Os grandes modelos de linguagem — GPT-5, Claude Opus, Gemini, entre outros — deixaram de ser curiosidades experimentais. Estão a mudar a forma como os advogados redigem contratos, analisam jurisprudência, conduzem due diligence e comunicam com os clientes. No entanto, a maioria dos advogados continua sem compreender claramente o que estas ferramentas realmente são, como funcionam e onde falham.
Factos-chave
- Estudos mostram taxas de alucinação de 69–88% em consultas jurídicas em modelos de uso geral (EXTERNAL-CITE: investigação académica citada no artigo).
- Uma página de texto equivale a cerca de 375–400 tokens.
- Perguntas de seguimento específicas melhoram a qualidade da resposta de um LLM em cerca de 20%; feedback vago piora-a (EXTERNAL-CITE: investigação da NeurIPS citada no artigo).
Este guia colmata essa lacuna. Foi escrito para advogados em exercício que querem usar LLMs de forma eficaz sem precisar de uma licenciatura em informática. Abordamos os fundamentos, as aplicações práticas, os riscos reais e as técnicas de prompting que separam um uso produtivo de uma dependência excessiva e perigosa.
A regra mais importante de todas: NUNCA confie em citações de processos fornecidas por qualquer LLM — incluindo as oferecidas por ferramentas especializadas em direito — sem ter verificado pessoalmente que o processo citado existe e diz exatamente aquilo que está a ser citado para justificar.
O Que É um Grande Modelo de Linguagem?
Um LLM é um tipo de inteligência artificial treinado com quantidades massivas de texto — livros, artigos, sites, peças processuais e documentos jurídicos. Em vez de armazenar factos como uma base de dados, aprende padrões estatísticos sobre a forma como a linguagem é usada. Quando escreve um prompt, o modelo prevê a palavra seguinte mais provável, uma palavra de cada vez, com base nos padrões que absorveu.
Pense nele não tanto como um motor de pesquisa, mas como um associado extraordinariamente bem-lido. Já teve contacto com praticamente todos os documentos jurídicos públicos, tratados e comentários de jurisprudência alguma vez publicados. Mas não recupera informação armazenada — gera respostas com base em padrões aprendidos. Esta distinção fundamental explica tanto as suas capacidades notáveis como os seus modos de falha perigosos.
Entre os LLMs mais populares estão o GPT-5 da OpenAI (que alimenta o ChatGPT), o Claude Opus da Anthropic, o Gemini 2.5 Pro da Google, o LLaMA 4 da Meta e o Medium 3 da Mistral. Cada um tem pontos fortes diferentes: o Claude destaca-se no tom e na análise de documentos longos, o GPT-5 no raciocínio estruturado, e o Gemini na gestão de janelas de contexto muito grandes.
Como os LLMs Funcionam na Prática: A Mecânica Que os Advogados Devem Compreender
Tokenização: Dividir a Linguagem em Fragmentos
Antes de conseguir processar o seu prompt, um LLM divide o texto em unidades mais pequenas chamadas tokens. Um token pode ser uma palavra, parte de uma palavra ou um sinal de pontuação. Por exemplo, a expressão "cláusula penal" pode ser processada como dois tokens ou apenas um, dependendo do treino do modelo. Uma página de texto equivale a cerca de 375–400 tokens.
Compreender os tokens é importante porque os LLMs têm limites rígidos quanto à quantidade que conseguem processar de uma só vez. A janela de contexto do GPT-5 é de aproximadamente 128.000 tokens (~300 páginas). Ultrapasse esse limite e o modelo começa a perder informação — normalmente a partir do meio do documento, não do início nem do fim.
O Mecanismo de Atenção: Como os Modelos Encontram o Que Importa
Ao contrário de um humano, que lê sequencialmente, um LLM examina todos os tokens do seu prompt em simultâneo através de um "mecanismo de atenção". Isto permite ao modelo ponderar a importância de cada palavra face a todas as outras. Quando encontra a palavra "banco" no seu prompt, a atenção ajuda-o a determinar se se refere a uma instituição financeira ou à margem de um rio, observando o contexto envolvente, como "conta poupança" ou "rio".
Para os advogados, isto tem uma implicação prática crítica: a forma como formula o seu prompt — que palavras destaca, que contexto fornece, como estrutura a pergunta — molda diretamente a qualidade da resposta. O modelo não se limita a ler as suas palavras; está a pesá-las umas contra as outras.
Treino, Afinação (Fine-Tuning) e RLHF
Os LLMs passam por três fases de desenvolvimento. O pré-treino expõe o modelo a milhares de milhões de tokens de texto, ensinando-lhe os padrões da linguagem. A afinação (fine-tuning) especializa depois o modelo para domínios específicos — uma plataforma de IA jurídica pode afinar o modelo com decisões judiciais, contratos e documentos regulatórios. Por fim, a Aprendizagem por Reforço com Feedback Humano (RLHF) usa avaliadores humanos para classificar as respostas do modelo, ensinando-o a produzir respostas exatas, profissionais e devidamente estruturadas.
É por isso que uma ferramenta de IA jurídica construída para o efeito, como a HAQQ, supera consistentemente o ChatGPT genérico em tarefas jurídicas: combina a compreensão linguística abrangente do modelo base com afinação específica do domínio e feedback de profissionais do direito.
O Problema da Alucinação: Porque É Que os LLMs Inventam
A alucinação não é um erro de funcionamento — é uma característica inerente à forma como os LLMs geram texto. Como o modelo prevê a palavra seguinte mais provável com base em padrões, e não recuperando factos verificados, pode produzir respostas que soam autoritárias mas que são inteiramente inventadas. Citações de processos inventadas, legislação inexistente e decisões citadas incorretamente são comuns.
Estudos mostram taxas de alucinação de 69–88% em consultas jurídicas nos modelos de uso geral. Mesmo quando fornece ao modelo o texto real de um processo e lhe pede um resumo, este pode ainda assim citar passagens incorretamente, porque gera texto a partir de padrões e não copiando as fontes. Alguns estudos mostram que os modelos podem até "insistir no erro" quando confrontados, reafirmando com confiança citações inventadas.
As consequências são reais. No caso Mata v. Avianca (2023), um advogado apresentou um articulado com seis citações de processos inventadas geradas pelo ChatGPT. O tribunal sancionou tanto o advogado como o escritório de advocacia. Desde então, várias ordens de advogados emitiram pareceres deontológicos a exigir que os advogados verifiquem todas as citações geradas por IA.
Os LLMs não sabem que estão a alucinar. O modelo gera o mesmo tipo de texto confiante e bem estruturado quer esteja a afirmar um facto verificado quer esteja a inventar um processo do zero. O seu juízo profissional — e não o grau de confiança do modelo — é a única salvaguarda.
Porque É Que os LLMs Dão Respostas Diferentes à Mesma Pergunta
Se fizer a mesma pergunta duas vezes a um LLM, muitas vezes obterá respostas diferentes. Isto é intencional. O modelo introduz aleatoriedade controlada (regulada por um parâmetro de "temperatura") ao escolher a palavra seguinte a prever. Uma temperatura mais baixa produz respostas mais previsíveis e focadas. Uma temperatura mais alta produz resultados mais variados e criativos.
Para trabalho jurídico que exige precisão — análise contratual, conformidade regulatória — quer uma temperatura baixa. Para gerar ideias sobre estratégias de julgamento ou argumentos criativos, uma temperatura mais alta pode ser útil. A maioria das plataformas de IA jurídica gere isto automaticamente, mas compreender o mecanismo ajuda a explicar porque é que os resultados variam.
Prompting na Prática: A Analogia do Associado
O modelo mental mais produtivo para trabalhar com LLMs é tratá-los como um associado júnior extraordinariamente bem informado, mas sem qualquer contexto. Já leram tudo, mas não sabem nada sobre o seu caso específico, as prioridades do seu cliente ou os padrões do seu escritório. A qualidade do trabalho que produzem é diretamente proporcional à qualidade da instrução que lhes dá.
Regra 1: Seja Absurdamente Específico
A especificidade é classificada, tanto pela Anthropic como pela OpenAI, como a técnica de prompting com maior impacto. Nunca diga "Reveja este NDA." Em vez disso: "Identifique todas as obrigações de não concorrência, não angariação e confidencialidade. Para cada uma, especifique a atividade restringida, o âmbito geográfico, a duração e as exceções. Assinale qualquer disposição que sobreviva a uma alteração de controlo societário."
A diferença na qualidade do resultado é enorme. Um prompt vago produz um resumo genérico que poderia ter escrito você mesmo. Um prompt específico produz uma análise cláusula a cláusula com citações das disposições exatas — um trabalho que realmente faz avançar o seu caso.
Regra 2: Use a Estrutura IRAC
Já sabe como estruturar uma análise jurídica. Aplique a mesma estrutura aos seus prompts: Issue/Questão (indique a tarefa), Rule/Regra (defina os critérios), Application/Aplicação (aponte para os factos), Conclusion/Conclusão (defina o formato do resultado). Esta estrutura — a que a Anthropic e a OpenAI chamam "prompting com estrutura formal" — produz consistentemente resultados superiores porque espelha a forma como o mecanismo de atenção do modelo processa a informação.
Regra 3: Selecione Cuidadosamente os Seus Anexos
Investigação da Universidade de Stanford confirma uma quebra significativa de desempenho quando os modelos processam consultas enterradas num contexto longo. O modelo presta mais atenção ao início e ao fim do que lhe é fornecido. Em vez de carregar um contrato de 200 páginas e dizer "conte-me tudo", extraia as secções e definições relevantes. Forneça ao modelo um input selecionado e focado — da mesma forma que prepararia os anexos de um articulado.
Experimente HAQQ AI grátis
Experimente a redação e pesquisa jurídica com IA
Regra 4: Mostre um Exemplo do Resultado Pretendido
Quando forma um novo associado, mostra-lhe um bom parecer. Os LLMs funcionam da mesma forma. Fornecer 2 a 3 exemplos de alta qualidade do formato de resultado que pretende (o que os investigadores chamam "few-shot prompting") melhora drasticamente os resultados. Para lá de 3 exemplos, os ganhos diminuem. Exemplos fracos pioram ativamente o resultado — o modelo presta tanta atenção aos maus exemplos como aos bons.
Regra 5: Nunca Aceite a Primeira Versão
Investigação da NeurIPS mostra que perguntas de seguimento específicas melhoram a qualidade do resultado em cerca de 20%. Mas feedback vago, como "melhore isto" ou "tente outra vez", na verdade piora a qualidade. Em vez disso, questione o modelo sobre pontos específicos: "E quanto à exceção de transferência entre afiliadas na Secção 3.2(b)? Isso cria uma falha na proteção contra cessão?"
Regra 6: A IA Não Lhe Vai Dizer Que Fez a Pergunta Errada
Os LLMs responderão com confiança e competência a tudo o que lhes perguntar. Nunca lhe dirão que fez a pergunta errada. Identificar as questões relevantes continua a ser domínio exclusivo do advogado. O modelo responde; cabe-lhe a si identificar o que precisa de resposta.
O Que os LLMs Já Conseguem Fazer Hoje por Equipas Jurídicas
- Revisão e anotação de contratos: analisar acordos, identificar desvios face aos modelos padrão e assinalar cláusulas de risco
- Pesquisa jurídica e síntese: sintetizar grandes volumes de jurisprudência, legislação e material regulatório em pareceres estruturados
- Due diligence: extrair e condensar informação de grandes conjuntos de documentos, identificando padrões em centenas de acordos
- Redação: gerar primeiras versões de petições, articulados, pareceres, cartas a clientes e pedidos de descoberta de prova
- Verificação de conformidade: comparar cláusulas contratuais com requisitos regulatórios como o RGPD, AML, ESG ou DORA
- E-discovery: analisar conjuntos de documentos através de compreensão semântica, e não apenas correspondência de palavras-chave
- Geração de termos de pesquisa: converter descrições em linguagem natural em consultas booleanas e refinar estratégias de pesquisa
- Criação de modelos: gerar modelos específicos por jurisdição que se adaptam ao tipo de contrato e aos dados das partes
Privacidade, Segurança e Considerações Éticas
Enquanto advogados, é-nos confiada informação sensível, privilegiada e privada. Usar LLMs de uso geral, como o ChatGPT, para trabalho de clientes levanta obrigações deontológicas sérias. A maioria dos modelos públicos guarda os dados das conversas e pode usá-los para treino, a menos que desative essa opção explicitamente. Isto cria um risco potencial de violação do sigilo profissional.
Passos Essenciais de Privacidade
- Desative a partilha de dados para treino: nas definições do ChatGPT, desligue a opção "Melhorar o modelo para todos"
- Evite partilhar links de conversas que contenham informação privilegiada
- Considere usar plataformas de IA jurídica de nível empresarial, com proteção de dados incorporada, anonimização e opções de alojamento local (on-premise)
- Estabeleça políticas de utilização de IA à escala do escritório, em conformidade com as diretrizes deontológicas da sua ordem profissional
- Nunca carregue documentos de clientes não expurgados em ferramentas de IA públicas sem o consentimento informado do cliente
Plataformas de IA jurídica construídas para o efeito, como a HAQQ, respondem a estas preocupações ao fornecer segurança de nível empresarial, anonimização de dados e conformidade com os padrões da profissão jurídica — sem que seja necessário configurar definições de privacidade em ferramentas de consumo.
Perguntas a Fazer aos Fornecedores de IA
Ao avaliar ferramentas de IA jurídica, estas cinco perguntas separam plataformas sérias de demonstrações vistosas:
- Com que dados o modelo foi treinado, e são específicos de uma jurisdição?
- Onde está o modelo alojado, e cumpre os requisitos de soberania de dados aplicáveis?
- Como é tratada a informação sensível antes de chegar ao modelo?
- Os prompts e as respostas são armazenados? São alguma vez usados para melhorar o modelo?
- As respostas podem ser rastreadas e auditadas para efeitos de conformidade e responsabilização?
Como os LLMs Estão a Mudar a Prática do Direito
Para os advogados júniores, esta mudança significa desenvolver novas competências: aperfeiçoar resultados gerados por IA, detetar falhas na análise do modelo, traduzir resumos de IA em próximos passos concretos e lidar com exceções que fogem aos padrões aprendidos. Para os advogados seniores, o desafio é estratégico: decidir onde os LLMs acrescentam valor, definir padrões de revisão e formar as equipas para avaliarem criticamente os resultados da IA.
Os escritórios que se adaptarem mais depressa não serão os que usam mais IA — serão os que a usam de forma mais inteligente. Isso significa compreender as capacidades e limitações da tecnologia, estabelecer estruturas de governação e escolher plataformas construídas especificamente para o trabalho jurídico, em vez de reaproveitar ferramentas de consumo.
Em Resumo
Os LLMs são a mudança tecnológica mais significativa na prática do direito desde a descoberta eletrónica de prova. Não vão substituir os advogados — mas os advogados que os compreendem e usam eficazmente vão substituir os que não o fazem. A chave está numa adoção informada: saber o que os LLMs conseguem fazer, compreender onde falham e implementá-los dentro de salvaguardas profissionais e deontológicas adequadas.
A HAQQ combina o poder dos modelos de linguagem mais avançados com afinação específica para o direito, segurança de nível empresarial e fluxos de trabalho construídos para o efeito — dando aos advogados os benefícios dos LLMs sem os riscos das ferramentas de consumo. Quer esteja a rever contratos, a redigir petições ou a fazer pesquisa, o motor Justinian da HAQQ oferece a precisão e a fiabilidade que o trabalho jurídico exige.
