Resumo: uma ontologia jurídica substituiu 300 ferramentas MCP por 7, fazendo os custos de IA cair de $0,60 para $0,02 por mensagem — uma redução de 97%. A Stanford comprovou que as ferramentas de RAG jurídico em produção alucinam entre 17% e 33% das vezes. Entretanto, os sistemas baseados em ontologia atingem 98% de exatidão. Estamos a construir isto para o direito laboral dos EAU na HAQQ.
Como uma chamada de demonstração reescreveu o meu roteiro
Há algumas semanas, entrei numa chamada com o CEO da Dynamic Interfaces para ver algo que tinham construído — um sistema de ontologia jurídica para o direito laboral mexicano. Pensei que ia ver uma demonstração, tomar algumas notas e seguir em frente. Não foi isso que aconteceu.
Factos-chave
- Uma ontologia jurídica substituiu 300 ferramentas MCP por 7, fazendo os custos de IA cair de $0,60 para $0,02 por mensagem — uma redução de 97%.
- A Stanford (Magesh et al., Journal of Empirical Legal Studies, 2025) constatou que as ferramentas de RAG jurídico em produção alucinam entre 17% e 33% das vezes.
- O GraphRAG fundamentado em ontologia atingiu 98% de exatidão contra 37% do ChatGPT-4 em perguntas e respostas clínicas (Journal of Biomedical Informatics, 2025).
Tenho construído IA jurídica na HAQQ para a região MENA, e já assisti a demonstrações 'revolucionárias' suficientes para uma vida inteira. A maioria não passa de RAG com uma interface mais bonita. Este sistema pareceu diferente logo nos primeiros cinco minutos. Não pelo design polido ou pelo discurso de marketing — mas pelo que estava a acontecer por baixo do capô.
Foi isto que me deixou completamente parado: 5 clientes governamentais mexicanos usavam este sistema diariamente. Peritos judiciais — peritos nomeados pelo tribunal — consultavam o direito laboral em quatro leis federais, obtendo respostas precisas com citações jurídicas completas, e tudo isto custava dois cêntimos por mensagem. Não dois dólares. Dois cêntimos.
Para contextualizar: a Harvey AI — a menina-bonita de $11 mil milhões da IA jurídica — cobra $1.200 por advogado, por mês. A CoCounsel começa em $220/mês. Mesmo o lugar mais barato em IA jurídica ronda os $100+/mês. E ali estava este sistema no México a fazer o mesmo por dois cêntimos por mensagem. Sem subscrições. Sem mínimos de lugares. Apenas um grafo de conhecimento estruturado e 7 ferramentas bem concebidas.
Passei as duas semanas seguintes a desmontar o sistema para perceber porque funciona. Este artigo é o que descobri, porque importa para quem constrói IA jurídica, e o que estamos a construir na HAQQ por causa disto.
O que as empresas de IA jurídica de $11 mil milhões estão a fazer mal
Antes de entrar na arquitetura da ontologia, preciso de dizer algo direto sobre o estado atual da IA jurídica. Porque quanto mais investiguei o panorama competitivo, mais um padrão emergiu — e não é lisonjeiro para os incumbentes.
Todas as grandes empresas de IA jurídica são um invólucro de RAG. Nenhuma tem uma ontologia jurídica formal.
A Harvey AI — avaliação de $11 mil milhões, $1,2 mil milhões angariados, apoiada pela Sequoia e pela GIC — corre LLMs afinados com RAG sobre bases de dados jurídicas. Cobram cerca de $1.200/advogado/mês ao preço de tabela. Acabaram de anunciar uma integração com a LexisNexis, acrescentando mais $400-600/advogado/ano. Alegam 91% de exatidão no seu 'BigLaw Bench'. Isso continua a significar que 9% do trabalho jurídico contém erros.
A CoCounsel (Thomson Reuters) — 1 milhão de utilizadores, montada sobre os mais de 100 anos de jurisprudência da Westlaw. Arquitetura multimodelo entre Anthropic, OpenAI e Google. Preços entre $220 e $500/utilizador/mês. Um fosso de dados melhor do que o da Harvey. Mas continua a ser RAG no seu núcleo.
A Legora (anteriormente Leya) — avaliação de $5,55 mil milhões, 800 escritórios de advogados. Construída sobre o Claude com fluxos de trabalho agênticos. $250/utilizador/mês, mínimo de 10 lugares. Sem estrutura de conhecimento jurídico proprietária. É um invólucro muito bem concebido.
A Stanford conduziu um estudo empírico pré-registado — o primeiro do género. Magesh et al., publicado no Journal of Empirical Legal Studies em 2025. Testaram ferramentas de RAG jurídico em produção e encontraram taxas de alucinação entre 17% e 33% em todas elas.
A conclusão da equipa de Stanford: o RAG reduz as alucinações face aos modelos de uso geral, mas as alucinações continuam a ser 'substanciais, generalizadas e potencialmente insidiosas'. As alegações dos fornecedores de IA jurídica de citações 'sem alucinações' são demonstravelmente exageradas.
Entretanto, na medicina clínica, investigadores publicaram um artigo mostrando que o GraphRAG fundamentado em ontologia atingiu 98% de exatidão contra 37% do ChatGPT-4. Não é um erro tipográfico. Uma melhoria de 61 pontos percentuais, publicada no Journal of Biomedical Informatics, usando o SNOMED CT como camada de fundamentação.
O domínio médico já provou isto. O domínio jurídico precisa disto. E ninguém o está a construir. Esse é o vazio. É nele que a HAQQ está a entrar.
A experiência: a explorar uma ontologia jurídica via MCP
Quero ser transparente sobre o que foi isto. Não foi uma análise de produto. Não foi um anúncio de parceria. Foi eu a ligar-me ao servidor MCP da Dynamic Interfaces, a explorar as suas estruturas de dados de ontologia, a analisar o design e a testar-lhe os limites com tudo o que sei sobre raciocínio jurídico.
O Model Context Protocol (MCP) — o padrão da Anthropic para integração de IA com ferramentas, agora sob a alçada da Linux Foundation — foi a interface. Cada ação na ontologia é exposta como uma ferramenta MCP invocável. Qualquer cliente compatível com MCP pode ligar-se.
As ontologias são, de certa forma, o segredo.
Um artigo de 2025 sobre seleção de ferramentas concluiu que reduzir o número de ferramentas triplicou a exatidão — de 13,6% para 43,1% — ao mesmo tempo que cortou os tokens de prompt em mais de 50%. Menos ferramentas, desempenho drasticamente melhor. É exatamente isso que a ontologia faz: colapsa centenas de operações granulares de base de dados numa mão-cheia de operações jurídicas semanticamente significativas.
Porque falha a IA jurídica? As 3 falhas fatais do RAG para o direito
A maioria dos produtos de IA jurídica — incluindo a maior parte do que existe no mercado MENA — faz RAG sobre PDFs. Fragmentam documentos jurídicos, incorporam-nos numa base de dados vetorial e recuperam passagens semanticamente semelhantes quando se faz uma pergunta. Isto funciona para consultas de conhecimento geral. Falha catastroficamente para o direito.
A IA jurídica baseada em RAG falha de três formas específicas: cegueira temporal (recuperar versões erradas de leis alteradas), ignorância estrutural (perder a hierarquia legislativa durante a fragmentação) e amnésia de referências cruzadas (incapacidade de seguir relações tipadas entre disposições).
Pelo menos 6 advogados foram sancionados por apresentar citações de casos fabricadas por IA desde 2023 — começando com o agora infame caso Mata v. Avianca, em que o ChatGPT fabricou casos e depois confirmou que 'de facto existiam' na Westlaw.
Cegueira temporal
Os sistemas de RAG não conseguem, por natureza, distinguir entre a versão de 2022 e a versão de 2023 de um artigo de lei. A reforma mexicana de 2023 'Vacaciones Dignas' duplicou de um dia para o outro os direitos a férias. Um perito a calcular um caso de despedimento sem justa causa que atravesse essa fronteira precisa de ambas as versões. O RAG não tem mecanismo para isto. Nenhum.
Ignorância estrutural
O direito está estruturado hierarquicamente: Constituição, Lei Federal, Regulamentos, Circulares. Dentro de uma lei: Títulos, Capítulos, Artigos, Frações, Parágrafos. A fragmentação do RAG destrói esta hierarquia. Quando o Artigo 50 diz 'nos termos do Artigo 48', um sistema de RAG pode recuperar o Artigo 50 sem o Artigo 48, produzindo uma resposta incompleta.
Amnésia de referências cruzadas
O raciocínio jurídico é, por natureza, baseado em grafos. Um cálculo de prémio de antiguidade ao abrigo do Artigo 162 remete para valores da UMA definidos na Constituição. Os créditos habitacionais do INFONAVIT são calculados em UMAs segundo uma reforma de 2016. Um sistema de RAG não tem mecanismo para seguir estas cadeias de referências. Recupera fragmentos. Uma ontologia percorre ligações.
Um grafo de conhecimento jurídico é uma rede de disposições legais ligadas por relações semânticas tipadas. Ao contrário de um índice de documentos onde as ligações são inferidas por semelhança de palavras-chave, um grafo de conhecimento jurídico codifica explicitamente que o Artigo 50 'estabelece uma fórmula' referenciada pelo Artigo 48, que por sua vez 'remete para' a definição de salário do Artigo 84.
O que é uma ontologia jurídica e como funciona?
Uma ontologia jurídica é um modelo de conhecimento estruturado e legível por máquina que representa um domínio jurídico como um grafo de entidades (leis, artigos, tribunais, valores calculados), as suas relações hierárquicas e referências cruzadas tipadas entre disposições. Ao contrário dos sistemas de recuperação de texto plano, uma ontologia jurídica preserva a estrutura inerente da legislação — hierarquia, versionamento, exceções e cadeias de fórmulas — permitindo um raciocínio jurídico determinístico em vez de uma recuperação probabilística de documentos.
Escala: 11 tipos de entidades, 1.689 artigos, 4 leis federais, 7 precedentes judiciais, 12 referências cruzadas tipadas, 10 taxonomias de enumeração.
Como as referências cruzadas tipadas mudam o raciocínio da IA jurídica
O que torna esta ontologia arquitetonicamente poderosa é o sistema de referências cruzadas tipadas. Na maioria dos sistemas de IA jurídica, uma referência entre dois artigos é apenas uma hiperligação. No sistema da Dynamic Interfaces, é uma relação tipada com significado semântico: remite_a (remete para), complementa (complementa), modifica (modifica), excepciona (cria exceção), define_termino (define termo), establece_formula (estabelece fórmula), establece_procedimiento (estabelece procedimento).
Esse tipo excepciona — é o que me tira o sono. O Artigo 5 da LFT estabelece direitos laborais gerais, mas regimes de trabalho especiais criam exceções. Se o sistema não modelar explicitamente as exceções, aplica regras gerais onde deveriam aplicar-se regras especiais. Esse é um erro juridicamente catastrófico.
Temos andado a tentar fazer com que a IA compreenda o direito atirando-lhe texto. Mas o direito não é texto. O direito é um grafo.
Quanto reduz uma ontologia jurídica os custos de IA?
É aqui que passa de 'arquitetonicamente interessante' para 'valha-me Deus, isto muda o modelo de negócio'. Uma ontologia jurídica reduziu os custos de raciocínio de IA de $0,60 para $0,02 por mensagem — uma redução de 97% — ao colapsar 300 descrições de ferramentas MCP em 7 ferramentas cientes da ontologia.
Porque precisam os sistemas de IA jurídica baseados em ontologia de menos ferramentas?
Economia de tokens: porque custam 300 ferramentas $0,60 e 7 ferramentas $0,02
A abordagem padrão para construir agentes de IA é expor cada operação de base de dados como uma ferramenta separada. Multiplique isso por 11 tipos de entidades e chega-se rapidamente a 300 ferramentas. O problema é este: cada uma dessas descrições de ferramentas é serializada na janela de contexto do LLM em cada pedido. Com 300 ferramentas a cerca de 300 tokens cada, estão a queimar-se 90.000 tokens antes mesmo de o utilizador fazer uma pergunta.
A ontologia colapsa isto. Em vez de 300 operações granulares de base de dados, obtêm-se 7 operações jurídicas semanticamente significativas: query_legal_knowledge, calculate_settlement, find_jurisprudencia, get_cross_references, get_wage_data, get_vacation_table, generate_dictamen.
Sete ferramentas. 2.100 tokens em descrições. $0,02 por mensagem.
O efeito de downgrade do modelo: de modelo de fronteira a código aberto
Quando um agente de IA só tem 7 ferramentas bem definidas para escolher — em vez de 300 — o modelo não precisa de ser tão inteligente. A ontologia faz o trabalho estrutural pesado. O modelo só precisa de compreender a pergunta do utilizador, escolher a ferramenta certa entre 1 e 3 opções, e sintetizar uma resposta a partir de dados estruturados.
A matemática do salário do perito
Um perito laboral na Cidade do México ganha aproximadamente entre 15.000 e 30.000 pesos mexicanos por mês. A $0,60 por mensagem, com 50 casos por mês e 20 mensagens por caso, o custo de API por si só seria de $600/mês — entre 36% e 72% do seu rendimento. Completamente inviável.
A $0,02 por mensagem, a mesma utilização custa $20/mês — entre 1,2% e 2,4% do rendimento. Menos do que uma subscrição da Netflix. A redução de custos não torna apenas o produto mais barato. Torna possível um mercado inteiramente novo.
Análise aprofundada: um cálculo real de despedimento sem justa causa — $254.000 MXN
Este é um cálculo completo de despedimento sem justa causa usando artigos reais da LFT, dados salariais reais de 2026 e a cadeia completa de dependências entre leis. Maria Elena Gutierrez, assistente administrativa, salário mensal de $15.000 MXN, empregada há 5 anos e 3 meses, despedida sem justa causa.
A ontologia trata disto em 8 passos ao longo de 4 leis: classificar o litígio, verificar o precedente vinculativo, seguir a cadeia de fórmulas, calcular a indemnização ($121.000), o acordo ($5.000), os salários em atraso ($120.000), a verificação entre leis, para um total de $254.000 MXN.
Num cálculo de $254.000, uma taxa de erro de 17% significa que a resposta pode estar errada em $43.000. Isso não é uma aproximação. É negligência profissional. A ontologia calcula isto deterministicamente. Sempre. Zero alucinações nos números.
Experimente HAQQ AI grátis
Experimente a redação e pesquisa jurídica com IA
A armadilha da UMA: um erro de $180.000 escondido à vista de todos
Desde a reforma constitucional mexicana de 2016, coexistem duas unidades de referência: a UMA (Unidad de Medida y Actualización) e o Salário Mínimo. Em 2026, o salário mínimo é 2,69 vezes a UMA. Usar a errada não produz um erro de arredondamento. Produz um cálculo juridicamente inválido.
Se se calcular o limite da prima de antiguidade usando a UMA em vez do Salário Mínimo, obtém-se $234,62/dia em vez de $630,08/dia — a lesar o trabalhador em 62,8%. Uma ontologia codifica qual unidade de referência se aplica a qual conceito jurídico. Não é ambíguo. Um sistema de RAG deixa isso ao critério do LLM. É aí que vive a alucinação.
Pode uma ontologia jurídica funcionar para qualquer jurisdição?
Todos os sistemas jurídicos partilham cinco primitivas estruturais: legislação hierárquica, categorização semântica, grafos de referências cruzadas, versionamento temporal e valores de domínio calculados — tornando o padrão de ontologia universalmente replicável. O padrão é universal. As enumerações são específicas de cada jurisdição.
O padrão mapeia-se de forma mais direta em sistemas de civil law — França, Brasil, Arábia Saudita, EAU — porque partilham estruturas codificadas e hierárquicas quase idênticas às do direito mexicano. Os sistemas de common law precisam de uma camada de adaptação que eleve a jurisprudência ao mesmo estatuto de primeira classe que os diplomas legais.
O que isto significa para a HAQQ — e a oportunidade de $1,2 mil milhões na MENA
Ninguém na MENA está a fazer isto. Nem perto disso. O panorama competitivo é dominado por RAG sobre PDFs. A Al Tamimi fez parceria com a Harvey. A Legora lançou suporte para árabe em janeiro de 2026. Há mais de 185 empresas de legal tech na região. Mas nenhuma construiu uma ontologia estruturada com grafos de referências cruzadas tipadas para o direito laboral da MENA.
Não existe nenhuma ontologia jurídica em árabe. Nem para o direito laboral, nem para o direito comercial, nem para nenhum domínio. Zero. Isso não é uma lacuna — é um vazio.
O mercado de tecnologia jurídica do GCC vale $1,2 mil milhões. O mercado de legal tech dos EAU projeta-se atingir $234,4 milhões até 2030 (CAGR de 10,8%). O governo dos EAU alocou $572 milhões para a transformação digital do setor da justiça. A Visão 2030 da Arábia Saudita inclui disposições específicas de modernização de tecnologia jurídica.
O Decreto-Lei Federal n.º 33 de 2021 dos EAU tem cerca de 65 artigos mais regulamentos de aplicação. A lei laboral da Arábia Saudita tem cerca de 245 artigos. São corpora geríveis — suficientemente pequenos para construir uma ontologia completa e validada por humanos em semanas, não meses.
O árabe em primeiro lugar é a nossa vantagem. Segundo os benchmarks do ArabLegalEval, o processamento de linguagem natural jurídico em árabe carece dos quadros de referência disponíveis para o inglês. Uma ontologia contorna por completo a extração por PLN — fornece dados estruturados. O LLM faz síntese, não extração. Essa é uma tarefa muito mais simples.
Direito legível por máquina: não estamos sozinhos
Singapura anunciou o SOLID (Singapore Open Legal Informatics Database) em novembro de 2025. A UE tem em funcionamento o Identificador Europeu de Legislação (ELI) desde 2012, agora implementado por mais de 21 países. A iniciativa 'Better Rules' da Nova Zelândia desenvolve a legislação simultaneamente em linguagem simples, declarações de regras e código.
O padrão é claro: os governos que investem agora em direito computacional terão a infraestrutura para a IA jurídica mais tarde. Os que não o fizerem vão andar a comprar invólucros de RAG caros vindos de Silicon Valley.
Como construir uma ontologia jurídica: um guia prático em 7 passos
Para um domínio jurídico focado, como o direito laboral de um único país (65-245 artigos), uma ontologia completa pode ser construída em 4-8 semanas, a um custo de análise de $5-20 por lei.
- Passo 1: Identificar as leis-fonte e os repositórios oficiais. Encontrar os 3-5 diplomas primários e avaliar a sua legibilidade por máquina.
- Passo 2: Conceber o modelo de entidades. Partir do modelo universal (Lei, Unidade Estrutural, Artigo, Jurisprudência, Referência Cruzada, Valor Calculado) e acrescentar entidades específicas da jurisdição.
- Passo 3: Definir taxonomias de enumeração. Definir 15-25 etiquetas temáticas semânticas, tipos de referências cruzadas e tipos de valores calculados.
- Passo 4: Analisar e ingerir as leis. Passar os documentos-fonte por um analisador, extrair a hierarquia, correr a etiquetagem semântica via LLM e carregar na base de dados.
- Passo 5: Construir o grafo de referências cruzadas. Extrair referências explícitas, detetar ligações temáticas implícitas, ligar referências entre leis e tipar cada aresta.
- Passo 6: Gerar o SDK e as ferramentas MCP. Expor 7 ferramentas: pesquisar artigos, obter artigo, obter referências cruzadas, obter jurisprudência, calcular valor, obter cronologia, comparar jurisdições.
- Passo 7: Ligar à mensagística. O utilizador envia uma pergunta via WhatsApp. O LLM recebe a mensagem mais 7 definições de ferramentas. Custo total: $0,02.
O que vem a seguir
Estamos a explorar a integração com a plataforma da Dynamic Interfaces para definição de ontologias e geração de SDK. Estamos a construir uma Ontologia do Direito Laboral dos EAU — o Decreto-Lei Federal n.º 33 de 2021 é o nosso primeiro alvo. Estamos a testar com fluxos de trabalho jurídicos reais nos EAU, e planeamos disponibilizar em código aberto o modelo de entidades universal.
A ideia é quase embaraçosamente simples: modelar o direito como aquilo que realmente é. Um sistema de conhecimento estruturado, versionado e com referências cruzadas. Parar de o tratar como uma pilha de PDFs para pesquisar.
Todas as grandes empresas de IA jurídica são construídas sobre RAG. A Stanford provou que alucinam entre 17% e 33% das vezes. Entretanto, os sistemas fundamentados em ontologia atingem 98% de exatidão. A arquitetura existe. A validação académica existe. O mercado existe. A ontologia é o segredo. Estamos a construir a nossa.
Perguntas que continuo a receber
O que é exatamente uma ontologia jurídica?
Uma ontologia jurídica é um modelo estruturado e legível por máquina de um domínio jurídico. Pense nela como um grafo de conhecimento concebido especificamente para o direito — define entidades, mapeia relações hierárquicas, rastreia referências cruzadas tipadas e trata o versionamento temporal das reformas. Em vez de tratar o direito como texto plano para pesquisar, uma ontologia jurídica capta a estrutura real que a legislação já tem.
Em que difere a IA jurídica baseada em ontologia do RAG?
O RAG fragmenta documentos jurídicos e recupera passagens semanticamente semelhantes. Uma ontologia modela o direito como um grafo de conhecimento ligado, com relações tipadas. Na prática, isto significa que o RAG perde hierarquia, versionamento temporal e cadeias de referências cruzadas. Uma ontologia preserva as três. O resultado é um raciocínio jurídico determinístico em vez de recuperação probabilística — a diferença entre 'provavelmente certo' e 'certo e citável'.
Como se compara isto com a Harvey AI?
A Harvey é uma empresa de $11 mil milhões que cobra cerca de $1.200/advogado/mês, com um mínimo de 20 lugares. Usam LLMs afinados com RAG — sem ontologia formal. Alegam 91% de exatidão, o que continua a significar uma taxa de erro de 9%. A abordagem por ontologia custa $0,02/mensagem, com cálculos determinísticos que não alucinam números. As arquiteturas são fundamentalmente diferentes: a Harvey torna o modelo mais inteligente; a abordagem por ontologia torna a tarefa do modelo mais simples.
Quanto poupa isto na prática?
Os custos por mensagem caíram de $0,60 para $0,02 — uma redução de 97%. As poupanças vêm de colapsar 300 descrições de ferramentas MCP em 7 (poupando cerca de 87.900 tokens por pedido) e de permitir a mudança de modelos de fronteira para modelos de código aberto.
Isto pode funcionar para sistemas de common law?
Sim, mas com uma camada de adaptação. Os sistemas de civil law mapeiam-se diretamente porque partilham estruturas codificadas e hierárquicas. Os sistemas de common law precisam de elevar a jurisprudência ao mesmo estatuto de primeira classe que os diplomas legais. As cinco primitivas estruturais existem em todos os sistemas jurídicos.
Quanto tempo demora a construir uma?
Para um domínio focado, como o direito laboral de um único país: 4-8 semanas para um corpus pequeno (65-245 artigos). Isso inclui a análise das fontes, a modelação de entidades, a extração de referências cruzadas e a geração de ferramentas MCP. Os custos de análise rondam os $5-20 por lei.
Referências
- Magesh, V. et al. 'Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools.' Journal of Empirical Legal Studies, 2025.
- de Martim, H. 'An Ontology-Driven Graph RAG for Legal Norms.' arXiv:2505.00039.
- Guo, X. et al. 'RAG-MCP: Mitigating Prompt Bloat in LLM Tool Selection.' arXiv:2505.03275.
- 'Ontology-grounded knowledge graphs for mitigating hallucinations in LLMs for clinical question answering.' Journal of Biomedical Informatics, 2025.
