CentenasdepáginasdeprocessolidasporIA,comoadvogadonocontrole

O contexto

Um escritório de advocacia empresarial trabalha com execuções judiciais, dos dois lados: cobra para quem tem crédito e defende quem está sendo executado. É trabalho de leitura pesada. Um dossiê típico junta contrato, títulos, notificações, planilhas de débito e peças do processo, muitas vezes centenas de páginas, parte delas escaneada.

Os advogados já usavam IA. Cada um no seu chat, com um conjunto de instruções escritas pelo próprio escritório, pagando mais de uma assinatura. O trabalho manual estava em volta disso: colar documento, reler o dossiê para confiar numa frase, guardar a análise em Word, repetir a correção que o colega já tinha feito.

O produto que construí lê o dossiê inteiro, inclusive as páginas escaneadas, faz a triagem e redige a minuta. O advogado confere a fonte de cada achado, homologa com nome e hora e decide o que o sistema aprende. Nada é gravado nem assinado sem uma pessoa.

Esse fluxo que já existia definiu a régua: o produto novo não podia entregar menos do que o chat já entregava.

Fiz o projeto do começo ao fim: descoberta, decisões de produto, design da interface e construção do sistema, com uma equipe de agentes de IA escrevendo código sob portões de aprovação humanos.

A dor

O chat genérico resolvia a leitura, mas deixava o resto na mão:

• Nada ficava no caso. Análise, versão, quem revisou, o que mudou: tudo vivia na conversa de uma pessoa e em arquivos Word espalhados.
• O custo era invisível. Ninguém sabia quanto uma análise custava antes de pedir. Só na fatura.
• Afirmação sem fonte. Num parecer, uma frase sem a página de onde saiu obriga o advogado a reler o dossiê inteiro para confiar nela.
• Sigilo. Processo judicial carrega dado pessoal sensível e está sob sigilo profissional. Colar isso num chat pessoal é uma porta sem registro nem revogação.
• O conhecimento não acumulava. A correção que um advogado fazia hoje não chegava à análise de amanhã do colega.

O estudo

Antes de desenhar qualquer tela, documentei o fluxo que já existia, como os advogados de fato usavam o chat, e extraí dele os requisitos que mais se perdem numa migração. Quatro viraram lei do produto:

1. Conclusão binária. A triagem responde “eu ajuizaria hoje?”, com ressalvas, e não um ensaio.
2. Lacuna documental com a defesa que ela abre. “Falta o protesto” não basta. O valor está em dizer o que o outro lado fará com essa falta.
3. Declarar o que não conseguiu ler. Página escaneada ilegível é limitação declarada, nunca silêncio.
4. Âncora obrigatória. Toda conclusão cita o trecho e a página. Resposta sem âncora é tratada como bug grave.

Daí vieram as decisões que sustentam o resto:

• Tudo o que a máquina escreve é minuta. A interface diz isso em cada análise, cada resposta do chat, cada documento. Homologar é ato do advogado, com nome e hora registrados.
• O lado do caso é escolha humana. Credor e executado disparam com os mesmos termos (“execução bancária”, “cédula de crédito”). Errar o lado produziria uma peça defendendo quem o cliente quer executar. Por isso o lado nunca é inferido do texto.
• Aprender sem treinar. O escritório pediu que “os agentes aprendam”. Pesquisei o caminho do ajuste fino e ele não fechava: sem oferta para os modelos atuais, caro de manter no ar e arriscado com dado de cliente. A alternativa que a pesquisa recente sustenta é manter o modelo fixo e fazer o contexto evoluir: regras curtas aprendidas das correções, uma base de conhecimento de domínio público, exemplos aprovados.
• Estimar antes de disparar. Toda rodada paga mostra quanto deve custar antes do clique, e cada caso tem teto de orçamento.

A solução

O portão humano

A decisão central do produto cabe num painel. Toda análise tem, ao lado do conteúdo, um “portão humano” que diz quem homologou e quando, quantas referências ainda precisam ser conferidas no original e quantos achados estão sem âncora.

Enquanto ninguém homologa, o painel mostra “ainda sem revisor”. Quando alguém homologa, a faixa verde registra a troca de responsabilidade: a análise deixa de ser minuta e passa a ser de quem assinou embaixo.

A triagem abre com a resposta que o advogado faria: ajuizaria hoje? Logo abaixo, a própria tela avisa que essa conclusão não tem âncora própria. O que a sustenta são os achados, e é neles que se confere.

O caso como espinha

A entrada é simples: o advogado solta os documentos e o caso nasce deles. Cada cartão mostra o lado (autor ou réu), as partes e o número do processo, quando existe, porque confundir o lado é o erro mais caro do sistema.

Dentro do caso, um fluxo guiado mostra onde ele está: documentos, triagem, auditoria, homologação, minuta, homologação da peça. Os passos derivam do que já existe no caso, e não de um status que alguém esqueceu de atualizar. O advogado pode pular etapas, mas sempre sabe qual é a próxima.

A versão de celular foi uma decisão de produto, não só de layout. No telefone o advogado consulta a lista, lê a triagem e baixa o documento. Mas a própria tela diz que a homologação não se faz pelo telefone, e que redigir a peça também não: o disparo consome orçamento e a minuta nasce para ser revisada seção por seção, numa tela onde isso cabe.

A minuta que não finge estar pronta

A minuta de petição chega com um aviso que não dá para ignorar: “Isto é uma minuta. Não é parecer assinado.” Abaixo, os campos que faltam antes de protocolar, os mesmos que saem em vermelho no Word, cada um com a providência e, quando cabe, o plano B (“se não vier: converter em ação monitória”). O arquivo baixado leva uma página de trabalho que lista essas pendências e precisa ser excluída antes do protocolo.

O botão de homologar mora no fim da página, depois de todo o conteúdo, e o texto ao lado explica o que o clique significa. A leitura cheia da peça, em fonte de documento, só imprime e baixa. Não homologa. A ordem da página é a ordem da responsabilidade: ler, conferir, assumir.

Custo antes do clique, fonte em cada frase

Antes de qualquer análise, o painel de disparo mostra o caminho (documentos, análise, minuta, revisão), o que a rodada vai ler, que documento está só em imagem e quanto deve custar, contra quanto ainda cabe no orçamento do caso. É uma estimativa de pior caso, calculada sobre a maior rodada que o caso já teve, e a tela diz isso. Só então aparece o botão de disparar.

Do outro lado, cada achado da análise tem severidade, explicação e as âncoras: o trecho literal entre aspas, o nome do documento e a página, com um botão para copiar o trecho. O advogado confere a fonte, não relê o dossiê.

Aprender por contexto, com portão humano

A aba Agente junta duas coisas: instruir a próxima análise e perguntar sobre o caso. Cada resposta vem marcada como minuta e com o registro do que o agente consultou para responder.

Quando a conversa revela algo que vale guardar, o agente propõe: uma instrução para este caso ou uma lição para o escritório inteiro. Nada é gravado sozinho. O advogado aceita com um clique.

As lições são o aprendizado contínuo do sistema. Nascem como proposta, vindas da conversa ou da comparação entre o texto gerado e o texto que o advogado aprovou. Só um sócio promove uma lição a ativa, e só a ativa entra nas análises seguintes. Cada uma conta quantas vezes ajudou e quantas atrapalhou, e editar não sobrescreve: cada redação vira uma versão.

O produto também conversa com o assistente de IA que o advogado já usa, por MCP. Em vez do copiar e colar, uma conexão com escopo, prazo, trilha de auditoria e revogação. E a tela de conexões diz o que ela não faz: não abre o PDF dos autos, não homologa, não promove lição.

Por baixo

Interface web em React, API em Node e banco Postgres com isolamento por escritório garantido no próprio banco, documentos cifrados em repouso, fila no próprio banco e busca vetorial local para a base de conhecimento. Dossiês gigantes são lidos em blocos, com OCR local nas páginas escaneadas.

Foram cerca de cinco semanas, mais de 500 commits e 170 pull requests, construídos por uma equipe de agentes de IA com três portões humanos em cada entrega: produto, plano técnico e segurança.

O que mudou

O fluxo completo do credor foi validado de ponta a ponta num caso real: triagem, parecer, auditoria e minuta homologada no papel timbrado do escritório. O ciclo de aprendizado também fechou: correções de revisão viraram lições propostas, um sócio promoveu algumas, e o sistema registrou quando elas foram usadas nas análises seguintes. Numa das rodadas reais, o plano de peça sinalizou como alerta crítico um erro de prazo que estava na própria orientação humana.

O que era feito na mão. Colar o dossiê num chat pessoal, reler centenas de páginas para confiar numa frase, guardar a análise em Word e repetir a correção que o colega já tinha feito.

O que ficou automático. A leitura do dossiê inteiro, com OCR nas páginas escaneadas, a triagem com a conclusão binária, a âncora de trecho e página em cada achado, a estimativa de custo antes do clique e a primeira redação da minuta.

Onde a pessoa decide. No lado do caso, que nunca é inferido do texto. Na homologação, com nome e hora, só no computador. Na lição, que o advogado aceita e só um sócio promove. Em tudo o que a máquina escreve, que é minuta até alguém assinar embaixo.

O que eu levo desse projeto

“Humano no controle” não é um aviso no rodapé. É uma decisão de desenho que aparece em cada tela: a etiqueta de minuta, o portão que conta âncoras, o botão de homologar no fim da página, a proposta que espera um clique, a lição que espera um sócio, o custo que aparece antes do botão, o celular que deixa ler mas não assinar.

A segunda lição foi sobre aprendizado. A pergunta “como treinamos o modelo?” quase sempre esconde outra: “como o sistema fica melhor com o nosso jeito de trabalhar?”. Responder a essa com contexto, e não com pesos de modelo, deixou o conhecimento visível, auditável e reversível, e nas mãos do escritório.

A regra é a mesma que uso quando a IA lê um pedido fotografado no WhatsApp: a máquina propõe, a pessoa confirma.