Decisões judiciais: tendências e jurimetria

Se eu tivesse que resumir em uma linha: dados judiciais ajudam a medir chance, risco e tempo, mas nunca devem ser lidos como promessa de resultado.

Eu vejo três recados centrais no artigo:

• O resultado muda conforme o tribunal, a matéria e o perfil do caso
• Modelos preditivos podem estimar probabilidade de êxito com boa precisão em alguns cenários
• Base ruim, amostra torta e falta de contexto podem levar a leitura errada

Alguns números deixam isso claro:

• 63% dos pedidos ligados à Lei do Superendividamento foram negados em um estudo com 800 decisões
• Em 29.080 processos, mulheres tiveram 31,8% de êxito, contra 28,1% dos homens
• Em litígios aéreos, um modelo chegou a mais de 93% de acurácia e 98% de AUC-ROC
• Em 612.961 recursos do TRF5, modelos de texto superaram especialistas humanos em MCC

Em outras palavras: eu não devo olhar só para a tese. Também preciso olhar para tribunal, período, tipo de ação, relatoria, perfil da parte e qualidade da base.

Se eu uso esse tipo de análise do jeito certo, ela serve para:

• calibrar risco
• priorizar casos
• ajustar expectativa
• apoiar reporte e governança

Se eu uso do jeito errado, posso confundir padrão histórico com regra fixa.

Comparação rápida

‍

‍

Meu ponto de partida é simples: jurimetria ajuda bastante quando há recorte claro, base limpa e leitura crítica. Sem isso, o número pode parecer preciso e, ainda assim, levar para a direção errada.

Padrões empíricos em decisões judiciais

Padrões de resultado por tribunal e tipo de caso

Quando se olha para muitos processos ao mesmo tempo, um padrão aparece de cara: a região pesa. O mesmo pedido pode ter destinos bem diferentes a depender do tribunal e do lugar em que a ação corre.

Um estudo da Juit, publicado em abril de 2026 no Valor Econômico, analisou 800 decisões de 13 Tribunais de Justiça ao longo de 2025. O dado chama atenção: 63% dos pedidos de renegociação de dívidas com base na Lei do Superendividamento foram negados. O TJ-RS apareceu como mais favorável aos devedores. Já tribunais de SP, PR, PA e MT tenderam a negar os pedidos com mais frequência.

Na prática, isso mostra que não basta olhar só para o pedido em si. O tribunal também muda o jogo. E essa diferença fica ainda mais clara quando a comparação envolve tanto tribunais quanto tipos de ação.

Além do tribunal, o perfil da parte também mexe no desfecho. Um estudo da EasyJur, divulgado em junho de 2026, analisou 29.080 processos encerrados com identificação de gênero. Entre esses casos, mulheres tiveram taxa de êxito de 31,8%, contra 28,1% dos homens. No Direito Imobiliário, a distância foi maior: 40,6% para mulheres e 32,6% para homens. Já no Direito Administrativo, o quadro se inverteu: homens tiveram 58,5%, ante 33,8% das mulheres.

Variáveis mais associadas a diferentes resultados

A tese importa, claro. Mas o perfil da causa pesa tanto quanto. Área do direito, perfil da parte, tribunal, composição do colegiado e relatoria aparecem com frequência entre as variáveis associadas ao resultado.

Esse tipo de variação não surge só no desfecho final. Ela também aparece na fundamentação e no valor fixado. Entre 2020 e 2023, a FGV analisou 71 acórdãos de segunda instância sobre LGBTfobia. Nas 23 decisões cíveis com condenação financeira, 21 não mencionaram o marco do STF na ADO 26. A indenização média foi de R$ 13.413,04, com variações entre TJ-SP, TJ-PR e TJ-DFT, o que aponta falta de critério uniforme para fixação do valor.

Os resultados mudam conforme tribunal, perfil da parte e matéria. Quando esses fatores começam a se repetir, deixam de parecer mero acaso e passam a servir como insumo para análise preditiva.

O que os modelos preditivos acrescentam à análise judicial

Esses padrões não servem apenas para contar o que já aconteceu. Eles também alimentam modelos que estimam desfechos com mais precisão. Quando os dados observados entram em modelos preditivos, passam a indicar probabilidade de êxito, risco e tempo de tramitação.

Principais métodos e métricas de desempenho em estudos recentes

Em bases tabulares ou com menor carga textual, modelos como Random Forest, SVM e regressão logística aparecem com frequência. Já em peças processuais longas, com linguagem jurídica mais densa, arquiteturas baseadas em Transformers — como o BERTimbau e o Big Bird — tendem a apresentar melhores resultados, porque conseguem ler melhor as nuances do texto legal.

Na prática, esse desempenho já foi testado em bases massivas do Judiciário brasileiro. Um estudo publicado na PLOS One em julho de 2022 treinou modelos como ULMFiT, BERT e Big Bird com 612.961 recursos do TRF5. O melhor modelo alcançou MCC de 0,3688. Para colocar isso em perspectiva, o número foi quase três vezes maior que o obtido por 22 especialistas jurídicos humanos, que chegaram a MCC de 0,1253.

Só que, no Direito, não basta olhar acurácia e seguir em frente. Em bases desbalanceadas, a acurácia sozinha pode passar uma impressão errada sobre o modelo. Por isso, estudos mais sérios dão mais peso a métricas como F1, MCC e AUC.

O que estudos internacionais ensinam à jurimetria brasileira

Experiências de outros sistemas judiciais ajudam a mostrar até onde esses modelos podem ir — e onde pedem cautela. Em uma aplicação na base do Tribunal Europeu de Direitos Humanos (TEDH), um modelo de deep learning alcançou precisão de 0,906.

Esse tipo de resultado depende direto da qualidade e da estrutura dos dados. A lição aqui é simples: modelos quantitativos não substituem o julgamento do advogado. Eles funcionam como apoio, ao oferecer estimativas de probabilidade que podem ser comparadas, revistas e registradas.

Com dados organizados e validação consistente, esses princípios saem do campo teórico e passam a orientar o monitoramento jurídico no dia a dia.

<a href="https://www.deeplegal.com.br/" target="_blank" rel="nofollow noopener noreferrer">Deep Legal</a> como exemplo aplicado de monitoramento jurídico baseado em dados

É nesse cenário que a <a href="https://deeplegal.com.br" target="_blank" rel="nofollow noopener noreferrer"><strong>Deep Legal</strong></a> atua. A plataforma coloca em prática o que a pesquisa aponta: coleta de dados processuais em escala, monitoramento contínuo com alertas customizáveis, busca histórica de casos e análise com ferramentas de jurimetria e inteligência artificial. Na ponta, isso gera apoio analítico direto para a tomada de decisão jurídica.

Limites, riscos e cautela metodológica

Depois de encontrar padrões e testar modelos, vem a pergunta que de fato importa: onde isso falha?

Qualidade dos dados, representatividade e limites da predição

Os dados do Judiciário brasileiro costumam vir com inconsistências e lacunas. E isso pesa direto na precisão da análise preditiva. Tribunais diferentes usam classificações diferentes para o mesmo tipo de processo. Também aparecem duplicidades, campos em branco e incoerências cronológicas. Sem padronização e um saneamento cuidadoso, a leitura pode sair torta.

Por isso, o primeiro filtro não é o algoritmo. É a qualidade da base.

Também existe um limite que vem do próprio objeto analisado. A margem de apreciação do julgador faz com que o mesmo conjunto de fatos possa gerar decisões diferentes, a depender do tribunal, da câmara, do magistrado e do contexto do caso. Modelos preditivos leem padrões históricos; eles não substituem a análise jurídica nem prometem desfecho certo. O melhor jeito de ler esses resultados é como estimativas probabilísticas, e não como previsões determinísticas.

Há ainda a sensibilidade ao contexto legislativo. Um modelo treinado com dados anteriores à Reforma Trabalhista de 2017 pode perder precisão se não separar jurisprudência consolidada de mudanças normativas relevantes. Nesses casos, atualizar o conjunto de dados de forma constante não é detalhe técnico. É parte da validade da análise.

Viés, transparência e Estado de Direito

Modelos mais complexos também trazem o risco da opacidade. Quando o sistema entrega uma previsão sem mostrar o caminho percorrido, fica difícil saber se o resultado reflete padrões legítimos ou distorções históricas presentes nos dados de treinamento.

Sem controlar tipo de ação, tribunal e período, diferenças de resultado podem refletir a composição da amostra, e não um viés estrutural. Essa é a cautela metodológica central em jurimetria: taxas de sucesso só fazem sentido quando vêm acompanhadas do tipo de causa, do tribunal e do período analisado.

A saída mais consistente apontada pela literatura é combinar Explainable AI (xAI), auditorias periódicas e supervisão humana. Em termos simples, a jurimetria deve operar como ferramenta de apoio, não como troca do julgamento técnico e da hermenêutica jurídica.

Esses riscos costumam se concentrar em três frentes:

‍

‍

Conclusão: Como equipes jurídicas devem usar dados de tendências judiciais

Os dados judiciais mostram padrões úteis, desde que sejam lidos com método e critério. No dia a dia, isso costuma se traduzir em três usos bem práticos.

Com base nos padrões por tribunal, nas variáveis ligadas ao resultado e nos limites da predição já discutidos, as equipes jurídicas podem atuar em três frentes:

• Comparação de litígios: use tendências descritivas para calibrar risco e expectativa.
• Priorização do contencioso: segmente casos por chance de êxito ou condenação.
• Governança e reporte: integre indicadores à base contínua de decisão.

Sem base limpa e recorte claro, a análise perde precisão.

FAQs

Jurimetria prevê o resultado do processo?

Não de forma determinística, mas probabilística. Com inteligência artificial e análise de dados históricos, a jurimetria encontra padrões para estimar as chances de êxito, calcular indenizações e apontar os cenários mais prováveis.

Na Deep Legal, essas soluções servem como apoio à decisão. Elas ajudam advogados a atuar com mais estratégia e embasamento. O julgamento humano continua sendo essencial.

Quais dados mais influenciam a decisão judicial?

As decisões judiciais não surgem no vácuo. Elas costumam ser afetadas por variáveis processuais e de contexto, e a jurimetria ajuda a enxergar esses padrões com mais clareza.

Entre os fatores mais relevantes, estão o perfil do magistrado, o tipo de ação, a especialização da vara, os precedentes, a qualidade dos argumentos jurídicos e a localização geográfica.

Até características das partes, como gênero, podem apontar padrões úteis. Na prática, isso ajuda a orientar estratégias processuais mais assertivas e previsíveis.

Como saber se uma análise preditiva é confiável?

Uma análise preditiva só funciona bem quando parte de dados de qualidade. Na prática, isso quer dizer dados padronizados, limpos, atualizados e sem duplicatas ou inconsistências.

Além disso, os algoritmos precisam ser transparentes e auditáveis, com supervisão humana contínua. Ferramentas como as da Deep Legal ajudam nesse processo, e a conformidade com a LGPD reforça a segurança e a responsabilidade jurídica.

‍