Resumo (Português) A ascensão das Inteligências Artificiais (IAs) generativas e dos Large Language Models (LLMs) tem transformado significativamente os critérios pelos quais organizações são recuperadas, compreendidas, citadas e recomendadas nos ambientes digitais. Nesse contexto, esta pesquisa investiga o papel da Governança em Arquitetura da Informação na ampliação da representação computacional de entidades e na sua influência sobre a citabilidade em ecossistemas de IA. O estudo foi desenvolvido por meio de um programa experimental longitudinal, conduzido em ambiente real de operação, utilizando a LSP Mídia como unidade de análise e laboratório de experimentação. A metodologia fundamentou-se na implementação progressiva de práticas de Governança em Arquitetura da Informação, incluindo organização semântica dos ativos informacionais, dados estruturados, documentação orientada à Inteligência Artificial, otimização da presença digital e fortalecimento de evidências externas verificáveis, acompanhadas por monitoramento contínuo em diferentes motores de busca e sistemas baseados em IA. Os resultados confirmam que o reconhecimento computacional de uma entidade não ocorre de forma binária, mas por meio de um processo evolutivo denominado Gradiente de Citabilidade, no qual a entidade amplia progressivamente sua probabilidade de recuperação, reconhecimento, citação e recomendação à medida que reduz ambiguidades semânticas e fortalece sua representação distribuída. A pesquisa também evidencia que a otimização técnica apresenta um limite prático, tornando a autoridade externa e as evidências verificáveis fatores determinantes para níveis mais elevados de reconhecimento por sistemas inteligentes. Além disso, demonstra que a Arquitetura da Informação extrapola sua função tradicional de organização de conteúdos e usabilidade, consolidando-se como uma capacidade estratégica para o ecossistema de dados. Palavras-chave: Arquitetura da Informação; Inteligência Artificial; Entidades; Recuperação da Informação; Web Semântica; UX; Schema Markup; SEO; GEO; LLMO; Citabilidade; Sistemas de Recuperação de Informação. Abstract (English) The rise of generative Artificial Intelligence (AI) and Large Language Models (LLMs) has significantly transformed the criteria by which organizations are retrieved, understood, cited, and recommended in digital environments. In this context, this research investigates the role of Information Architecture Governance in expanding the computational representation of entities and its influence on citability within AI ecosystems. The study was developed through a longitudinal experimental program conducted in a real operational environment, using LSP Mídia as the unit of analysis and experimental laboratory. The methodology was based on the progressive implementation of Information Architecture Governance practices, including semantic organization of informational assets, structured data, AI-oriented documentation, digital presence optimization, and the strengthening of verifiable external evidence, accompanied by continuous monitoring across different search engines and AI-based systems. The results confirm that the computational recognition of an entity does not occur in a binary fashion, but through an evolutionary process termed the 'Citation Gradient', in which the entity progressively expands its probability of retrieval, recognition, citation, and recommendation as it reduces semantic ambiguities and strengthens its distributed representation. The research also highlights that technical optimization has a practical limit, making external authority and verifiable evidence determining factors for higher levels of recognition by intelligent systems. Furthermore, it demonstrates that Information Architecture goes beyond its traditional function of content organization and usability, consolidating itself as a strategic capability for the data ecosystem. Keywords: Information Architecture; Artificial Intelligence; Entities; Information Retrieval; Semantic Web; UX; Schema Markup; SEO; GEO; LLMO; Citability; Information Retrieval Systems