Modelos Preditivos para Fraude no Contencioso

Se eu tivesse que resumir em uma linha: cada modelo serve para uma pergunta diferente.
No dia a dia, eu usaria classificação para separar casos suspeitos, score de risco para pôr a carteira em ordem e detecção de anomalias para achar desvios que ainda não apareceram no histórico.

O ponto central é simples: com um impacto estimado em R$ 2,7 bilhões por ano, mais de 330.000 ações cíveis e 12.000 ações trabalhistas com perfil predatório, olhar processo por processo não escala. Por isso, a escolha do modelo depende de dois fatores:

• qualidade do histórico rotulado
• objetivo da triagem

Se eu estivesse explicando isso de forma direta para alguém do jurídico, eu diria assim:

• Quer decidir se o caso parece fraude com predição de resultados jurídicos? Use classificação.
• Quer saber o que olhar primeiro? Use score de risco.
• Quer achar padrão fora da curva, mesmo sem rótulo? Use detecção de anomalias.
• Quer monitorar a carteira de ponta a ponta? Combine os modelos.

O texto mostra também um ponto que eu considero muito prático: um modelo não substitui o outro. Na rotina, o melhor caminho costuma ser usar alertas de anomalia para alimentar revisão humana e, depois, transformar isso em base rotulada para melhorar modelos supervisionados.

Comparação rápida

‍

‍

Em outras palavras: não existe um "melhor modelo" em tese. Existe o modelo que responde melhor ao problema que você quer resolver no fluxo do contencioso.

1. Modelos de Classificação

Modelos de classificação usam aprendizado supervisionado para separar processos com perfil de fraude dos demais, com base em casos históricos já rotulados. No contencioso, isso faz diferença porque a triagem precisa filtrar, logo de saída, os casos suspeitos dos casos comuns.

O resultado depende de dados rotulados e consistentes. Como o modelo aprende com padrões passados, ele tende a perder precisão quando surgem novos tipos de litigância predatória. Em bom português: se o comportamento muda, a base também precisa mudar. Por isso, a atualização frequente dos dados é parte do trabalho.

A explicabilidade ajuda a justificar os alertas, auditar a base e revisar vieses. Na prática, esse cuidado de governança é o que dá respaldo para integrar o modelo a sistemas de inteligência artificial de triagem sem virar uma "caixa-preta".

Integração ao fluxo do contencioso

Quando integrado ao ERP jurídico, o modelo atua como um alerta em tempo real: assim que entra uma nova citação ou petição, o sistema sinaliza o perfil suspeito.

Só que esse tipo de ambiente muda o tempo todo. Por isso, o modelo pede retreinamento frequente com base no histórico do portfólio. E, quando a decisão precisa ir além de um simples rótulo binário, o passo seguinte é medir o grau de risco.

2. Modelos de Score de Risco

Depois de filtrar os casos com classificação, o próximo passo é ordenar o portfólio por risco.

Se a classificação separa fraude de não fraude, o score de risco organiza os processos pela probabilidade de fraude. Na prática, ele serve mais para priorizar o que olhar primeiro do que para achar padrões novos.

Dependência de dados e limites

O score de risco aprende com dados históricos rotulados. Quando os resultados retornam para o modelo, a previsão tende a melhorar com o tempo.

Mas há um limite claro aqui. Esse tipo de score costuma funcionar melhor em casos parecidos com os que já apareceram antes. Se surgir um padrão novo, fora do histórico, ele perde força. Nesses cenários, a detecção de anomalias costuma encaixar melhor.

Explicabilidade e governança

Um score numérico deixa a comparação entre processos mais simples. Isso ajuda na classificação de contingências e na provisão, além de dar mais base para priorizar acordos e definir provisões.

Aplicação no contencioso

Na transformação digital do contencioso, o score de risco ajuda a colocar os casos mais críticos no topo da fila, sobretudo em carteiras com alto volume. Na Generali Brasil, a IA avaliou de 2.000 a 3.000 ações por dia, reduziu em 20% as provisões e ampliou os acordos de dezenas para milhares.

Quando o foco muda para localizar desvios sem histórico anterior, entra a detecção de anomalias.

3. Modelos de Detecção de Anomalias

Quando um caso não se parece com o histórico conhecido, o trabalho muda. Em vez de ranquear ou dar score, o foco passa a ser detectar desvios. Aqui, a ideia é achar o que foge do padrão e sinalizar casos suspeitos sem depender de uma base anterior de fraudes rotuladas.

Diferença operacional em relação aos modelos anteriores

Ao contrário dos modelos de classificação e score, a detecção de anomalias pode operar com pouco histórico — ou até sem histórico — de fraudes rotuladas. Por isso, costuma funcionar bem em carteiras com poucos registros confiáveis de fraude.

Capacidade de detectar fraudes novas

Na prática, o ganho está em perceber desvios na própria distribuição da ação, antes mesmo de o caso entrar na fila prioritária. Isso pode incluir sinais de litigância predatória e má-fé, já apontados logo na entrada da demanda.

Aderência ao fluxo do contencioso

Esse tipo de modelo tende a funcionar melhor antes do ajuizamento, com monitoramento de reclamações e petições iniciais para reduzir provisões altas. Faz sentido, sobretudo, quando a triagem precisa indicar fraude antes do ajuizamento ou logo no início da demanda.

Na operação do contencioso, a IA já permite identificar a chance de uma ação antes mesmo do ajuizamento, a partir do fluxo da reclamação nos tribunais.

Na prática, esse modelo entra em cena quando o histórico, sozinho, não dá conta e a equipe precisa agir sobre desvios novos.

Pontos Fortes e Limitações na Prática Jurídica

Cada modelo resolve uma parte diferente do problema. Um ajuda a classificar casos já conhecidos, outro organiza o risco, e outro aponta desvios novos. Na prática, o foco não deve ser o modelo "mais sofisticado". Deve ser o modelo que melhor responde à pergunta daquele caso.

Quando a base já está madura, a classificação costuma entregar mais precisão na triagem de casos suspeitos. Só que esse ganho diminui quando a base é inconsistente ou pouco confiável.

Os modelos de score de risco ajudam a ordenar a carteira para provisão e priorização. Isso faz diferença no dia a dia do contencioso. Para aprofundar seus conhecimentos sobre essas tecnologias, acompanhe as novidades no Blog Deep Legal. O problema é que eles sofrem quando há muito desequilíbrio entre casos positivos e negativos, sobretudo sem auditoria periódica.

Já os modelos de detecção de anomalias servem para achar padrões novos de litigância predatória. Eles são úteis quando o objetivo é sair do óbvio e pegar sinais que ainda não estavam no radar. Em troca, tendem a gerar falsos positivos se não houver validação humana.

‍

‍

‍

Com esse panorama, o próximo passo é definir quando usar cada modelo no fluxo do contencioso.

Quando usar cada modelo

Depois de comparar os modelos, a decisão no dia a dia fica mais simples: olhe para o tipo de dado que você tem e para o que a operação precisa resolver.

No fim das contas, a escolha gira em torno de dois pontos:

• histórico rotulado
• objetivo da triagem de fraude

Se você tem um histórico robusto e rótulos claros, o caminho mais direto é a classificação. Esse modelo funciona bem quando os padrões já aparecem com certa frequência e a equipe quer decidir se um caso entra ou não como fraude.

Se a meta é priorizar a carteira e dar suporte à governança e à provisão, faz mais sentido usar score de risco. Ele ajuda a ordenar os casos por nível de risco, o que facilita a fila de análise e o uso dos recursos da equipe. Caso precise de ajuda para implementar essas métricas, você pode falar com nossos especialistas.

Agora, quando os rótulos são escassos ou surge um padrão novo sem histórico rotulado, a melhor saída costuma ser a detecção de anomalias. Ela serve como radar para achar comportamentos fora do normal, mesmo quando ainda não existe base suficiente para treinar um modelo supervisionado.

Na prática, um modelo não precisa excluir o outro. Alertas de anomalia podem alimentar bases rotuladas e, com o tempo, melhorar modelos supervisionados.

‍

‍

FAQs

Como escolher o modelo certo?

A escolha do modelo preditivo depende do que você quer prever e da qualidade da sua base. Se a meta é antecipar comportamentos ou resultados da carteira, vale usar modelos de aprendizado de máquina treinados com histórico relevante e casos com padrões parecidos.

Já para detectar fraudes ou advocacia predatória, o caminho costuma passar por jurimetria e legal analytics. Essas abordagens ajudam a cruzar dados e encontrar sinais fora do padrão que, no dia a dia, podem passar batido.

Em qualquer cenário, tem um ponto que não muda: a eficácia do modelo está ligada a uma base de dados precisa, organizada e bem estruturada.

Quando combinar mais de um modelo?

Combinar diferentes modelos preditivos é uma boa prática para ter uma visão mais ampla e precisa do contencioso. Isso ajuda a ir além dos limites de análises feitas de forma isolada.

Quando a empresa integra jurimetria, score de risco e detecção de anomalias, ela cruza dados históricos, fatores de comportamento e variáveis operacionais. Na prática, isso ajuda a mitigar riscos, identificar fraudes processuais e dar base às decisões com dados concretos.

Como reduzir falsos positivos?

Para reduzir falsos positivos em modelos preditivos de fraude no contencioso, o ponto central é melhorar a qualidade dos dados. Isso começa com o saneamento da base e passa pela exclusão de processos muito antigos, como os distribuídos há mais de 4 anos, que costumam aumentar a taxa de erro.

Também vale manter auditorias frequentes no algoritmo para identificar falhas e corrigir vieses. Nas decisões críticas, supervisão humana faz diferença. E o treinamento contínuo das equipes jurídicas ajuda a manter o uso do modelo mais preciso no dia a dia.

‍