inteligência artificial
17 conceitos de IA que advogados precisam entender
•
17 conceitos fundamentais de IA — tokens, RAG, alucinações, agentes — explicados com exemplos jurídicos.
Quem usa IA no dia a dia, seja para pesquisar jurisprudência, analisar um contrato longo ou simplesmente fundamentar peças com mais precisão, toma decisões melhores quando compreende o que acontece por trás.
Este artigo percorre os 17 conceitos fundamentais da IA generativa, todos traduzidos para a realidade do Direito.
A base: redes neurais, tokens e embeddings
Redes neurais são o núcleo de qualquer modelo de IA moderna. São camadas de operações matemáticas que ajustam seus parâmetros internos, chamados de pesos, a cada erro cometido, num processo chamado gradiente descendente. Pense numa IA aprendendo a identificar decisões sobre responsabilidade civil: ela lê milhares de acórdãos, erra, ajusta, repete. Até acertar com consistência.
Antes de processar qualquer texto, o modelo o fragmenta em tokens. Uma palavra longa pode virar dois ou três tokens; palavras curtas, um. Isso explica por que um modelo esquece o início de uma conversa longa: quando o total de tokens ultrapassa o limite do modelo, partes do histórico saem do campo de visão. Para análises de contratos extensos, esse comportamento tem consequências práticas que valem entender.
Embeddings transformam palavras e frases em vetores numéricos organizados por proximidade de significado. Isso viabiliza a busca vetorial: em vez de procurar pelo termo exato "dano moral", o sistema encontra decisões que mencionam "reparação extrapatrimonial", "compensação por sofrimento" e variantes equivalentes. Para pesquisa jurisprudencial, é a diferença entre correspondências exatas e resultados verdadeiramente relevantes.
Como o modelo processa o que lê: atenção, LLMs, temperatura e janela de contexto
O mecanismo de atenção permite que o modelo identifique quais palavras de uma frase importam para interpretar as demais. Numa petição com uma longa cadeia de subordinadas, o modelo consegue relacionar "o réu" no início do parágrafo ao verbo que aparece 40 palavras depois. É a base da arquitetura Transformer, presente em todos os grandes modelos de linguagem atuais.
LLMs (Large Language Models) foram treinados com um objetivo aparentemente simples: prever o próximo token. Simples de descrever, extraordinário em escala. Ao processar volumes imensos de texto, esses modelos absorvem gramática, fatos e raciocínio. Essa origem explica tanto suas capacidades quanto seus limites: são excelentes em padrão linguístico, mas não consultam um banco de dados de verdades verificadas.
A temperatura controla a aleatoriedade das respostas. Em zero, o modelo sempre escolhe o token mais provável, produzindo respostas previsíveis e conservadoras. Valores mais altos aumentam a variação, úteis para explorar teses ou brainstorming de argumentos. A janela de contexto é a memória ativa do modelo: a quantidade máxima de tokens que ele processa de uma vez. Documentos longos e conversas acumuladas consomem essa janela.
Leia mais: Desvendando a IA: introdução à tecnologia que está transformando o Direito
O risco que toda advogada e todo advogado precisam conhecer
Alucinação é quando a IA produz uma resposta incorreta com total confiança. Parece certeza. Não é. Como o modelo prevê o próximo token mais provável, ele pode inventar jurisprudência, citar ementa inexistente ou atribuir posição a tribunal que nunca a adotou.
Isso não é defeito de design: é consequência de como os LLMs funcionam. Eles não sabem a verdade porque nunca tiveram acesso a uma noção de verdade factual. Por isso, usar uma IA genérica para pesquisa jurídica sem mecanismo de verificação é apostar que o modelo vai acertar. (Apostas costumam funcionar melhor em outros contextos.)
Como modelos são treinados e controlados: fine-tuning, RLHF e guardrails
Fine-tuning é o processo de ajustar um modelo pré-treinado com um conjunto específico de dados para que ele aprenda um estilo ou formato. Um modelo com fine-tuning jurídico passa a usar linguagem processual e respeitar estruturas de peça. Mas é preciso ter clareza sobre o que fine-tuning faz e o que não faz: ele ensina formato, não fatos. Ele não adiciona jurisprudência nova ao conhecimento do modelo.
RLHF (Reinforcement Learning from Human Feedback) é o mecanismo pelo qual revisores humanos avaliam respostas e treinam o modelo a se comportar de forma mais útil. Guardrails são o resultado disso: filtros e instruções que impedem o modelo de responder de formas indesejadas, como gerar afirmações sem evidência ou aceitar instruções que contornam as políticas do sistema.
Saiba mais: Cinco coisas que advogados precisam saber sobre IA Generativa
Como você fala com a IA: engenharia de prompt, system prompt e engenharia de contexto
Engenharia de prompt é a prática de escrever instruções claras, detalhadas e com exemplos para obter melhores respostas. Um prompt jurídico bem estruturado especifica o papel do modelo, o formato esperado da resposta e as restrições relevantes. O resultado é radicalmente diferente de um prompt genérico.
System prompts são as instruções que os desenvolvedores inserem antes de qualquer interação do usuário. Elas moldam o comportamento do modelo de forma invisível. Quando uma ferramenta jurídica responde citando tribunal, data de julgamento e recusa afirmações sem fonte, há um system prompt cuidadoso por trás.
Engenharia de contexto é a evolução dessa prática para sistemas mais complexos: otimizar tudo que entra na janela de contexto de um agente, selecionando com precisão o que incluir para maximizar a qualidade da resposta dentro do limite de tokens disponível.
IA em ação: RAG, agentes, MCP e agent harnesses
RAG (Retrieval-Augmented Generation) é a técnica de buscar informações externas antes de gerar uma resposta. O modelo consulta uma base de dados atual e usa esse conteúdo como contexto. Aplicado ao Direito: a IA recupera decisões recentes nos tribunais e as usa para fundamentar a resposta, em vez de depender apenas do que aprendeu no treinamento. É o que separa uma IA que chuta de uma que cita.
Agentes de IA executam ciclos de raciocínio, ação e observação para completar tarefas. Eles chamam ferramentas externas, buscam dados, analisam documentos e tomam decisões em sequência. Um agente jurídico pode pesquisar jurisprudência, identificar precedentes favoráveis e sintetizar resultados sem intervenção manual a cada etapa.
Continue lendo: Como funciona um agente jurídico: delegação com plano de execução
MCP (Model Context Protocol) é um protocolo padronizado para conectar modelos de linguagem a ferramentas externas. Funciona como uma interface universal: um modelo via MCP acessa diferentes sistemas sem uma integração customizada para cada um. Agent harnesses são a infraestrutura que controla essa execução, definindo limites e monitorando o progresso para evitar loops ou comportamentos inesperados.
O vocabulário da IA é o novo vocabulário do Direito
Profissionais do Direito sempre souberam que dominar o vocabulário de uma área é parte essencial de atuar nela com segurança. Com a IA presente na rotina de escritórios de todos os portes, compreender esses 17 conceitos não é diferencial técnico.
É literacia básica.
Eles determinam como a ferramenta que você usa foi construída, onde ela pode errar e como extrair o máximo dela. Quem compreende o mecanismo identifica riscos antes que virem problema e usa a IA com confiança real, não apenas com intuição.
