O que a análise preditiva jurídica realmente mostra?

A análise preditiva jurídica costuma despertar uma expectativa imediata: descobrir antecipadamente o resultado de um processo. No entanto, essa interpretação simplifica uma atividade que depende de dados históricos, critérios de comparação e conhecimento do contexto.

Em vez de antecipar uma decisão judicial com certeza, a análise identifica padrões em conjuntos de informações. Assim, ela pode mostrar comportamentos recorrentes, concentrações, relações entre variáveis e possíveis cenários. A empresa utiliza esses achados para aprofundar perguntas e apoiar avaliações sobre a carteira.

Porém, a utilidade da análise preditiva jurídica não depende apenas da tecnologia empregada. Antes disso, ela exige dados organizados, critérios consistentes e clareza sobre a pergunta que precisa ser respondida. Sem essas condições, até um modelo tecnicamente sofisticado pode produzir uma resposta pouco útil para a gestão.

O que é análise preditiva jurídica?

A análise preditiva utiliza informações anteriores para investigar a possibilidade de determinado comportamento ou resultado. No contexto jurídico, ela pode trabalhar com dados sobre processos, fases, temas, valores, decisões, duração e formas de encerramento.

Seu objetivo não precisa estar limitado à tentativa de estimar êxito ou perda. Dependendo do escopo, a empresa também pode investigar quais assuntos permanecem ativos por mais tempo, onde determinadas demandas se concentram ou como diferentes grupos de processos evoluem.

Portanto, a expressão “preditiva” não deve ser confundida com adivinhação. O modelo observa relações registradas na base e calcula resultados conforme os critérios adotados. Consequentemente, a resposta representa uma estimativa construída a partir de um recorte de dados.

Esse recorte importa porque nenhum conjunto de informações reproduz toda a realidade jurídica. Mudanças legislativas, novos entendimentos, diferenças entre casos e acontecimentos não registrados na base podem alterar um resultado.

Além disso, uma associação estatística não prova, sozinha, uma relação de causa e efeito. Se determinado tema apresenta valores mais altos, por exemplo, essa concentração merece investigação. Ainda assim, a análise não permite concluir automaticamente por que isso ocorreu.

O histórico ajuda, mas não determina o futuro

Uma carteira processual acumula informações ao longo do tempo. Quando esses registros seguem critérios consistentes, eles permitem comparar grupos de casos e observar repetições.

Por exemplo, a empresa pode analisar se processos sobre determinado assunto costumam permanecer mais tempo em uma fase. Também pode verificar se existem diferenças relevantes entre regiões, períodos, unidades ou formas de encerramento.

Esses padrões ajudam a direcionar a atenção. No entanto, o histórico não transforma casos semelhantes em casos idênticos. Cada processo pode envolver fatos, provas, pedidos, estratégias e decisões específicas.

Além disso, o ambiente jurídico muda. Alterações legislativas, precedentes, orientações internas e novas práticas dos tribunais podem reduzir a capacidade explicativa de dados mais antigos. Por esse motivo, a empresa precisa avaliar o período analisado e revisar o modelo ao longo do tempo.

A análise preditiva jurídica, portanto, não elimina a incerteza. Ela organiza parte dela. Seu valor está em tornar visíveis alguns padrões que dificilmente apareceriam em uma leitura manual de centenas ou milhares de registros.

Quais perguntas a análise preditiva pode ajudar a investigar?

A utilidade depende do objetivo, do volume e da qualidade dos dados. Ainda assim, algumas perguntas podem orientar projetos de análise:

• determinados grupos de processos apresentam tempos de tramitação diferentes;
• quais temas aparecem com maior frequência em determinadas unidades;
• como processos comparáveis costumam avançar entre as fases;
• quais informações estão relacionadas a diferenças de duração ou valor;
• em quais grupos existe maior concentração de encerramentos por acordo;
• quais mudanças recentes alteraram o comportamento da carteira;
• onde a ausência de dados impede uma avaliação mais consistente.

A formulação dessas perguntas precisa anteceder a modelagem. Caso contrário, a empresa corre o risco de aplicar técnicas sofisticadas sem definir qual decisão pretende apoiar.

Além disso, a pergunta deve corresponder ao dado disponível. Uma base que registra fases processuais pode apoiar uma análise de duração. Porém, ela não necessariamente permite investigar causas internas das demandas se não houver vínculo com unidades, áreas ou temas padronizados.

Por isso, a análise preditiva começa antes do algoritmo. Ela começa na compreensão da base e na definição do problema.

Dados inconsistentes também produzem previsões

Um modelo não reconhece automaticamente se a informação utilizada está correta. Ele processa aquilo que recebeu. Dessa maneira, erros de cadastro, duplicidades e classificações divergentes podem influenciar o resultado.

Considere uma carteira em que escritórios diferentes utilizam nomes distintos para o mesmo assunto. Embora os processos tratem de uma matéria semelhante, o sistema poderá dividi-los em categorias separadas. Como consequência, a frequência e os padrões desse grupo podem parecer menores do que realmente são.

O mesmo problema ocorre quando valores de natureza diferente ocupam o mesmo campo. Valor da causa, condenação, provisão, depósito e saldo não representam a mesma informação. Portanto, compará-los sem distinguir origem e data pode gerar conclusões inadequadas.

Datas também exigem atenção. Um modelo de duração depende da identificação correta dos marcos processuais. Se a base mistura data de distribuição, data de cadastro interno e data de captura pelo sistema, o cálculo deixa de representar o intervalo pretendido.

O NIST, órgão norte-americano responsável por padrões e tecnologia, alerta que dados utilizados em sistemas de inteligência artificial podem não representar de maneira adequada o contexto de uso. Além disso, problemas de qualidade e vieses podem afetar a confiabilidade do sistema.

Assim, a etapa de preparação não deve ser tratada apenas como uma limpeza técnica. Ela envolve compreender o significado jurídico e gerencial de cada informação.

Qualidade não significa apenas preencher todos os campos

Uma base pode apresentar poucos campos vazios e ainda não estar preparada para uma análise preditiva. Completude é apenas uma das dimensões da qualidade.

Também é necessário verificar consistência, atualidade, origem e comparabilidade. Um registro pode estar preenchido, mas utilizar uma classificação antiga. Da mesma forma, dois escritórios podem cadastrar a mesma informação conforme critérios diferentes.

O contexto temporal também interfere. Processos encerrados há muitos anos talvez reflitam um cenário jurídico distinto do atual. Por outro lado, analisar apenas casos recentes pode reduzir o volume disponível e deixar de capturar ciclos processuais completos.

Outro aspecto relevante é a representatividade. Se a base reúne majoritariamente processos de uma região ou matéria, o modelo não deve ter seu resultado automaticamente estendido a grupos diferentes.

Por isso, antes de utilizar uma estimativa, a empresa precisa compreender:

• de onde vieram os dados;
• qual período eles representam;
• quais grupos foram incluídos ou excluídos;
• como os campos foram preenchidos;
• quais mudanças ocorreram durante o intervalo;
• quais limitações permanecem na base.

Essas informações ajudam a interpretar o resultado e também permitem revisar a análise posteriormente.

O modelo precisa continuar sendo acompanhado

Uma análise preditiva não termina quando o modelo apresenta seu primeiro resultado. A carteira muda, recebe novos processos e incorpora diferentes decisões. Consequentemente, os padrões também podem mudar.

A empresa precisa comparar as estimativas com o que aconteceu depois. Essa verificação não serve apenas para medir acertos. Ela também ajuda a identificar em quais grupos o modelo apresenta maior dificuldade e onde os dados precisam de revisão.

Além disso, o uso deve permanecer coerente com a finalidade definida. Uma análise criada para observar o tempo de tramitação não deve orientar, sem nova validação, decisões sobre valores ou acordos.

Governança, portanto, significa estabelecer responsáveis, critérios de uso e mecanismos de revisão. Significa também registrar as limitações e comunicar o resultado de maneira compreensível para quem tomará a decisão.

A Resolução CNJ nº 615/2025 estabelece diretrizes para desenvolvimento, utilização e governança de soluções de inteligência artificial no Poder Judiciário. A norma não disciplina diretamente os departamentos jurídicos privados. Entretanto, o destaque atribuído a temas como governança, supervisão, segurança e transparência mostra por que a discussão não pode ficar restrita ao desempenho técnico.

Proteção de dados também faz parte da análise

Bases jurídicas podem reunir dados pessoais, informações profissionais, documentos e registros relacionados às partes de um processo. Dessa forma, qualquer projeto precisa considerar as regras aplicáveis ao tratamento dessas informações.

A Lei Geral de Proteção de Dados Pessoais estabelece princípios, direitos e obrigações relacionados ao tratamento de dados pessoais. O artigo 20 também prevê o direito de solicitar revisão de decisões tomadas unicamente com base em tratamento automatizado de dados pessoais que afetem os interesses do titular.

Isso não significa que toda análise preditiva jurídica produza uma decisão automatizada enquadrada nessa disposição. A aplicação depende do uso concreto, das informações tratadas e dos efeitos produzidos. Ainda assim, o tema reforça a necessidade de avaliar finalidade, acesso, segurança e participação humana.

Logo, a proteção de dados não deve entrar apenas ao final do projeto. Ela precisa fazer parte da definição da base, do acesso às informações e da forma como os resultados serão utilizados.

A análise não substitui a decisão jurídica

Um resultado preditivo pode indicar que determinado grupo apresentou um comportamento recorrente. Porém, cabe às áreas responsáveis avaliar se essa informação é pertinente para o caso concreto.

O modelo não conhece automaticamente todos os fatos de um processo. Também não compreende, por si só, os objetivos empresariais, as limitações operacionais ou os efeitos de uma decisão sobre outras áreas.

Por isso, a participação humana não deve funcionar apenas como uma aprovação formal. Ela precisa questionar a origem dos dados, a lógica da comparação e a adequação do resultado ao contexto.

Na prática, a análise preditiva jurídica acrescenta uma camada quantitativa à avaliação. Ela não substitui a leitura dos autos, a estratégia processual, os critérios contábeis nem as responsabilidades profissionais envolvidas.

Essa distinção também evita promessas excessivas. Um modelo pode apoiar uma decisão mais informada, mas não garante redução de custos, vitória processual, encerramento mais rápido ou precisão absoluta sobre acontecimentos futuros.

Conclusão

A análise preditiva jurídica pode ampliar a compreensão de uma carteira porque permite observar padrões, comparar grupos e estimar cenários a partir do histórico disponível.

Entretanto, ela não prevê decisões com certeza e não elimina a necessidade de avaliação humana. Seus resultados dependem da qualidade da base, do período analisado, dos critérios adotados e da correspondência entre a pergunta e os dados.

Por isso, o trabalho começa antes do modelo. A empresa precisa organizar cadastros, conciliar fontes, documentar classificações e compreender as limitações da informação. Depois, deve acompanhar o desempenho da análise e revisar seu uso conforme a carteira muda.

Nesse contexto, o Analytics 360 da Pact apoia a estruturação da jornada de dados jurídicos por meio de diagnóstico, saneamento, auditoria, enriquecimento, monitoramento e visualização. Assim, a empresa pode construir uma base mais organizada para desenvolver análises conforme suas necessidades e com a participação das áreas responsáveis.

Perguntas frequentes

Referências