Em resumo: muitos produtos de IA jurídica enviam a sua pergunta a um modelo de uso geral dentro de um modelo de prompt, e a interface não permite saber que tipo de produto tem nas mãos. O trabalho que um sistema faz antes dessa chamada ao modelo (intenção, jurisdição, factos como dados, âmbito) molda a resposta. Quatro testes numa demonstração, cerca de dez minutos, dizem-lhe o que está a comprar.
Factos principais
- Os modelos de linguagem usam entradas longas de forma desigual: a precisão é mais alta quando a informação relevante está no início ou no fim do contexto e cai quando está no meio (Liu et al., Lost in the Middle, TACL vol. 12, 2024).
- Todos os 18 modelos do estudo Context Rot da Chroma ficaram menos fiáveis à medida que o comprimento da entrada aumentava, mesmo em tarefas deliberadamente simples (relatório técnico da Chroma, 14 de julho de 2025).
- Três ferramentas de pesquisa jurídica de referência alucinaram, cada uma, em 17% a 33% das consultas de teste num estudo pré-registado de Stanford (Magesh et al., Journal of Empirical Legal Studies, 2025).
- Na nossa execução de junho de 2026, 24% de 3.000 respostas avaliadas de 10 modelos de fronteira citavam ou aplicavam normas que não diziam o que o modelo afirmava (benchmark HAQQ, 5 de junho de 2026).
- A base de dados de Damien Charlotin registava 2.202 decisões de tribunais envolvendo citações ou conteúdos fabricados por IA à data de 19 de outubro de 2026.
Divulgação: a HAQQ vende IA jurídica, construída sobre o seu próprio motor (Justinian), e realizou o benchmark de junho de 2026 referido acima. Os quatro testes no final funcionam connosco tal como com qualquer outro.
Todo o advogado que avalia IA jurídica acaba por fazer a mesma pergunta, normalmente cerca de oito minutos depois do início da demonstração: em que é que isto difere de usar o ChatGPT?
Os fornecedores tendem a responder com dados de treino, um corpus proprietário ou um ajuste fino. Essas afirmações são difíceis de verificar e muitas vezes ficam longe do sítio onde a diferença está. A resposta que damos é arquitetural, e resume-se a onde o raciocínio acontece.
A maioria da IA jurídica é um invólucro do ChatGPT?
Uma grande parte dos produtos de IA jurídica funciona assim. Escreve uma pergunta. O produto envolve-a num modelo de prompt (instruções para agir como um assistente jurídico prestável, talvez alguns exemplos) e encaminha-a para um modelo de uso geral. O modelo responde e o produto formata a resposta.
Isso pode ser útil. Também significa que a qualidade do produto é, no essencial, a qualidade do modelo, e que o advogado da parte contrária pode comprar o mesmo modelo com uma assinatura de consumo.
Para quem compra, a dificuldade é que não se consegue perceber pela interface. Um invólucro e um motor construído de raiz mostram ambos uma caixa de texto, uma resposta que vai aparecendo e algumas citações por baixo. A diferença está a montante, fora de vista, e é por isso que os fornecedores raramente são pressionados sobre ela.
O que deve acontecer antes de o modelo ser chamado?
Quando uma pergunta chega à HAQQ, passa primeiro por uma etapa que controlamos, cuja função é perceber o que é o pedido e configurar tudo o que vem a seguir.
Essa etapa resolve o que um associado competente estabeleceria antes de começar a trabalhar, e regista o resultado como dados estruturados:
- A pergunta por trás das palavras. O que alguém escreve às 23h entre duas chamadas, reformulado de forma precisa e completa. Funciona nativamente em árabe e francês, além de inglês, sem uma etapa de tradução acrescentada depois.
- O tipo de trabalho jurídico. Redação, pesquisa, revisão, comparação ou uma questão processual. Cada um exige uma forma de resposta diferente, e decidir isso à partida é preferível a esperar que um modelo geral o deduza.
- A jurisdição, e separadamente a língua em que a lei aplicável está escrita. As duas diferem muitas vezes, e tratá-las como uma só é uma fonte de erro discreta e comum.
- Os factos, como objetos. Partes, datas, obrigações, montantes, lei aplicável e tipo de documento, extraídos do texto antes de qualquer coisa dispendiosa o ler.
- Aquilo de que a pergunta precisa. Que capacidades especializadas carregar, que profundidade de raciocínio justifica e se está sequer dentro do âmbito.
O modelo de uso geral corre depois de tudo isso, e começa preparado: as capacidades relevantes carregadas, os factos extraídos, a jurisdição identificada e o âmbito decidido.
O modelo corre por último, sobre trabalho que já foi organizado.
Como se chama essa camada?
Na HAQQ é o Justinian®, o nosso motor proprietário de raciocínio e orquestração. Fica entre o utilizador, os dados da organização e os modelos de IA subjacentes, e aplica contexto, jurisdição, recuperação de fontes, permissões, controlos e seleção de modelo antes de uma resposta ser produzida.
A versão curta: o modelo é a inteligência. O Justinian® é o sistema que decide como essa inteligência é usada.
Cada uma dessas seis palavras responde a uma pergunta que um sócio supervisor faria antes de deixar alguém começar o trabalho:
- Contexto. O que o escritório já sabe sobre este cliente, este processo e este tipo de documento?
- Jurisdição. Que direito se aplica, e em que língua está escrito?
- Recuperação. Em que fontes se deve apoiar a resposta?
- Permissões. Quem está a perguntar, e o que pode ver?
- Controlos. Que regras aplica o escritório a este tipo de trabalho?
- Seleção de modelo. Que modelo convém a esta tarefa?
A decisão mais importante em IA talvez seja o que acontece antes de o modelo ser chamado. Esses seis pontos são essa decisão, tomada a cada pedido.
Porque é que isso produz respostas melhores?
Dois mecanismos, e o segundo surpreendeu-nos mais.
A atenção é um orçamento
A janela de contexto de um modelo é finita, e tudo o que lá está compete por atenção. A investigação citada acima mostra o que acontece quando o contexto cresce: a recuperação piora no meio de entradas longas (Liu et al.) e a fiabilidade cai com o comprimento mesmo em tarefas fáceis (Chroma). Carregar todas as capacidades de um sistema em cada pedido gasta esse orçamento antes de o documento do advogado chegar. Carregar apenas as relevantes deixa espaço para o contrato, a lei e os factos.
Factos estruturados poupam ao modelo um trabalho de análise
Este é o efeito maior. Perante um parágrafo de texto, um modelo gasta parte do seu esforço a perceber o que o parágrafo contém. Perante factos estruturados (estas partes, esta lei aplicável, esta obrigação, esta data), pode dedicar esse esforço à questão jurídica.
É esse o efeito para o qual concebemos o sistema: o mesmo modelo de uso geral a fazer melhor trabalho jurídico por causa daquilo que recebeu. Não publicámos uma comparação controlada do mesmo modelo dentro e fora do nosso motor, por isso encare isto como a nossa lógica de conceção, apoiada pela investigação sobre contexto citada acima.
Porque é que esta camada importa mais à medida que os modelos evoluem?
Os modelos de fundação estão a tornar-se mais capazes. Isso torna a camada de controlo à sua volta mais importante, não menos.
O motivo é simples. Qualquer escritório pode comprar acesso aos mesmos modelos, e a parte contrária também. Se o modelo fosse o produto inteiro, a IA de cada escritório seria mais ou menos tão boa como a de qualquer outro, e nada nela refletiria a forma como o seu escritório trabalha.
A IA genérica sabe muito. Por defeito, não conhece a sua instituição. Não leu os seus precedentes, não sabe que posições os seus sócios adotam perante uma cláusula de limitação e não faz ideia de que a contraparte do NDA de hoje esteve do outro lado num litígio na primavera passada. Esse conhecimento pertence ao escritório, e é a parte que torna uma resposta utilizável sem ser reescrita.
A sua vantagem competitiva não deveria desaparecer porque todos os escritórios compraram acesso ao mesmo modelo. Quanto mais os modelos evoluem, mais valiosa se torna a camada que governa a forma como as instituições os utilizam. Um modelo mais forte que recebe o contexto, as fontes e a tarefa certos produz um trabalho de mais qualidade. Com uma pergunta crua, produz uma versão mais fluente da mesma resposta genérica.
A IA de alto risco precisa de mais do que inteligência. Precisa de contexto, controlos e responsabilização. No trabalho jurídico, essa responsabilização tem um nome: o do advogado que assina.
O que acontece quando o modelo líder muda?
Vai acontecer. A liderança entre modelos, o custo, as políticas e a disponibilidade estão sempre a mudar, e o modelo que lidera neste trimestre pode não liderar no próximo.
Faça, por isso, duas perguntas a um fornecedor. Que modelo responde hoje à minha pergunta? E o que teria eu de reconstruir se isso mudasse amanhã?
Se tudo o que o produto sabe sobre o seu escritório vive em prompts escritos para o modelo de uma só empresa de IA, uma troca de modelo é uma migração. Se vive numa camada própria do produto, uma troca de modelo é uma atualização. Na HAQQ o modelo subjacente é intercambiável por conceção, e beneficiamos à medida que os modelos subjacentes evoluem.
O seu fornecedor de IA deve poder ser substituído. A sua inteligência institucional, não.
A sua infraestrutura de IA não deveria ter de ser reconstruída sempre que o modelo líder muda.
O que decide se a IA jurídica funciona com documentos reais?
Dois componentes que raramente aparecem numa apresentação comercial, e ambos decidem se o produto funciona numa terça-feira normal.
Receção de documentos. Muito trabalho jurídico chega como fotografia de uma página carimbada, digitalização de um fax ou PDF que foi impresso e redigitalizado torto. Tratamos a leitura destes documentos como um problema central de engenharia. Se um número de cláusula for mal lido à entrada, nenhum raciocínio posterior o recupera, e o sistema vai raciocinar cuidadosamente sobre o número errado.
Memória como estrutura. O motor guarda as relações entre os seus processos ao longo do tempo e recorre a elas quando uma pergunta o exige. Colar de novo as suas últimas vinte mensagens no prompt é outra coisa. A memória estruturada é o que permite ao sistema saber que a contraparte do acordo de confidencialidade que está a rever hoje é a mesma empresa de um litígio de há dois meses.
O que uma boa arquitetura não resolve?
Preferimos dizê-lo a que o descubra por si.
Não elimina o erro. Qualquer sistema construído sobre um modelo de linguagem pode produzir uma resposta errada, e os números dos factos principais acima aplicam-se a todos os segmentos do mercado. Uma boa arquitetura torna os erros mais raros e mais fáceis de detetar: afirmações geradas a partir de fontes recuperadas, citações que pode abrir e alertas explícitos onde o direito não está assente. A nossa auditoria de alucinações acompanha o que acontece quando ninguém verifica.
Não assegura uma resposta correta. Nenhum fornecedor de IA responsável deveria afirmá-lo. O que a camada lhe dá é fundamentação em fontes, citações que pode abrir, controlos e um ponto claro de revisão humana, para que uma resposta errada seja mais fácil de detetar antes de sair do escritório.
Não dispensa o advogado. Tudo aqui pressupõe que um profissional revê o resultado e o assina. Esse pressuposto moldou a arquitetura desde o início.
Não torna a cobertura universal. A qualidade varia consoante a jurisdição, o grau de digitalização do direito de origem e a parte dele que é pública. Se um fornecedor apresentar um único número de cobertura global, pergunte o que conta. Preferimos responder a essa pergunta sobre a sua jurisdição do que dar-lhe um só número.
Como testar um fornecedor de IA jurídica numa demonstração?
Não precisa do diagrama de arquitetura de ninguém. Quatro testes, cerca de dez minutos, e funcionam com todos os fornecedores da categoria, incluindo nós. Para uma lista mais longa, veja 45 sinais de alerta na avaliação de um fornecedor de IA jurídica.
1. Pergunte algo fora do direito
Um modelo geral dentro de um prompt jurídico normalmente responde a uma pergunta médica ou financeira, porque por baixo é um modelo geral. Um sistema que estabelece a intenção antes de gerar deve recusar e explicar porquê.
2. Faça a mesma pergunta em duas línguas
Escreva a mesma pergunta jurídica uma vez em inglês e outra em árabe ou francês, cada uma por palavras suas. Se a substância da resposta mudar, a língua está a ser tratada depois do raciocínio.
3. Dê-lhe uma digitalização má
Fotografe um documento em ângulo, com pouca luz, e carregue-o. Na nossa experiência, é o teste mais preditivo da demonstração, porque é a entrada real mais comum e a menos mostrada em demonstrações.
4. Pergunte o que ele não sabe
Empurre-o para uma área do direito não assente ou com poucas fontes. Um sistema afinado para produzir sempre uma resposta produzirá uma. Um sistema construído para trabalho profissional dir-lhe-á que o terreno é incerto e mostrará porquê.
Se um fornecedor estiver à vontade com os quatro, a arquitetura é provavelmente real. Se a demonstração os contornar, isso também lhe diz alguma coisa. Pode aplicar os mesmos quatro ao chat de IA jurídica da HAQQ.
Principais conclusões
- A diferença relevante entre produtos de IA jurídica é arquitetural e invisível a partir da interface. Pergunte onde acontece o raciocínio.
- O trabalho estruturado antes da chamada ao modelo melhora a qualidade, além do custo: um modelo que recebe factos extraídos dedica a sua atenção ao direito.
- Componentes pouco vistosos decidem o desempenho real. A receção de documentos prevê melhor do que uma pontuação de benchmark se uma ferramenta funciona numa terça-feira.
- Quatro testes de demonstração (fora do tema, duas línguas, uma digitalização má, direito não assente) mostram que tipo de sistema lhe estão a vender.
- O modelo está a tornar-se uma mercadoria comum. O controlo, não. O que um escritório mantém quando o modelo muda é a camada que guarda o seu contexto, as suas permissões e os seus controlos.
- Liu et al., Lost in the Middle: como os modelos de linguagem usam contextos longos (TACL 2024)
- Chroma: Context Rot, como o aumento de tokens de entrada afeta o desempenho dos LLM (julho de 2025)
- Magesh et al., Hallucination-Free? Avaliação da fiabilidade das principais ferramentas de pesquisa jurídica com IA (JELS 2025)
- 45 sinais de alerta ao avaliar um fornecedor de IA jurídica
- Engenharia de contexto para IA jurídica
- Humano no circuito na IA jurídica
- A auditoria de alucinações da IA
Experimente HAQQ AI grátis
Experimente a redação e pesquisa jurídica com IA



