energy intensity score, que avalia o impacto ambiental ao medir o consumo de energia e a pegada de carbono exigidos no processamento computacional desses dados.

A aplicação prática da auditoria algorítmica e curadoria no comércio eletrônico

No comércio eletrônico, o viés algorítmico pode prejudicar diretamente o faturamento e a experiência do cliente. Suponha uma loja de cosméticos e perfumaria. Se a taxonomia e o motor de recomendação foram treinados com um corpus desbalanceado, produtos específicos para determinados tipos de cabelos ou tons de pele podem nunca aparecer nas vitrines automatizadas ou nos filtros principais de busca.

Realizar uma auditoria taxonômica na sua loja significa avaliar se as facetas de navegação e os vocabulários atendem verdadeiramente a toda a base de consumidores. A intervenção humana estratégica é insubstituível para calibrar essas nuances que nenhum modelo probabilístico puro é capaz de deduzir com sensibilidade ética.

Soberania dos dados e o equilíbrio entre os princípios FAIR e CARE

Se você nunca ouviu falar sobre os princípios FAIR e CARE, eu gosto de pensar neles como duas faces da mesma moeda na hora de publicarmos e organizarmos qualquer tipo de informação na internet.

Os princípios FAIR representam o lado técnico, com foco em fazer a tecnologia funcionar de forma eficiente e a sigla em inglês estabelece que os dados devem ser:

• Localizáveis (Findable): fáceis de encontrar, como um livro que tem a etiqueta exata na prateleira correta de uma biblioteca.
• Acessíveis (Accessible): disponíveis para quem precisa acessá-los, com regras claras de como obter essa informação.
• Interoperáveis (Interoperable): capazes de “conversar” e trocar informações com outros sistemas de forma padronizada.
• Reutilizáveis (Reusable): muito bem documentados para que outras pessoas (ou até mesmo um modelo de linguagem de grande escala) possam usar aquela informação no futuro de forma correta.

Basicamente, o objetivo do FAIR é garantir que as máquinas e os algoritmos consigam ler e processar os dados livremente, mas é exatamente aí que surge um problema: se tudo for totalmente aberto e fácil de usar, como protegemos conhecimentos sensíveis, dados culturais ou a privacidade das pessoas?

É para fechar essa lacuna que existem os princípios CARE, que trazem o lado humano, ético e de proteção para a balança, já que eles defendem que o uso dos dados deve sempre garantir:

• Benefício coletivo (Collective benefit): a informação deve gerar valor para a comunidade de onde ela foi extraída, e não apenas para quem a coletou.
• Autoridade de controle (Authority to control): as pessoas ou comunidades que geraram a informação têm o direito de decidir quem pode acessá-la e de que forma ela será usada.
• Responsabilidade (Responsibility): quem guarda e gerencia esses dados precisa prestar contas e proteger ativamente aqueles que foram a fonte da informação.
• Ética (Ethics): o respeito aos direitos humanos, à cultura e ao bem-estar das pessoas deve vir antes de qualquer interesse tecnológico ou comercial.

No meu dia a dia de trabalho, vejo que o grande segredo é justamente equilibrar essas duas forças. O nosso desafio é construir estruturas de dados que os robôs dos buscadores consigam rastrear perfeitamente (FAIR), mas que, ao mesmo tempo, blindem a privacidade e respeitem a origem da informação (CARE).

Historicamente, foi no entusiasmo pelo movimento de Ciência Aberta e Dados Abertos (Open Data), que se consolidou o paradigma dos princípios FAIR. E como já afirmamos, eles tem o objetivo de tornar os dados amplamente compreensíveis e reutilizáveis por máquinas. Contudo, a Ciência da Informação nos alerta: tratar todo e qualquer dado como um recurso de livre exploração pode violar a privacidade individual e desrespeitar a soberania de comunidades e povos originários, por exemplo.

É por essa razão, entre outras, que os princípios FAIR devem ser equilibrados com os princípios CARE.

Um exemplo notável de aplicação desse equilíbrio é o sistema Mukurtu CMS, uma plataforma de gestão de acervos desenhada para preservar o patrimônio cultural indígena em conjunto com os rótulos de conhecimento tradicional (TK Labels — Traditional Knowledge Labels). Esses rótulos atribuem protocolos de acesso específicos aos registros, determinando quem pode acessar determinado conhecimento sagrado, em qual período ou sob quais circunstâncias comunitárias.

Para visualizar como essa dinâmica funciona na prática, podemos entender o equilíbrio na governança de dados como um ponto de convergência entre duas forças complementares: de um lado, aplicamos o foco técnico voltado para a máquina através dos princípios FAIR, garantindo que a nossa informação seja localizável, acessível, interoperável e reutilizável, do outro lado, aplicamos o foco ético e humano dos princípios CARE, assegurando o benefício coletivo, a autoridade de controle, a responsabilidade e a ética sobre esses mesmos dados.

Quando unimos essas duas abordagens em nossos projetos, o resultado direto dessa convergência é um acesso estruturado e responsável à informação.

A aplicação prática dos os princípios FAIR e CARE no comércio eletrônico

Como esse conceito se conecta ao mundo do e-commerce? Pense na governança de dados sensíveis dos seus clientes e parceiros. Nem todos os dados gerados pela sua operação devem ser expostos indistintamente[cite: 1, 2].

Considere um marketplace que comercializa produtos de cooperativas agrícolas familiares ou artesanato indígena. Aplicar a governança inspirada no binômio FAIR/CARE significa conceder interoperabilidade estruturada para que o motor de busca compreenda a origem e a sustentabilidade daquele produto (via Schema.org), mas respeitando as licenças, a autoridade de precificação e os limites de divulgação estabelecidos pela comunidade produtora. A tecnologia semântica deve apoiar a valorização da identidade dos produtores sem transformá-los em meros registros anônimos.

Sustentabilidade digital e o custo invisível do processamento

A criação, o re-treinamento constante e o processamento de modelos computacionais de larga escala demandam uma quantidade massiva de recursos elétricos e hídricos. O G1 explicou como o uso de Inteligência artificial demanda a geração colossal de energia elétrica. Depois de tudo o que você leu, já deve saber que na avaliação da qualidade de um corpus, importa avaliar esse impacto.

A literatura acadêmica tem incorporado a Pontuação de Intensidade Energética (Energy Intensity Score), que monitora o impacto ecológico gerado pelo processamento massivo de dados, como resposta a esse problema.

Construir dados de forma sustentável exige combater o desperdício e a proliferação de “lixo digital”, por isso que um repositório de dados sustentável deve ser tratado como um organismo vivo que depende de:

1. Versionamento transparente: registro minucioso da evolução dos dados por meio de plataformas colaborativas como o GitHub, garantindo auditoria e reprodutibilidade.
2. Controle de divulgação estatística (Statistical Disclosure Control): métodos matemáticos e de anonimização que asseguram o valor analítico dos dados sem expor a privacidade individual dos sujeitos envolvidos.
3. Migração sistemática de formatos: políticas ativas para atualização de estruturas e sintaxes, impedindo que o conhecimento fique refém de formatos obsoletos ou proprietários (vendor lock-in).

A aplicação prática da sustentabilidade digital no comércio eletrônico

No SEO para comércio eletrônico, a sustentabilidade de dados se traduz na eficiência da indexação. Plataformas que geram milhares de páginas duplicadas por parametrização de filtros em URLs (sem uma navegação facetada bem planejada) não apenas desperdiçam o orçamento de rastreamento (crawl budget) dos buscadores, mas forçam requisições contínuas e desnecessárias aos servidores, que são grandes consumidores de todo o tipo de recursos.

Para entender o impacto da estruturação na portabilidade dos dados, basta olharmos para duas abordagens contrastantes.

Quando apoiamos a nossa infraestrutura em modelos relacionais rígidos, o cenário natural que se forma é a dificuldade de migração e a criação de silos de informação, onde o conhecimento fica isolado e engessado. Em contrapartida, quando evoluímos para os formatos semânticos, utilizando linguagens estruturadas como o RDF e o OWL, nós mudamos completamente essa dinâmica. Essa escolha técnica é o que nos entrega a verdadeira portabilidade, facilitando o reuso eficiente da informação por diferentes sistemas e, o mais importante, garantindo a longevidade do nosso catálogo a longo prazo.

Podemos ir além, e organizar o catálogo a partir de ontologias e taxonomias claras em RDF (Resource Description Framework), evitando a redundância, otimizando o armazenamento e permitindo que as requisições feitas por agentes inteligentes consumam exatamente os nós semânticos necessários, o que reduz a latência e o custo computacional global.

O futuro é humano e conceitualmente estruturado

Ao final de todas essas lições, tirei uma conclusão e acho que vocês, especialistas em SEO, podem chegar no mesmo lugar que eu cheguei. A resposta para os desafios da inteligência artificial não reside em produzir mais volume desordenado de texto para tentar enganar robôs, ela está na estrutura profunda.

A inteligência artificial opera calculando probabilidades estatísticas de tokens subsequentes. Por outro lado, a inteligência humana, amparada pelas metodologias da Biblioteconomia e da Ciência da Informação, pode construir sentido através de ontologias bem definidas, vocabulários controlados e padrões abertos de metadados.

Um exemplo são as anotações em TEI (Text Encoding Initiative) para documentos textuais e dos modelos CEDAR para representação ontológica em JSON-LD.

Crie a tabela abaixo, e ela funciona como um quadro de equivalência que conecta a teoria acadêmica à prática de mercado. Precisava estabelecer um paralelo direto entre instrumentos e frameworks estruturais oriundos da ciência da informação e da arquivologia (como o TEI, templates CEDAR e o Mukurtu) e as suas aplicações correspondentes no dia a dia do seo semântico e do comércio eletrônico.

Rapidamente você consegue sintetizar a ideia central deste texto, compreendendo que as práticas avançadas de otimização, como o uso da marcação estruturada, a governança de dados sensíveis e a criação de trilhas de auditoria em grafos de conhecimento, não são invenções recentes do mercado digital, elas são, na verdade, a implementação tecnológica de metodologias de estruturação e organização da informação já validadas e consolidadas cientificamente.

Quadro comparativo: Frameworks acadêmicos e práticas de mercado

Quando aplicamos esses princípios ao nosso trabalho de SEO Semântico, transformamos os nossos sites e lojas virtuais em ecossistemas de conhecimento acessíveis, confiáveis e perenes.

A pergunta decisiva que precisamos nos fazer hoje não é sobre a quantidade de páginas que os nossos servidores conseguem armazenar, mas sim uma provocação ética e estratégica: estamos construindo bases de dados que o futuro, mediado por humanos e máquinas, conseguirá compreender e validar?

Referências consultadas e recomendadas para aprofundamento

• ALMEIDA, Maurício Barcellos. Ontologia em Ciência da Informação: teoria e método. Curitiba: CRV, 2020.
• BRÄSCHER, Marisa; CAFÉ, Ligia Maria Arruda. Organização da Informação ou Organização do Conhecimento?. In: Encontro Nacional de Pesquisa em Ciência da Informação (ENANCIB), 2008.
• CORREA, R. et al. A metadata model for authenticity in digital archival descriptions. Data & Knowledge Engineering, 2023.
• LANCASTER, F. W. Indexação e Resumos: teoria e prática. Brasília: Briquet de Lemos, 2004.
• MUSEN, Mark A. et al. The Center for Expanded Data Annotation and Retrieval (CEDAR). Stanford Profiles, 2024.
• SILVA, Alexander Rodrigues. SEO Semântico: Fluxo de trabalho semântico. Porto Alegre: Semântico, 2022.
• WILKINSON, Mark D. et al. The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data, 2016.