AI Nutrition Facts: Como Funciona o Rótulo de Transparência em Produtos de IA

No dia 20 de setembro de 2026, o designer Hiroshi Sato publicou no UX Collective um ensaio chamado AI nutrition facts, propondo anexar ao final de cada texto um rótulo pequeno, no formato do painel nutricional de embalagens de comida, declarando o que veio de humano e o que veio de IA na produção daquele conteúdo. Ele descreve o objeto como um pequeno rótulo sobre uso de IA, modelado no painel de nutrition facts encontrado em embalagens de alimentos, onde marca quais partes do ensaio vieram de um humano e quais de uma IA.

A ideia dele não é original, e ele não afirma que seja. O formato já existe como produto lançado em 2023: a Twilio, plataforma de comunicação em nuvem, lançou em meados de 2023 seu AI Nutrition Facts Label para explicar como seus produtos usam IA generativa. O que o artigo do Sato faz é levar o rótulo do plano corporativo (declarar o que um produto SaaS faz com seus dados) para o plano autoral (declarar o que uma pessoa fez com IA num texto). E é aí que a coisa vira uma discussão de interface, não de branding.

Como funciona o rótulo por baixo

O painel nutricional de comida resolveu um problema muito específico: você não pode confiar no marketing da embalagem para saber o que está comendo, então existe uma área padronizada, com campos fixos, na qual o fabricante é obrigado a declarar composição em termos comparáveis com qualquer outro produto da prateleira. O truque não é o design bonito, é que os campos são os mesmos em toda embalagem. Isso permite comparação horizontal.

A Twilio copiou exatamente essa mecânica. Os nomes dos campos individuais são fixos para dar aos clientes a capacidade de comparar diferentes features com facilidade. Ou seja, o valor do rótulo não está em ele existir, está em ele existir com schema idêntico em todo produto, para que dois rótulos lado a lado façam sentido. Um rótulo por produto, com campos inventados por cada time, é decoração.

Os campos que a Twilio decidiu padronizar cobrem, entre outras coisas, quais modelos de linguagem grandes são usados, como o dado do cliente é tratado, quais limitações existem, e como o sistema é projetado para se comportar. O rótulo inclui informação que a Twilio considera mais importante, com base em sua dupla perspectiva como comprador de ferramentas de IA e construtor de produtos com IA, e descreve quais LLMs são usados, como o dado do cliente é tratado, quais limitações existem e como o sistema de IA é projetado para se comportar.

Para uso de dado, eles criaram uma escala fechada, não texto livre. Os níveis são baseados na CustomerAI Privacy Ladder da Twilio e são pensados para identificar claramente como o dado do cliente é usado dentro de uma feature de IA, e quem pode usar o modelo. Escala fechada é o que impede o rótulo de virar campo de marketing. Você não escreve “tratamos seu dado com cuidado”, você marca um degrau numerado que significa a mesma coisa em qualquer produto que use aquela escala.

Tem outra coisa importante que separa o rótulo de um selo de conformidade qualquer: ele é obrigatório no ciclo de vida do produto. O rótulo é mais do que uma ferramenta de comunicação, é uma saída formal embutida no ciclo de desenvolvimento do produto, e qualquer produto Twilio que use IA generativa deve incluir um rótulo preenchido depois de passar do estágio de piloto para seguir adiante, o que faz do rótulo um checkpoint padrão de desenvolvimento, não um depois de pensar. Isso é o que muda o rótulo de “design” para “gate de release”. Sem gate, o rótulo é feature opcional que ninguém preenche direito.

Uma analogia, com o lugar onde ela quebra

É tentador comparar o AI Nutrition Facts com o rótulo de comida, e a comparação carrega alguma mecânica de verdade: campos fixos, comparabilidade, obrigatoriedade regulatória no caso da comida. Mas ela quebra em um ponto: no rótulo de comida, o valor de sódio é medido em laboratório e verificável. No rótulo de IA, quem preenche o campo é o próprio fabricante do produto, sem auditor externo. É autodeclaração. Um trabalho recente sobre transparência em IA generativa nota isso: no contexto de IA generativa, rótulos podem enfrentar desafios adicionais de credibilidade porque fluxos de dados opacos dificultam para o usuário avaliar se práticas declaradas são precisas ou completas. O rótulo é útil como declaração de intenção pública e como schema de comparação, não como prova.

O que isso significa na prática, para quem constrói interface

Se você tem um produto que usa IA em algum lugar da experiência, existem três decisões de interface para tomar antes de sequer olhar como o rótulo vai parecer visualmente.

Decisão 1: onde o rótulo vive dentro do fluxo. Colar o rótulo na página de marketing não conta, porque a pessoa que precisa da informação está dentro do produto, no momento em que a feature de IA vai rodar. O rótulo tem que estar perto do gatilho.

Um caminho concreto, que dá para escrever hoje, é anexar o rótulo ao componente que dispara a ação de IA, via popover disparado por um botão de info, com o próprio rótulo como conteúdo semântico:

<button
 type="button"
 aria-expanded="false"
 aria-controls="ai-facts-summarize"
 aria-label="Ver como esta funcionalidade usa IA">
 i
</button>

<section
 id="ai-facts-summarize"
 role="region"
 aria-label="AI Nutrition Facts para Resumo automático"
 hidden>
 <dl>
 <dt>Modelo base</dt><dd>GPT-4o (OpenAI)</dd>
 <dt>Uso do seu dado</dt><dd>Nível 1: nenhum dado pessoal é enviado ao modelo</dd>
 <dt>Retenção</dt><dd>Prompts descartados em 30 dias</dd>
 <dt>Human in the loop</dt><dd>Você aprova antes de publicar</dd>
 </dl>
</section>

Usar dl com dt/dd não é firula. É a estrutura semântica de par chave/valor, que é literalmente o que um rótulo é. Leitor de tela anuncia como lista de definições, e crawler entende como dado estruturado.

Decisão 2: o schema é seu ou você adota um de fora. Se você adota o schema aberto da Twilio, ganha comparabilidade com outras ferramentas que já usam. Em uma reviravolta inesperada, o rótulo ganhou tração além da Twilio: lançado como iniciativa open source, o AI Nutrition Label da Twilio foi baixado por desenvolvedores, educadores e outros, como o Exploratorium de San Francisco, buscando educar audiências não técnicas sobre seu uso de IA. Se você inventa o seu, provavelmente vai reinventar mal.

Decisão 3: quem preenche o rótulo, e quando. Isso é a parte que quase todo mundo erra. Rótulo escrito por time de marketing depois que a feature está no ar vira ficção. Rótulo preenchido pelo time que subiu a feature, antes do release, e revisado por alguém de segurança ou privacidade, tem chance de refletir o que o sistema faz. Volto ao ponto da Twilio: é um checkpoint de release, não um artefato de comunicação.

Já vi essa mecânica funcionar em outro contexto, sem envolver IA. Num construtor de landing page que tirou a criação de página da fila da engenharia, a única forma de o marketing conseguir montar página sozinho sem quebrar o design system foi o próprio builder impor os limites: componentes com props fechadas, tokens de cor não editáveis, tipografia amarrada. Rótulo de IA funciona pelo mesmo princípio: se o preenchimento é campo de texto livre, ele vira marketing. Se é enum fechado com opções pré-definidas por privacidade e engenharia, ele vira dado.

Onde o padrão quebra

Rótulo não é auditoria. Já mencionei acima, mas vale insistir. O usuário não tem como verificar se o campo “nenhum dado pessoal é enviado ao modelo” é verdade. Ele confia na declaração. Isso é diferente do rótulo de comida, onde existe FDA, existe multa, existe teste laboratorial. Enquanto não houver regulação com dente, o rótulo de IA é ferramenta de disciplina interna do fabricante, não escudo do usuário.

O rótulo pode virar teatro de conformidade. A própria história do rótulo de comida sugere isso. No caso da comida, isso teve pouco a ver com o déficit de conhecimento que o rótulo foi inventado para resolver, e frequentemente fabricantes simplesmente trocaram um ingrediente insalubre por outro. Existe risco real de o rótulo de IA seguir o mesmo caminho: ficar tecnicamente correto e humanamente inútil.

Densidade e legibilidade competem. Se você coloca todos os campos de uma vez, o rótulo vira parede de texto e ninguém lê. Se esconde tudo atrás de “ver mais”, ninguém abre. A literatura de UX de transparência em IA tem apontado a divulgação progressiva como um caminho: trabalhos anteriores sobre transparência algorítmica também se apoiaram no princípio de UX de divulgação progressiva, sugerindo que fornecer explicações sob demanda pode ajudar usuários a entender melhor um sistema e reduzir erros iniciais. Na prática significa: uma linha de resumo sempre visível (“esta feature usa IA generativa, seus dados não treinam o modelo”), com o rótulo completo atrás de um toque.

Em dashboard denso em dados de medição de mídia, aprendi na marra que informação adicional escondida atrás de tooltip é informação que 90% dos usuários nunca leem. Se o rótulo importa de verdade para uma decisão que o usuário está tomando agora, ele não pode estar dois cliques abaixo. Se importa só para compliance, tudo bem estar abaixo, mas então seja honesto sobre para quem o rótulo existe.

Mobile é um problema não resolvido. A própria página oficial reconhece: o editor de rótulos atualmente não está disponível em mobile, e pede que você visite o site em um dispositivo com tela maior. Um rótulo denso em tela pequena não cabe. É outro motivo para pensar em progressive disclosure desde o começo, e não como remendo.

O que ainda não dá para afirmar

Não existe evidência pública, até onde consegui verificar, de que o rótulo mude comportamento de usuário final de forma mensurável no contexto de IA. As pesquisas que a Twilio e o IMD citam sobre “consumidores confiam mais em produtos com rótulo” são do universo de comida, não de software. Extrapolar é razoável, mas é extrapolação.

Também não é claro qual schema vai ganhar. Existe o da Twilio, existe o Dataset Nutrition Label focado em cientista de dados, existe proposta de rótulo de privacidade para apps de GenAI open source com framework automatizado gerando o rótulo a partir do repositório de código. Um framework chamado Repo2Label gera rótulo de privacidade de GenAI baseado no repositório de código, refletindo autenticamente as práticas de privacidade dos apps de GenAI. Se o padrão vencedor for gerado automaticamente a partir de código, muda tudo, porque tira a autodeclaração do meio.

E não há, até agora, mandato regulatório claro. Departamentos do Tesouro e do Comércio publicaram relatórios examinando riscos de IA que revelaram que oficiais federais estão estudando se devem impor os rótulos, e instituições financeiras declararam que se beneficiariam de uma descrição padronizada, similar a um rótulo nutricional, para sistemas de IA generativa fornecidos por terceiros, para identificar claramente qual dado foi usado para treinar um modelo, de onde veio, e como qualquer dado submetido ao modelo será incorporado. Está no plano de estudo, não no plano de lei.

Como testar isso você mesmo

Um caminho pequeno, que dá para fazer em uma tarde:

1. Abra nutrition-facts.ai em desktop e crie um rótulo para uma feature real de IA no seu produto. Não invente um produto de exemplo, pegue algo que está em produção.
2. No momento de preencher, você vai perceber quais campos você não sabe responder. Anote esses. Eles são a lista de perguntas que seu time nunca fez.
3. Leve a lista para quem escreveu o código da feature. Pergunte, campo por campo, qual é a resposta verdadeira. Compare com o que o marketing diz sobre a mesma feature.
4. Exporte o rótulo, coloque como popover atrás de um ícone de info ao lado do botão que dispara a IA, usando o HTML semântico que mostrei acima.
5. Rode um teste com cinco usuários. Não pergunte se gostaram do rótulo. Pergunte, depois de usar a feature, o que eles acham que aconteceu com o texto que digitaram. Compare com o que o rótulo diz.

Se as respostas dos cinco usuários baterem com o rótulo, o rótulo está fazendo trabalho de interface. Se não baterem, ou o rótulo está no lugar errado, ou está escrito em jargão, ou o produto está fazendo algo diferente do que o rótulo declara. Qualquer uma das três é informação valiosa.