Em resumo: uma ontologia jurídica construída pela Dynamic Interfaces para o direito do trabalho mexicano substituiu 300 ferramentas MCP por 7, e o custo por mensagem caiu de US$ 0,60 para US$ 0,02, uma redução de 97%. A economia vem de cerca de 88.000 tokens a menos de descrições de ferramentas por pedido, somados a um modelo mais barato que o conjunto menor de ferramentas permitiu usar.
Método. Sistema examinado: a ontologia jurídica da Dynamic Interfaces para o direito federal do trabalho mexicano, que exploramos por meio do seu servidor MCP em março de 2026. Corpus: 4 leis federais, 1.689 artigos, 11 tipos de entidade, 7 precedentes judiciais, 12 tipos de remissões tipadas, 10 taxonomias enumeradas. Ferramentas expostas ao modelo: cerca de 300 antes (uma por operação de banco de dados), 7 depois (uma por operação jurídica). Descrições de ferramentas no contexto: cerca de 90.000 tokens antes, cerca de 2.100 depois (aproximadamente 300 tokens por ferramenta). Custo por mensagem: US$ 0,60 antes, US$ 0,02 depois, conforme medido e informado pela Dynamic Interfaces; o valor de US$ 0,02 reflete também a troca de um modelo de fronteira por um modelo de pesos abertos mais barato. A HAQQ não refez a medição de custos de forma independente.
Fatos principais
- Resultado de custo da ontologia: de 300 ferramentas para 7, de US$ 0,60 para US$ 0,02 por mensagem (Dynamic Interfaces, informado à HAQQ, março de 2026).
- Pesquisa sobre número de ferramentas: o RAG-MCP, que entrega ao modelo apenas as descrições de ferramentas que recupera, elevou a precisão na seleção de ferramentas de 13,62% para 43,13% e reduziu os tokens do prompt em mais de 50% (Gan e Sun, arXiv:2505.03275, maio de 2025).
- Alucinações em RAG jurídico: um estudo pré-registrado do Stanford RegLab e do HAI constatou que Lexis+ AI, Westlaw AI-Assisted Research e Ask Practical Law AI alucinaram, cada um, entre 17% e 33% das vezes, com menos frequência que o GPT-4 (Magesh et al., Journal of Empirical Legal Studies 22:216, abril de 2025).
- A Harvey foi avaliada em US$ 15,5 bilhões após uma rodada de US$ 550 milhões anunciada em 9 de setembro de 2026 (blog da Harvey; TechCrunch, 9 set. 2026).
- Valores de referência no México em 2026: salário mínimo geral de MXN 315,04 por dia; UMA de MXN 117,31 por dia, em vigor desde 1º de fevereiro de 2026 (dados da CONASAMI e do INEGI, divulgados em jan. 2026).
- Corpus-alvo da HAQQ: o Decreto-Lei Federal n.º 33 de 2021 sobre a regulação das relações de trabalho dos Emirados Árabes Unidos tem 74 artigos e está em vigor desde 2 de fevereiro de 2022 (base de dados legislativa UNEP LEAP, consultada em 20 out. 2026).
Como chegamos a este sistema?
Em março de 2026 participei de uma chamada com o CEO da Dynamic Interfaces para conhecer uma ontologia jurídica que eles haviam construído para o direito do trabalho mexicano. Contaram-nos que cinco clientes governamentais mexicanos a usam diariamente e que peritos judiciais nomeados pelos tribunais (peritos) consultam quatro leis federais por meio dela e recebem respostas com citações no nível do artigo. O número que me fez passar as duas semanas seguintes dentro do sistema foi o custo: dois centavos por mensagem.
Para dar uma ideia de escala, o mercado de IA jurídica cobrada por usuário tem preços na casa das centenas de dólares por mês, e seu líder, a Harvey, foi avaliada em US$ 15,5 bilhões em setembro de 2026. Uma mensagem de dois centavos muda quem pode pagar por IA jurídica. Este artigo reúne o que encontrei ao me conectar ao servidor MCP deles, ler o modelo de dados e testá-lo em relação ao raciocínio jurídico que eu esperaria de um advogado trabalhista cuidadoso.
Divulgação. A HAQQ vende IA jurídica e, no momento em que este texto foi escrito, estávamos avaliando uma integração com a Dynamic Interfaces. Os números de custo são medições deles; nós os apresentamos com essa ressalva.
O que diz o estudo de Stanford sobre alucinações da IA jurídica?
Magesh, Surani, Dahl, Suzgun, Manning e Ho, do RegLab de Stanford e do Stanford Institute for Human-Centered AI, conduziram o que descrevem como a primeira avaliação pré-registrada de ferramentas de pesquisa jurídica com IA. Publicado no Journal of Empirical Legal Studies em abril de 2025, o estudo constatou que as ferramentas baseadas em RAG da LexisNexis e da Thomson Reuters alucinaram, cada uma, entre 17% e 33% das vezes. A recuperação reduziu as alucinações em comparação com o GPT-4, e as ferramentas diferiram bastante: o Lexis+ AI respondeu corretamente a 65% das consultas, o Westlaw AI-Assisted Research a 42%.
O estudo testou três produtos sobre o direito dos EUA em 2024. Ele não mostra que todo sistema RAG alucina nessa taxa, e não testa ontologias. O que ele mostra é que a recuperação sobre texto, por si só, deixou uma taxa de erro mensurável em ferramentas vendidas como confiáveis. Essa é a lacuna que um modelo estruturado do direito tenta fechar. Para casos judiciais em que citações inventadas chegaram a um juiz, veja nossa auditoria de alucinações.
Por que o RAG tem dificuldades com leis?
A maioria dos produtos de IA jurídica recupera trechos: divide os documentos em fragmentos, gera embeddings e busca os fragmentos mais próximos da pergunta. Isso funciona para muitas perguntas. Em trabalhos centrados em legislação, falha de três maneiras previsíveis.
Versões ao longo do tempo
Um fragmento de artigo não tem data. A reforma mexicana "Vacaciones Dignas", publicada no Diario Oficial de la Federación em 27 de dezembro de 2022, alterou os artigos 76 e 78 da Ley Federal del Trabajo e elevou o direito a férias do primeiro ano de 6 para 12 dias a partir de 2023. Um perito que avalia uma demissão que abrange a mudança precisa das duas versões e da data em que cada uma se aplicava. A recuperação simples não tem campo para isso.
Hierarquia
O direito é organizado em camadas: constituição, lei federal, regulamentos e, dentro de cada lei, títulos, capítulos, artigos e frações. A fragmentação achata essa estrutura. Quando um artigo se aplica "nos termos" de outro, um recuperador pode devolver o primeiro sem o segundo.
Remissões
O artigo 162 da Ley Federal del Trabajo (prêmio de antiguidade de 12 dias de salário por ano de serviço) toma sua base salarial dos artigos 485 e 486, que a limitam ao dobro do salário mínimo. Chegar ao valor correto exige seguir essa cadeia. A busca por similaridade devolve fragmentos; um grafo percorre os vínculos.
O que é uma ontologia jurídica?
Uma ontologia jurídica é um modelo legível por máquina de um conjunto de normas: suas entidades (leis, artigos, tribunais, precedentes, valores calculados como tetos salariais), a hierarquia entre elas, as datas em que cada versão se aplicava e vínculos tipados entre dispositivos. Um modelo que responde a uma pergunta consulta essa estrutura em vez de buscar em texto solto.
No sistema da Dynamic Interfaces, cada remissão tem um tipo: remite_a (remete a), complementa (complementa), modifica (altera), excepciona (cria uma exceção), define_termino (define um termo), establece_formula (estabelece uma fórmula) e establece_procedimiento (estabelece um procedimento). O tipo exceção é o que mais importa para mim. O artigo 5 da LFT estabelece direitos gerais, e os regimes especiais de trabalho criam exceções. Um sistema que não registra exceções aplicará a regra geral onde a especial prevalece.
Quanto uma ontologia jurídica reduz os custos de IA?
Segundo a medição da Dynamic Interfaces, de US$ 0,60 para US$ 0,02 por mensagem. Dois fatores produzem a queda, e vale a pena mantê-los separados.
Menos descrições de ferramentas em cada pedido
A forma habitual de construir um agente é expor cada operação de banco de dados como uma ferramenta. Com 11 tipos de entidade, chega-se a cerca de 300 ferramentas, e cada descrição é enviada ao modelo a cada pedido: a cerca de 300 tokens cada, são cerca de 90.000 tokens antes de o usuário perguntar qualquer coisa. A ontologia as substitui por 7 operações jurídicas: query_legal_knowledge, calculate_settlement, find_jurisprudencia, get_cross_references, get_wage_data, get_vacation_table e generate_dictamen. Isso equivale a cerca de 2.100 tokens de descrições, uma economia de aproximadamente 87.900 tokens por pedido.
Isso confere com a pesquisa publicada. No artigo do RAG-MCP, mostrar ao modelo apenas as ferramentas relevantes em vez de todas mais que triplicou a precisão na seleção de ferramentas (de 13,62% para 43,13%) e reduziu os tokens do prompt a menos da metade.
Um modelo mais barato dá conta do trabalho
Com 7 ferramentas claras, a tarefa do modelo fica menor: entender a pergunta, escolher de uma a três ferramentas e redigir resultados estruturados. A ontologia faz o trabalho estrutural. Isso permitiu à Dynamic Interfaces trocar um modelo de fronteira por um modelo de pesos abertos mais barato, o que responde por grande parte da economia restante.
Experimente HAQQ AI grátis
Experimente a redação e pesquisa jurídica com IA
O que a economia significa para um perito
Considere um perito laboral na Cidade do México que ganha cerca de MXN 15.000 a 30.000 por mês (a faixa que nos foi informada) e atende 50 casos por mês, com 20 mensagens cada. A US$ 0,60 por mensagem, são US$ 600 por mês, cerca de MXN 10.800 a 18 pesos por dólar, ou 36% a 72% da renda. A US$ 0,02, são US$ 20, cerca de 1,2% a 2,4%. O preço mais baixo abre um mercado que o mais alto exclui.
Qual unidade de referência se aplica: UMA ou salário mínimo?
Desde a reforma constitucional de janeiro de 2016, o México tem duas unidades de referência: a UMA (Unidad de Medida y Actualización) e o salário mínimo. Em 2026, o salário mínimo geral é de MXN 315,04 por dia e a UMA de MXN 117,31, uma razão de cerca de 2,69. Para o teto do prêmio de antiguidade nos termos dos artigos 162, 485 e 486, o dobro do salário mínimo dá MXN 630,08 por dia e o dobro da UMA dá MXN 234,62, 62,8% a menos.
Calculadoras e comentaristas no México não aplicam todos a mesma unidade a esse teto, de modo que essa é uma escolha que o advogado precisa fazer e defender. Um sistema de recuperação deixa essa escolha para o modelo a cada consulta. Uma ontologia registra qual unidade o escritório aplica a qual conceito, e o fundamento para isso, de modo que a escolha fica visível e é sempre a mesma.
Uma ontologia jurídica pode funcionar em outras jurisdições?
Os componentes se repetem em toda parte: legislação hierárquica, etiquetas temáticas, grafos de remissões, versões ao longo do tempo e valores calculados. Sistemas de direito civil com leis codificadas (França, Brasil, Arábia Saudita, Emirados Árabes Unidos) se adaptam de forma mais direta. O artigo SAT-Graph RAG de Hudson de Martim aplica um modelo estrutural e temporal semelhante à Constituição brasileira. Sistemas de common law exigem que a jurisprudência seja tratada como entidade de primeira classe ao lado das leis.
O que a HAQQ está construindo com isso?
Estamos construindo uma ontologia do direito do trabalho dos EAU, começando pelo Decreto-Lei Federal n.º 33 de 2021 (74 artigos) e seu regulamento de execução. A Lei do Trabalho da Arábia Saudita, promulgada pelo Decreto Real n.º M/51 de 1426 H, tem cerca de 245 artigos. Corpora desse tamanho podem ser modelados e verificados por advogados em semanas. Como a ontologia entrega ao modelo dados estruturados, o modelo sintetiza em árabe ou inglês em vez de extrair regras de um texto em árabe, que é a tarefa mais difícil. A ontologia vai alimentar a pesquisa jurídica da HAQQ sobre questões trabalhistas nos EAU.
Os governos estão indo na mesma direção. O European Legislation Identifier (ELI) da UE, aprovado pelo Conselho em 2012, atribui à legislação identificadores estáveis e legíveis por máquina, e o trabalho Better Rules da Nova Zelândia redige políticas públicas ao mesmo tempo como linguagem simples, regras e código.
Como se constrói uma ontologia jurídica?
Para o direito do trabalho de um país, nossa estimativa de trabalho é de 4 a 8 semanas. Estas são as etapas que seguimos:
- Identificar as 3 a 5 leis principais e suas fontes oficiais, e verificar o quanto cada uma é legível por máquina.
- Projetar o modelo de entidades. Partir de um modelo geral (Law, StructuralUnit, Article, CaseLaw, CrossReference, ComputedValue) e acrescentar o que a jurisdição exige.
- Definir as taxonomias: 15 a 25 etiquetas temáticas, os tipos de remissão e os tipos de valor calculado.
- Processar as leis, preservar a hierarquia e as datas das versões, etiquetar os artigos por tema (um modelo pode sugerir as etiquetas; um advogado as aprova) e carregá-los em um banco de dados.
- Construir o grafo de remissões: primeiro as remissões explícitas, depois as remissões entre leis, com cada vínculo tipado e revisado.
- Expor um conjunto pequeno de ferramentas via MCP, por exemplo buscar artigos, obter um artigo, obter remissões, obter jurisprudência, calcular um valor, obter a linha do tempo e comparar jurisdições.
- Medir antes e depois: tokens de ferramentas por pedido, custo por mensagem e precisão em um conjunto de perguntas de teste com respostas aprovadas por advogados.
Referências
- Magesh et al., Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools, Journal of Empirical Legal Studies 22:216 a 242 (2025)
- Gan e Sun, RAG-MCP: Mitigating Prompt Bloat in LLM Tool Selection via Retrieval-Augmented Generation, arXiv:2505.03275
- de Martim, An Ontology-Driven Graph RAG for Legal Norms, arXiv:2505.00039
- Harvey capta US$ 550 milhões com avaliação de US$ 15,5 bilhões (blog da Harvey, 9 set. 2026)
- Harvey atinge avaliação de US$ 15,5 bilhões meses depois de chegar a US$ 11 bilhões (TechCrunch, 9 set. 2026)
- Anthropic: doação do Model Context Protocol à Agentic AI Foundation (9 dez. 2025)
- Leis e regulamentos trabalhistas do setor privado nos EAU (u.ae), incluindo o Decreto-Lei Federal n.º 33 de 2021
- Decreto-Lei Federal n.º 33 de 2021 (base de dados legislativa UNEP LEAP)
- Ley Federal del Trabajo (Cámara de Diputados)



