Automação de triagem jurídica com IA e human-in-the-loop

Contexto

Escritórios de advocacia monitoram diários oficiais diariamente. Perder uma intimação pode significar perder um prazo, e perder um prazo pode significar perder um caso. A triagem manual é repetitiva, sujeita a fadiga e cara: exatamente o perfil de tarefa em que automação ajuda e em que automação mal desenhada é perigosa.

O problema certo

A pergunta que define o projeto não foi “como automatizar a triagem?”, e sim: o que esta automação jamais pode fazer?

Ela jamais pode: substituir a análise jurídica, calcular prazos oficialmente, agir sem supervisão ou esconder de onde tirou uma informação. A partir dessas restrições, desenhei o processo.

Desenho da solução

1 · Entrada. Caderno do diário oficial em PDF (nas demonstrações, um caderno fictício do DJERJ).

2 · Extração com LLM. Claude Haiku extrai apenas informações expressamente mencionadas: processo, partes, teor. Tarefa probabilística: o lugar certo para o modelo.

3 · Cruzamento determinístico. Dados extraídos cruzados com a base de processos (planilha simulando um CRM) para identificar o responsável.

4 · Urgência por regras, fora do LLM. Decisão de risco não é tarefa para modelo probabilístico. Regras determinísticas, auditáveis e editáveis.

5 · Saídas. Painel de acompanhamento, alerta ao responsável e lembrete provisório no Google Agenda, sempre marcado como [REVISAR].

6 · Revisão humana obrigatória. O advogado valida antes de qualquer ação valer. O sistema propõe; a pessoa decide.

Guardrails e confiabilidade

Separação probabilístico × determinístico: LLM extrai, regras decidem. Essa fronteira é a decisão de arquitetura mais importante do projeto.
Guardrails contra prompt injection: o conteúdo do diário é tratado como dado não confiável, nunca como instrução.
Log de auditoria: cada item processado é rastreável da publicação de origem até o lembrete criado.
Convenção [REVISAR]: todo evento criado se declara provisório. O sistema comunica a própria incerteza em vez de fingir precisão.
Falha segura: na dúvida (dado ausente, cruzamento ambíguo), o item vai para revisão humana em vez de seguir o fluxo.

Por que isso é um case de produto, não de tecnologia

Qualquer pessoa consegue pedir a um LLM que “leia um PDF e crie eventos na agenda”. O trabalho de produto está em outro lugar: definir o que o sistema não pode fazer, decidir onde o modelo entra e onde regras determinísticas mandam, desenhar a revisão humana como parte do fluxo (não como remendo) e tornar cada saída rastreável. É a diferença entre demo de IA e processo em que alguém pode confiar.

Resultados e estágio

Automação em operação de ponta a ponta, demonstrável com dados fictícios.
Evidência prática de IA aplicada com governança: extração por LLM, decisão determinística, human-in-the-loop, auditoria.

Aprendizados

O valor de uma automação com IA está menos no modelo e mais nas fronteiras que você desenha ao redor dele.
Comunicar incerteza ([REVISAR]) gera mais confiança do que aparentar certeza.
Em domínio regulado ou de risco, “human-in-the-loop” não é limitação do produto: é o produto.

Próximos passos

Testar com um escritório real em um caderno oficial corrente.
Medir precisão da extração contra conferência manual (taxa de erro por campo).
Evoluir a base simulada para integração com um CRM jurídico real.

Evidências visuais planejadas: screenshot do painel e de um evento [REVISAR] na agenda, com dados fictícios.

Competências demonstradas

Desenho de processo com IA · separação probabilístico × determinístico · human-in-the-loop · guardrails e segurança de prompt · auditabilidade · automação no-code multissistema · pensamento de risco em domínio sensível