IA no contencioso de massa: onde compensa e onde não compensa

---

O contencioso de massa parece o cenário ideal para inteligência artificial. Volume alto, documentos parecidos, prazos recorrentes, margem apertada por processo. Tudo isso é verdade e explica por que quase todo projeto de IA jurídica começa por aqui.

O que raramente entra na conta é que a mesma repetição que torna a automação atraente também multiplica o erro. Um advogado que se confunde erra em um processo. Um agente mal calibrado erra do mesmo jeito em três mil, com a mesma redação, na mesma semana, e o padrão fica visível para a outra parte antes de ficar visível para você.

Essa assimetria deveria organizar a decisão inteira. No contencioso de massa, o critério não é onde a IA acerta mais. É onde o erro é detectável e barato antes de produzir efeito externo.

O critério que separa oportunidade de risco

Uma tarefa é boa candidata quando reúne quatro condições: acontece com frequência, recebe entrada relativamente padronizada, admite verificação por critério objetivo e produz saída conferível antes de sair da operação.

É má candidata quando depende de interpretação de contexto, exige negociação, define tese, avalia credibilidade ou gera efeito irreversível. Nesses casos a IA reúne informação e organiza cenários, mas não ocupa o lugar de quem responde pela decisão.

O teste rápido: se um erro nessa tarefa só aparece depois do protocolo, ela não é candidata a automação. É candidata a apoio.

A taxa de exceção define o ganho, não a taxa de acerto

Este é o ponto que mais desmonta business case otimista, e vale fazer a conta.

Considere uma triagem sobre um volume mensal V. Uma fração p dos casos é resolvida pelo fluxo automatizado e passa apenas por conferência rápida. O restante cai em exceção e volta para tratamento manual.

O ganho por caso automatizado é a diferença entre o tempo manual original e o tempo de conferência. A perda por exceção é a diferença entre o tempo de tratar um caso que o sistema já mexeu e o tempo de tratá-lo do zero. E essa diferença costuma ser positiva, não neutra: o analista precisa primeiro entender o que a máquina fez, decidir se aproveita algo, e só então refazer. Reabrir trabalho alheio é mais caro que começar limpo.

Some as duas parcelas e o resultado tem um ponto de virada. Com tempo de conferência alto e penalidade de exceção relevante, uma acurácia que parece ótima produz ganho líquido próximo de zero. Com conferência barata e exceção tratada por um caminho separado, uma acurácia modesta já compensa.

A consequência prática é que o piloto precisa medir três grandezas, não uma: quanto tempo cai nos casos automatizados, quanto tempo sobe nos casos de exceção e quanto tempo a equipe gasta conferindo o que o sistema fez. Projeto que reporta só a primeira está reportando meia conta.

E há um corolário desconfortável: reduzir a taxa de exceção quase sempre rende mais do que aumentar a acurácia. É mais barato alargar o que o fluxo aceita, ou desviar antes as classes que ele não trata bem, do que perseguir os últimos pontos percentuais de acerto.

Erro aleatório e erro sistemático não se controlam do mesmo jeito

Erro aleatório é o que se espera: um documento mal digitalizado, um campo em posição incomum, uma redação atípica. Amostragem detecta, revisão absorve, e o impacto fica contido no caso individual.

Erro sistemático é outra coisa. O agente passa a classificar toda uma família de demandas de forma errada porque a carteira mudou de composição, porque o adversário passou a usar uma petição-modelo nova, ou porque o fornecedor atualizou a versão do modelo e o comportamento mudou sem aviso.

Esse tipo de erro não aparece em amostragem pequena, porque a amostra continua parecendo boa até que a classe afetada atinja peso suficiente. Aparece em monitoramento de distribuição: quantos casos por classe, por mês, comparados ao histórico. Quando uma categoria some ou infla sem explicação processual, o problema quase nunca está na realidade da carteira.

No contencioso de massa, erro sistemático é o único que pode gerar dano em escala. É nele que o controle deve ser desenhado.

Os controles que tornam a automação viável

Esta é a parte que decide se o projeto sobrevive ao terceiro mês.

Conjunto de avaliação antes de construir. Entre cem e duzentos casos reais da própria carteira, com a resposta correta registrada por quem entende do assunto. É trabalhoso e quase sempre pulado. Sem ele, não há como saber se uma alteração melhorou ou piorou o sistema, e toda discussão sobre qualidade vira impressão.

Verificações determinísticas em volta do modelo. O modelo extrai; o código confere. Campo obrigatório presente, valor da causa compatível com a soma dos pedidos, data dentro de faixa plausível, nome de parte batendo com o cadastro, competência coerente com o objeto. Regra explícita erra de forma previsível e barata, ao contrário do modelo.

Desconfiança do escore de confiança. Modelos de linguagem são mal calibrados: dizem estar seguros quando não estão. Usar esse número como gatilho de revisão cria falsa sensação de controle. Sinal estrutural funciona melhor: campo ausente, formato inesperado, contradição entre campos extraídos.

Concordância entre extratores. Rodar duas configurações diferentes sobre o mesmo documento e sinalizar divergência custa uma fração do que custa revisão humana, e captura boa parte do que a revisão captaria. É o controle com melhor relação entre custo e detecção que conheço para triagem em volume.

Amostragem estratificada, não uniforme. Revisar dez por cento de tudo desperdiça atenção nas classes fáceis e não protege as difíceis. Revisar cem por cento das classes de alto impacto, uma fatia maior das classes instáveis e uma fatia pequena das estáveis usa a mesma hora de revisão com muito mais retorno.

Suíte de regressão a cada mudança de versão. O fornecedor aposenta o modelo, a substituta se comporta diferente, e a operação descobre pelo resultado. Rodar o conjunto de avaliação a cada troca de versão transforma uma descoberta tardia em um relatório de dez minutos.

Desvio obrigatório do que não pode entrar no fluxo. Segredo de justiça, dado sensível, processo com particularidade conhecida. A triagem precisa detectar e mandar para o caminho manual antes de qualquer processamento, não depois.

Onde compensa

Triagem e classificação na entrada. Partes, classe, assunto, pedidos, valor da causa, datas, documentos ausentes. Melhor relação entre volume e risco de toda a operação, porque o erro aparece antes de qualquer ato processual e a revisão é barata. Funciona quando cada campo vem com vínculo para o trecho de origem, para que a conferência seja de olhada e não de releitura.

Leitura comparada. Confrontar inicial e contestação, localizar pedidos sem resposta, apontar divergência entre documentos, mapear o que mudou entre versões de um contrato de adesão. O valor não está no resumo bem escrito. Está em reduzir o tempo até o profissional encontrar o que precisa olhar.

Localização de precedente no acervo próprio. Recuperar o que o escritório já sustentou naquela tese, naquela vara, com aquele resultado. A base é o acervo do cliente, não a internet, e cada trecho recuperado carrega a fonte. Sem isso, o risco de citação inexistente entra na operação pela porta da frente.

Montagem assistida de manifestações de baixa variabilidade. Modelos aprovados, blocos selecionados por critério, campos preenchidos, lacunas sinalizadas. É diferente de pedir a um modelo aberto que escreva a peça do zero. O ganho vem da montagem, não da retirada do profissional do fluxo.

Controle de qualidade da carteira. Peça sem anexo esperado, divergência de valor, tópico obrigatório ausente, padrão anômalo em lote. Aqui a função da IA não é eliminar erro. É dizer quais casos merecem atenção humana primeiro, o que costuma valer mais que qualquer automação de produção.

Onde não compensa

Decisão jurídica. Escolher tese, admitir fato, desistir de pedido, decidir sobre recurso. Volume não converte julgamento em tarefa mecânica. A decisão continua atribuída a alguém identificável, com competência e informação para justificá-la.

Definição de política de acordo. Aplicar uma política de acordo já definida é automação legítima: faixa de valor, perfil de caso, alçada. Definir a política não é, porque envolve provisão, apetite a risco e autoridade delegada. A distinção parece óbvia no papel e se perde com frequência na implementação.

Cálculo sem rotina determinística. Modelo de linguagem é ruim em aritmética e convincente ao errar. Cálculo de massa pede regra explícita e auditável. A IA serve para extrair os parâmetros de entrada, não para produzir o número final.

Casos raros e mal documentados. Se a equipe não explica de forma consistente como decide, ainda não existe processo para automatizar. O investimento certo é documentar critério e registrar decisão. A tecnologia entra depois, quando houver padrão.

Qualquer tarefa cuja economia dependa de pular a conferência. Se o business case só fecha quando a revisão humana sai do fluxo, o business case não fecha.

Sobre ligar geração ao protocolo

Automatizar o protocolo não é o problema. Depois que a peça foi aprovada e passou por verificações objetivas, automatizar o envio é ganho legítimo e de baixo risco.

O problema é permitir que conteúdo não validado atravesse esse ponto. Nome trocado, dado de outro processo, pedido incompatível com a inicial, precedente inexistente. No contencioso de massa, qualquer um desses se replica na escala do lote, e a correção posterior custa mais do que o ato original economizou.

Quanto maior o efeito externo do ato, mais determinístico deve ser o controle imediatamente antes dele.

Como saber se valeu

Linha de base medida, não estimada: tempo por tarefa, volume mensal, taxa de retrabalho, custo do erro, prazo perdido. Depois do piloto, os mesmos indicadores sobre casos reais.

No custo total entram integração, revisão, manutenção, tratamento de exceção, licenciamento por volume e o tempo de quem sustenta a solução internamente. Essa última parcela é a mais esquecida e a que mais cresce depois do sexto mês.

Vale ainda escolher o indicador certo. Medir ganho apenas em horas economizadas subestima o valor quando a hora poupada é de quem custa pouco, e superestima quando a hora liberada não é realocada em nada. Em muitas carteiras, o ganho que importa é redução de prazo perdido e de retrabalho, não custo de mão de obra.

Sem essa comparação, a operação tem uma demonstração convincente, não uma decisão de investimento.

A conclusão honesta

No contencioso de massa, a IA compensa quando elimina procura, cópia, classificação e comparação repetitivas, e quando o erro que ela introduz aparece cedo e sai barato.

Não compensa quando é usada para maquiar de automação uma decisão que continua exigindo contexto e responsabilidade profissional, nem quando o ganho depende de confiar em saída não verificada.

A implementação madura não tira o jurídico do circuito. Ela redesenha o fluxo para que a máquina cuide do repetitivo, o profissional decida o que importa, e todo resultado relevante continue rastreável até a fonte.

---

Thiago Azeredo Rodrigues é especialista em Inteligência Artificial aplicada ao Direito e Head de Tecnologia Jurídica do Instituto NTA.