Como aplicar IA em escritórios de advocacia: casos práticos

A inteligência artificial deixou de ser um tema experimental no setor jurídico. Hoje, a discussão mais útil já não é se escritórios devem olhar para IA, mas onde ela efetivamente gera valor, quais riscos não podem ser terceirizados ao fornecedor e como estruturar adoção sem comprometer confidencialidade, governança e qualidade técnica.

Em uma conversa centrada em aplicações práticas para bancas de advocacia, Matthew Golab, diretor de legal informatics e de pesquisa e desenvolvimento do Gilbert + Tobin, trouxe uma visão particularmente valiosa por combinar três perspectivas que raramente aparecem juntas: operação jurídica, tecnologia e gestão de risco. O ponto central não foi um entusiasmo acrítico com GenAI, mas uma leitura madura: há ganhos reais, porém a maior parte das organizações ainda está em fase de aprendizado.

Para departamentos jurídicos, law firms e empresas de tecnologia jurídica, a mensagem é clara: IA generativa pode ampliar produtividade, mas sua implementação exige critérios de arquitetura, contratação, validação e uso responsável.

Key Takeaways

• Os ganhos mais tangíveis hoje estão em sumarização, triagem de e-mails, revisão contratual e apoio a due diligence e e-discovery, mas com limites importantes de escala e custo.
• Ferramentas gratuitas ou públicas não devem receber dados confidenciais; sem contrato e sem garantias, o risco jurídico e reputacional é elevado.
• Nem toda solução "AI-powered" entrega valor jurídico real; é essencial avaliar modelo usado, hospedagem, terceiros envolvidos, retenção de dados e guardrails.
• IA generativa não substitui supervisão jurídica; os outputs devem ser tratados como rascunho qualificado, não como produto final autossuficiente.
• Hallucinations continuam sendo um risco material, especialmente em pesquisa e citações jurídicas; revisão humana rigorosa é indispensável.
• Projetos-piloto devem usar dados públicos ou controlados, nunca dados de clientes em fase exploratória.
• O retorno sobre investimento depende do perfil do usuário; profissionais seniores tendem a extrair mais valor porque sabem o que pedir e como detectar erros.
• Comitês internos de IA fazem sentido, desde que incluam jurídico, risco, tecnologia, operação e diferentes níveis de senioridade.
• Adoção responsável exige política de embargo e critérios de sensibilidade, com casos em que o uso deve ser simplesmente proibido.
• A pergunta estratégica não é apenas "quanto custa a ferramenta?", mas "como ela altera workflow, horas faturáveis, treinamento e modelo operacional da firma?".

O que é IA generativa — e por que isso importa para o jurídico

Um dos esclarecimentos mais úteis da conversa foi separar machine learning tradicional de IA generativa.

Em termos práticos, o machine learning clássico depende de maior esforço humano de treinamento: especialistas rotulam dados, ajustam modelos e, só então, colhem ganhos operacionais. Já a IA generativa reduz essa barreira de entrada. O usuário descreve o que quer em linguagem natural, envia um prompt e recebe uma resposta textual, analítica ou estrutural.

Essa diferença é decisiva para o jurídico por três motivos:

1. A curva de adoção é menor

O advogado não precisa aprender uma interface altamente técnica para começar. A interação por linguagem natural reduz resistência inicial e acelera testes.

2. O risco de uso indevido também é maior

Quanto mais simples a ferramenta parece, maior a tentação de inseri-la em rotinas sensíveis sem avaliação prévia de risco.

3. O problema migra de "como operar o software" para "como governar o uso"

Em outras palavras: a dificuldade não está só no acesso à tecnologia, mas em definir o contexto em que ela pode ser usada com segurança.

Onde a IA já entrega ganhos mais claros em escritórios

Embora o próprio entrevistado ressalte que ainda é cedo para conclusões definitivas, alguns casos de uso já aparecem com mais nitidez.

1. Sumarização de documentos complexos

Esse talvez seja o "quick win" mais universal.

Contratos extensos, memoriais, pareceres, anexos, trocas de e-mail e atas podem ser resumidos com rapidez, transformando horas de leitura inicial em uma primeira visão estruturada de:

• pontos-chave;
• obrigações críticas;
• riscos aparentes;
• pendências;
• próximos passos.

Para o contexto brasileiro, isso é particularmente útil em rotinas de:

• revisão de minutas;
• onboarding de novos integrantes em matters longos;
• handoff entre times;
• preparação para reuniões;
• consolidação de histórico documental.

O cuidado: sumário não é interpretação jurídica. Uma boa síntese economiza tempo; uma síntese errada, porém convincente, pode induzir erro de estratégia.

2. Triagem e organização de e-mails

Outra frente de ganho rápido está no tratamento de comunicações.

IA pode ajudar a:

• agrupar e-mails por tema;
• destacar mensagens com potencial urgência;
• extrair tarefas e prazos;
• resumir discussões extensas em cadeia;
• identificar itens que exigem retorno.

Para operações jurídicas sobrecarregadas por fluxo de comunicação, isso tem valor operacional imediato. Não é uma revolução doutrinária; é uma melhoria concreta de gestão da atenção.

3. Revisão contratual e comparação com padrões

Na visão apresentada, a revisão contratual é uma das áreas mais promissoras. Isso faz sentido: em muitas organizações, há linguagem padrão, posições preferenciais e cláusulas de risco conhecidas.

Nesses cenários, IA pode apoiar a detecção de:

• desvios em relação ao template;
• cláusulas fora do padrão aprovado;
• assimetrias de risco;
• redações incomuns;
• ausência de termos essenciais.

Esse uso é especialmente poderoso em instituições que já possuem biblioteca contratual madura e governança de precedentes. Sem esse baseline, a tecnologia perde parte da utilidade.

4. E-discovery e due diligence: alto potencial, com ressalvas

Matthew apontou e-discovery e due diligence como áreas relevantes, mas fez uma distinção importante: IA generativa é promissora, porém não necessariamente ideal para volumes massivos, ao menos no estágio atual.

O motivo principal é econômico e técnico:

• o custo costuma ser calculado por tokens;
• documentos longos consomem processamento e orçamento;
• análises em escala muito alta ainda favorecem abordagens clássicas de machine learning ou workflows híbridos;
• o tempo de processamento pode ser obstáculo em grandes populações documentais.

Essa é uma observação importante para o mercado jurídico: nem todo problema documental deve ser entregue diretamente à GenAI. Em muitos casos, o melhor desenho será combinar classificação tradicional, filtros, amostragem e uso cirúrgico de IA generativa.

IA generativa versus TAR e outras tecnologias "provadas"

Um dos pontos mais relevantes para profissionais de legal ops e litigation support é a comparação entre GenAI e tecnologias estabelecidas, como TAR (Technology Assisted Review).

A distinção prática pode ser resumida assim:

TAR tradicional

• funciona bem em grandes volumes;
• depende de treinamento humano progressivo;
• tende a produzir classificações binárias mais estáveis;
• foi sendo incorporado às plataformas ao longo do tempo;
• tem comportamento mais previsível para revisão massiva.

IA generativa

• exige menos setup inicial;
• aceita instruções em linguagem natural;
• pode explicar racionalmente por que classificou algo;
• é excelente para amostras, testes, análise contextual e síntese;
• ainda enfrenta limitações de custo, consistência e escalabilidade.

O ponto crítico trazido por Golab é o risco de overfitting de prompt: ajustar tanto a instrução para um conjunto pequeno que ela pareça perfeita nos 50 documentos testados, mas falhe quando aplicada aos 50 mil do universo real.

Para o jurídico, isso traduz uma lição operacional simples: uma demo funcional não é prova de robustez em produção.

O erro mais comum: confundir facilidade de uso com maturidade da solução

A grande força da IA generativa é sua acessibilidade. Mas é também sua armadilha.

Como a ferramenta responde de forma fluida, segura e persuasiva, cresce o risco de o usuário tratá-la como um "colega brilhante" em vez de um sistema probabilístico. O entrevistado usou uma comparação feliz: o modelo se comporta como um profissional muito disposto a agradar. E isso, no contexto jurídico, é perigoso.

Uma resposta elegante não equivale a:

• correção jurídica;
• completude factual;
• aderência regulatória;
• segurança da informação;
• confiabilidade probatória.

Para escritórios, isso muda o treinamento necessário. Não basta ensinar "como usar". É preciso ensinar como desconfiar.

Confidencialidade, compliance e soberania de dados: o núcleo do problema

Se há uma área em que o debate jurídico sobre IA deve ser menos superficial, é esta.

O alerta central da conversa foi inequívoco: se a ferramenta é gratuita ou pública e não há contrato de confidencialidade, deve-se presumir ausência de proteção adequada.

Isso não significa que toda solução em nuvem seja inviável. Significa que o escritório precisa compreender com precisão:

• onde o modelo está hospedado;
• em que país o processamento ocorre;
• quais suboperadores participam da cadeia;
• se os dados são retidos;
• se podem ser usados para treinamento;
• quem pode acessá-los;
• quais logs e controles existem;
• que opções de auditoria e repetibilidade estão disponíveis.

O desafio da hospedagem internacional

A observação feita sobre modelos inicialmente liberados no mercado dos EUA é especialmente relevante para o Brasil. Muitas funcionalidades chegam primeiro em infraestruturas fora da jurisdição local ou sem clareza contratual suficiente.

Para escritórios brasileiros, isso exige atenção extra a:

• transferência internacional de dados;
• exigências da LGPD;
• cláusulas contratuais com clientes;
• restrições setoriais em temas financeiros, concorrenciais, trabalhistas ou contenciosos sensíveis.

Política de embargo faz sentido

Um insight prático importante foi a ideia de manter uma lista de matérias ou contextos em que o uso de IA é vedado ou depende de autorização expressa.

Isso é mais inteligente do que uma política genérica de "uso responsável", porque cria orientação concreta. Em vez de dizer apenas "tenha cautela", a organização define:

• casos de uso permitidos;
• casos de uso proibidos;
• situações que exigem aprovação do sócio ou do cliente;
• tipos de dado que nunca podem sair do ambiente controlado.

Em um escritório brasileiro, essa lógica poderia incluir restrições severas para informações ligadas a:

• investigações internas;
• segredos de negócio;
• operações de mercado não divulgadas;
• dados pessoais sensíveis;
• questões penais ou reputacionais;
• temas cobertos por information barriers.

Hallucinations: risco técnico com consequência disciplinar, processual e reputacional

A discussão sobre alucinações foi tratada com o peso devido: não como detalhe técnico, mas como problema jurídico real.

O entrevistado mencionou um banco de dados de casos judiciais envolvendo uso indevido de citações inventadas por IA. O ponto aqui não é o número exato, mas a constatação estrutural: o problema é recorrente, internacional e já produziu decisões judiciais.

Para a advocacia, hallucination não é apenas "erro do sistema". Pode significar:

• petição com citação inexistente;
• parecer baseado em premissa falsa;
• contrato com interpretação mal ancorada;
• aconselhamento regulatório defeituoso;
• quebra de confiança com o cliente;
• exposição disciplinar ou judicial.

Como reduzir esse risco na prática

O vídeo sugere implicitamente algumas medidas que merecem ser transformadas em rotina formal:

Validação em duas camadas

Use IA para gerar hipóteses ou primeira versão, mas exija checagem humana da base jurídica e factual.

Restrição de escopo

Prefira tarefas delimitadas a perguntas excessivamente abertas.

Instruções mais precisas

Prompts melhores não eliminam erros, mas reduzem ambiguidades.

Exigência de fontes verificáveis

Sempre que possível, peça referências e confira se elas existem de fato.

Benchmarking interno

Mantenha conjuntos de teste para avaliar novas versões de modelos.

A mensagem central é simples: a qualidade do output não exonera o dever profissional de verificação.

Como cortar o hype dos fornecedores

Talvez um dos trechos mais úteis da conversa tenha sido o tratamento franco sobre o excesso de marketing no mercado de legal tech.

Quase todo fornecedor hoje se apresenta como "AI-powered". Isso, isoladamente, não informa nada. O que importa é a anatomia da solução.

Perguntas que um escritório deveria fazer antes de contratar

1. Qual modelo está por trás da solução?

OpenAI, Anthropic, Google, modelo próprio ou arquitetura híbrida?

2. Onde a solução é hospedada?

País, provedor de nuvem, arquitetura de tenancy e controles regionais importam.

3. Há terceiros envolvidos?

Subprocessadores, APIs externas, serviços auxiliares e integrações ampliam a superfície de risco.

4. Os dados do cliente são retidos?

Se sim, por quanto tempo? Em que condições?

5. Há uso para treinamento?

A resposta precisa ser objetiva, contratual e auditável.

6. Quais guardrails existem?

Bloqueios, filtros, controles de exfiltração, limites de automação, logging.

7. Como a solução lida com atualização de modelos?

Trocas frequentes de versão afetam consistência, reprodutibilidade e governança.

8. Existe trilha de auditoria?

Sem rastreabilidade, a defesa posterior da decisão fica mais difícil.

Para líderes jurídicos, a conclusão é clara: comprar IA sem due diligence técnica e contratual é incoerente com o próprio padrão de diligência exigido em qualquer contratação crítica.

Pilotos: por que muitos falham e como melhorar as chances

Um ponto de grande maturidade na fala de Golab foi reconhecer que muitos projetos corporativos com GenAI fracassam. Essa observação é valiosa porque corrige uma narrativa comum: a de que basta licenciar uma ferramenta e aguardar ganho de produtividade.

Na prática, pilotos falham por vários motivos:

• caso de uso mal escolhido;
• ausência de patrocínio interno;
• usuários sem tempo para testar;
• dados inadequados;
• expectativas irreais;
• falta de métrica comparativa;
• integração fraca com workflow real;
• governança insuficiente.

Boas práticas sugeridas pela conversa

Começar com dados públicos

Na fase exploratória, use bases abertas e controladas, não dados de clientes.

Escolher usuários certos

Pilotos dependem de pessoas com capacidade, interesse e senso crítico.

Medir antes e depois

Tempo, qualidade, taxa de erro, retrabalho e aderência processual devem ser observados.

Criar cenários replicáveis

Sem benchmark interno, cada teste vira impressão subjetiva.

Aceitar que nem todo piloto vai escalar

Falhar cedo em ambiente controlado é melhor que implantar errado.

Essa abordagem é especialmente útil para escritórios médios, que não podem diluir erro estratégico em grandes budgets de inovação.

O papel da senioridade: quem extrai mais valor da IA?

Um insight importante da entrevista foi a diferença entre o uso por profissionais mais experientes e por profissionais juniores.

A tese é convincente: quem já conhece profundamente a resposta provável tende a usar IA melhor, porque sabe:

• formular instruções mais precisas;
• perceber inconsistências;
• ajustar a solicitação;
• identificar exageros ou omissões;
• avaliar se a resposta "soa correta" por razões substanciais, e não só estilísticas.

Isso não significa que juniores não devam usar IA. Significa que a adoção precisa ser desenhada com camadas de supervisão e treinamento compatíveis com o nível de maturidade técnica do usuário.

Para a gestão de escritórios, isso tem implicações práticas:

• licenciamento pode ser seletivo, não universal;
• treinamento deve variar por senioridade;
• workflows com IA exigem revisão proporcional ao risco;
• não é prudente delegar uso irrestrito sem balizas claras.

Quanto custa — e como pensar ROI sem simplificações

A comparação entre uma assinatura geral de baixo custo e plataformas jurídicas especializadas mais caras traz uma questão relevante: o preço nominal da licença diz pouco sem contexto operacional.

Uma ferramenta genérica pode gerar valor se usada amplamente em tarefas transversais, como:

• sumarização;
• brainstorming;
• organização de notas;
• reescrita;
• estruturação de argumentos.

Já uma plataforma jurídica mais cara precisa justificar o investimento por meio de ganhos específicos em:

• produtividade jurídica especializada;
• redução de risco;
• padronização;
• aceleração de revisão;
• vantagem competitiva em práticas selecionadas.

O cálculo correto de ROI no jurídico deveria incluir

• frequência real de uso;
• perfil de quem usa;
• impacto em horas economizadas;
• qualidade do trabalho entregue;
• redução de retrabalho;
• risco mitigado;
• custo de treinamento;
• custo de governança e suporte;
• compatibilidade com o modelo de faturamento.

A provocação feita no debate é inevitável: se IA reduz horas em certas atividades, o impacto não será apenas tecnológico, mas econômico e organizacional. Para firmas baseadas em hora faturável, essa discussão está apenas começando.

Governança interna: por que um comitê de IA faz sentido

A recomendação de formar um comitê interno é especialmente pertinente. Mas o valor do comitê não está no nome, e sim no desenho.

Um grupo eficaz precisa reunir:

• sócios;
• advogados seniores;
• profissionais juniores;
• tecnologia;
• segurança da informação;
• risco/compliance;
• operações;
• eventualmente gestão do conhecimento.

Essa diversidade importa porque a IA afeta múltiplas camadas da firma:

• produção jurídica;
• política de dados;
• retenção documental;
• relacionamento com cliente;
• capacitação;
• contratação de fornecedores;
• posicionamento competitivo.

Sem esse fórum, a tendência é a organização cair em um de dois extremos igualmente ruins: bloqueio excessivo ou adoção caótica.

Deepfakes e fraudes: um risco adjacente que o jurídico não pode ignorar

Embora o foco principal fosse uso interno de IA, a menção a deepfakes merece destaque próprio. Com poucos minutos de áudio ou vídeo, tecnologias atuais já permitem criar interações altamente convincentes.

Para o ecossistema jurídico e financeiro, isso amplia riscos de:

• fraude por engenharia social;
• falsa instrução de pagamento;
• simulação de autoridade;
• manipulação probatória;
• incidentes reputacionais;
• comprometimento de validações por voz ou vídeo.

Esse tema vai além de eficiência. É assunto de gestão de risco institucional, sobretudo para firmas envolvidas em M&A, contencioso sensível, compliance e gestão patrimonial.

O que muda nos próximos três a cinco anos

A resposta do entrevistado foi prudente, e essa prudência é adequada. Ainda é cedo para previsões lineares. Mesmo assim, algumas tendências parecem plausíveis a partir do debate.

1. Menos tolerância para trabalho repetitivo de baixo valor

Clientes passarão a questionar com mais intensidade atividades que poderiam ser automatizadas ou aceleradas.

2. Mudança no treinamento das equipes

Se parte do trabalho inicial for absorvida por ferramentas, escritórios terão de repensar como formar repertório técnico em advogados mais jovens.

3. Maior pressão por valor demonstrável

A tecnologia não será adotada apenas por inovação simbólica; terá de provar eficiência, qualidade e segurança.

4. Mais segmentação de uso

Nem todo profissional precisará da mesma ferramenta, no mesmo nível de acesso, para o mesmo fim.

5. Crescimento de modelos híbridos

A combinação entre sistemas tradicionais, IA generativa e workflows altamente supervisionados deve ser mais comum do que a substituição total de processos.

Um framework prático para escritórios que querem avançar com menos improviso

Com base nos pontos discutidos, uma rota mais segura de adoção pode seguir esta lógica:

Etapa 1: mapear casos de uso

Priorize atividades com alto volume, baixa sensibilidade relativa e grande peso de tempo.

Etapa 2: classificar risco de informação

Defina o que pode, o que não pode e o que depende de autorização.

Etapa 3: testar em ambiente controlado

Pilote com dados públicos, métricas claras e usuários selecionados.

Etapa 4: avaliar fornecedor além do marketing

Faça due diligence técnica, contratual e de segurança.

Etapa 5: treinar com foco em julgamento

Ensine prompting, mas também validação, limites e responsabilidade profissional.

Etapa 6: documentar governança

Política interna, trilha de auditoria, retenção, critérios de aprovação e revisão.

Etapa 7: revisar continuamente

Modelos mudam, riscos mudam, regulações mudam. A política também precisa mudar.

Conclusão

A principal contribuição desta discussão está em recolocar a IA jurídica no lugar certo: nem milagre, nem moda passageira. O cenário atual é de utilidade real, mas seletiva. Os maiores ganhos aparecem em tarefas de apoio cognitivo — resumir, organizar, comparar, destacar, estruturar — enquanto as maiores fragilidades ainda estão em confiabilidade, escala, governança e proteção de dados.

Para o setor jurídico brasileiro, a melhor postura não é resistência absoluta nem adesão acrítica. É experimentação disciplinada.

Isso significa reconhecer que:

• a tecnologia já pode gerar eficiência mensurável;
• a supervisão humana continua central;
• dados de cliente exigem rigor máximo;
• o fornecedor não substitui a responsabilidade da firma;
• governança é tão importante quanto capacidade técnica.

Em última análise, a pergunta mais estratégica não é "qual ferramenta comprar?", mas como reconfigurar processos, treinamento e critérios de qualidade para extrair valor sem aumentar risco indevido. Escritórios que entenderem essa distinção tendem a adotar IA com mais segurança — e com mais vantagem competitiva real.

Source: "On-Demand Webinar: Practical Applications of AI for Law Firms with Matthew Golab" — PracticeEvolve, YouTube, Aug 21, 2025

‍