Um modelo de linguagem (um LLM, pela sigla em inglês) já não apenas lê um documento: ele o identifica e preenche o registro com o que sabe. De uma capa extrai o autor, os assuntos e a data; de um título, o ISBN e dezenas de campos que a fonte não trazia. Essa capacidade de enriquecer é hoje comum, e é justamente o valor de usar IA para catalogar. Para uma instituição com acervo, a pergunta não é se a IA pode preencher um registro, porque pode e de sobra, mas se esse registro pode entrar num catálogo permanente e ficar ali. Esse é um patamar diferente, e é onde o enriquecimento genérico fica aquém.
A diferença está entre plausível e confiável. Um modelo genérico produz um registro completo e verossímil: os campos estão preenchidos e soam bem. Um catálogo precisa além disso saber de onde vem cada dado. Um ISBN plausível mas errado, um assunto que não se aplica ou uma data inferida de uma identificação equivocada permanecem no registro com aparência de corretos. Um campo vazio se completa depois; um preenchido com um dado falso contamina sem deixar rastro, e sai caro encontrá-lo.
A catalogação disciplinada não consiste em enriquecer menos, mas em enriquecer sabendo o que respalda cada valor. Em vários pontos ela se separa do genérico.
Saber de onde vem cada dado. O que pode ser verificado, verifica-se e atribui-se. Os assuntos e os nomes são confrontados com autoridades e vocabulários controlados, e o registro deixa anotado com qual fonte cada um foi validado. O que vem do conhecimento do modelo sem uma fonte externa que o respalde fica sem essa anotação, e essa ausência é em si um sinal de quanta certeza atribuir-lhe. O genérico entrega tudo no mesmo nível, sem distinguir o que comprovou do que supôs.
Calcular o que tem regra, em vez de pedi-lo ao modelo. Alguns campos têm uma resposta correta, não uma estimativa: o número de chamada (Cutter, Dewey, LC), certos subcampos MARC, o nível de descrição arquivística, o intervalo de datas de uma série. Onde existe essa regra, o valor é calculado de forma determinística em vez de ser pedido ao modelo. O genérico o aproxima, e aproximar não basta quando há uma regra pública.
Avaliar e marcar cada registro. Cada registro passa por uma avaliação que o pontua conforme sua completude, sua correção e quanto se pôde respaldar. Quando fica abaixo do limiar, é marcado de forma visível para revisão. Essa pontuação é o que permite revisar por exceção, atendendo ao que o sistema assinala em vez de cada registro. O genérico entrega um lote sem dizer quais convém olhar.
Tratar a norma como lógica. MARC21, UNIMARC, ISAD-G, CDWA e Dublin Core não são apenas um formato de saída: carregam regras e semântica sobre proveniência, hierarquia, repetição de campos e vocabulário controlado. Pedir “coloque em MARC” a um genérico costuma produzir registros que são MARC na forma e ao mesmo tempo incorretos na norma.
Ler em muitos idiomas e descrever no vocabulário correto. O material e sua descrição raramente estão num só idioma. O sistema lê em vários e descreve no vocabulário do padrão de destino. Traduz o que deve ser traduzido e deixa intacto o que não, como os nomes, os títulos e as datas. Não se limita a um par de idiomas.
Por baixo de tudo isso há uma razão pela qual uma mesma solução genérica, igual para todas as instituições, não pode ser correta: a correção define-se localmente. O mesmo documento, sob o mesmo padrão, é catalogado de forma diferente em cada instituição, conforme seu quadro de classificação, suas autoridades e o idioma em que descreve. Por isso o resultado depende da configuração por instituição e por acervo, e essa configuração é a condição para que o registro seja aquele que essa instituição considera correto.
O enriquecimento a partir do conhecimento do modelo pode errar. Uma identificação equivocada arrasta todos os dados que dela dependem, e um dado sem fonte externa, como um ISBN ou às vezes a data, apoia-se nessa identificação, na pontuação e na revisão, não numa comprovação contra um registro real. Por isso a proveniência, a pontuação e a revisão não são adornos: são o que separa enriquecer de contaminar. Para descrições descartáveis ou de baixo risco, um enriquecimento genérico pode bastar. O que aqui descrevemos aplica-se ao catálogo permanente, onde um dado falso é invisível e duradouro, e onde alguém responde por ele.
Se você está avaliando IA para catalogação e lhe interessa onde fica a linha entre “preenche campos” e “é confiável no catálogo de registro”, escreva para info@janium.com; interessa-nos como você a traçaria para o seu acervo.