Em 2025, diante do recorde de 40,9 milhões de novos processos, tribunais, escritórios e empresas brasileiras aceleraram o uso de Machine Learning no Direito. Na prática, algoritmos que aprendem com dados já leem peças, classificam recursos, estimam condenações e apontam fraudes em carteiras volumosas. Enquanto isso, o Conselho Nacional de Justiça (CNJ) mapeou 157 projetos de inteligência artificial em 43 tribunais. Afinal, o desafio é dar velocidade à Justiça sem abrir mão da segurança jurídica, da proteção de dados e do controle humano.
Mas o que significa, de fato, aplicar machine learning ao universo jurídico? Além disso, quais cuidados separam o uso estratégico do uso arriscado? Por isso, este guia reúne conceitos, números oficiais e dados atualizados.
O que é Machine Learning no Direito?
Machine Learning no Direito é o uso de algoritmos que aprendem padrões em dados jurídicos para classificar documentos, prever cenários e apoiar decisões. Em outras palavras, o sistema não depende de uma lista fechada de instruções. Pelo contrário, ele analisa milhares de exemplos, como sentenças e petições, e identifica relações que ajudam a antecipar resultados.
Normalmente, esses dados incluem decisões judiciais, movimentações processuais, contratos, publicações em diários oficiais e o histórico interno de cada carteira. Segundo a IBM, o aprendizado de máquina é o subconjunto da IA que aprende padrões em dados de treinamento para prever dados novos. Ou seja, o modelo generaliza o que aprendeu para situações que ainda não viu.
Aliás, fora do Direito, a mesma lógica já recomenda filmes, bloqueia spam e detecta fraudes em cartões. Não por acaso, o AI Index 2026, da Universidade Stanford, aponta que 88% das organizações já adotaram IA de alguma forma. Assim, o setor jurídico acompanha um movimento que atravessa toda a economia.
Historicamente, a ideia também não é nova. Em 1949, o jurista americano Lee Loevinger propôs a jurimetria, isto é, a análise quantitativa de fenômenos jurídicos. Uma década depois, em 1959, o pesquisador Arthur Samuel popularizou o termo machine learning com um programa que aprendia a jogar damas. Portanto, a novidade não está na combinação entre estatística e Justiça, mas na escala atual dos dados.
Machine learning, IA e IA generativa: qual a diferença?
Embora os termos apareçam juntos, eles não são sinônimos. Na verdade, eles formam camadas de uma mesma família tecnológica, como mostra a tabela abaixo.
| Conceito | O que faz | Exemplo no Direito |
|---|---|---|
| Inteligência artificial (IA) | Reúne sistemas que executam tarefas associadas à inteligência humana | Assistentes de pesquisa e triagem |
| Machine learning (ML) | Aprende padrões a partir de dados históricos | Previsão de êxito ou de valor de condenação |
| Deep learning | Usa redes neurais com muitas camadas | Leitura e separação de peças processuais |
| IA generativa | Produz textos, resumos e imagens | Minutas, resumos e classificação de novos processos |
Como o machine learning funciona na prática?
Em geral, um projeto de machine learning segue quatro etapas. Primeiro, a equipe reúne e limpa a base, porque dados inconsistentes geram previsões inconsistentes. Em seguida, o algoritmo treina com exemplos históricos e ajusta seus parâmetros até reconhecer padrões. Depois, os especialistas testam o modelo com casos inéditos e medem a taxa de acerto. Por fim, o modelo entra na rotina e recebe monitoramento e retreinamento contínuos.
Além disso, existem três abordagens principais de aprendizado:
- Aprendizado supervisionado: nesse caso, o modelo aprende com exemplos rotulados, como processos já classificados como ganhos ou perdidos. Assim, ele consegue prever o desfecho de casos novos.
- Aprendizado não supervisionado: por outro lado, o algoritmo encontra grupos e anomalias sem rótulos prévios. Por exemplo, ele pode revelar um volume atípico de ações contra uma empresa.
- Aprendizado por reforço: por sua vez, o sistema aprende por tentativa e erro, com base em recompensas. No entanto, essa técnica ainda aparece pouco na rotina jurídica.
Na área jurídica, aliás, o machine learning costuma trabalhar ao lado do processamento de linguagem natural (PLN). Afinal, a maior parte da informação do Direito está em textos, e não em planilhas. Dessa forma, o PLN transforma petições e sentenças em dados que o modelo consegue interpretar.
Por que o Machine Learning no Direito ganhou espaço nos tribunais?
Antes de tudo, o volume explica a urgência. Segundo o Justiça em Números 2026, do CNJ, o Judiciário encerrou 2025 com 75,5 milhões de processos em tramitação. Ao mesmo tempo, ingressaram 40,9 milhões de casos novos, o maior volume da série histórica iniciada em 2009.
Mesmo assim, o acervo caiu 4,3% em um ano, e a taxa de congestionamento líquida recuou para 56,6%, a menor da série. Além disso, cada magistrado ativo baixou, em média, 2.366 processos em 2025. Em contrapartida, o Brasil tem 8,9 magistrados por cem mil habitantes, enquanto os países europeus analisados pela Cepej têm 18. Ou seja, a produtividade depende cada vez mais de automação inteligente.
Com isso, a tecnologia virou infraestrutura. De acordo com mapeamento divulgado pelo CNJ no fim de 2025, 43 tribunais somam 157 projetos de inteligência artificial. Entre eles, 92 já operam em produção regular, enquanto 82 usam IA generativa, sobretudo para minutas, despachos e sentenças. Paralelamente, a plataforma Sinapses, do CNJ, concentra e compartilha modelos entre os tribunais.
Um dos casos pioneiros, inclusive, vem do Supremo Tribunal Federal (STF). Ainda em 2018, o tribunal lançou o Victor, criado com a Universidade de Brasília (UnB) para identificar temas de repercussão geral. Na época, o ministro Dias Toffoli informou que o sistema identificava esses recursos com acuidade de 85%. Segundo o CNJ, uma tarefa de 40 minutos de um servidor passou a levar cerca de 5 segundos.
Quais são as principais aplicações de Machine Learning no Direito?
Hoje, as aplicações de Machine Learning no Direito vão muito além dos tribunais. Tanto na advocacia quanto nos departamentos jurídicos, os usos mais consolidados atendem a seis frentes.
1. Jurimetria e análise preditiva
Primeiramente, os modelos estimam a probabilidade de êxito, o tempo de tramitação e o valor provável de uma condenação. Com isso, o jurídico calcula provisões com mais base e decide quando um acordo compensa. Inclusive, para aprofundar o tema, vale conhecer como funciona um software de jurimetria.
2. Classificação e extração de dados de documentos
Em segundo lugar, algoritmos separam peças, identificam o tipo de decisão e extraem valores, partes e prazos. Desse modo, a equipe dedica tempo à estratégia, e não à leitura repetitiva de centenas de sentenças.
3. Detecção de fraudes e litigância predatória
Além disso, modelos de anomalia apontam picos de distribuição, petições padronizadas e comportamentos fora da curva. Assim, a empresa reage antes que o problema contamine toda a carteira de processos.
4. Monitoramento e distribuição de novos processos
Da mesma forma, robôs capturam novas ações nos tribunais e nos diários oficiais. Em seguida, o modelo classifica o risco de cada caso e encaminha a demanda ao responsável certo.
5. Gestão de contratos e compliance
Já no consultivo, o machine learning também identifica cláusulas de risco, prazos de renovação e desvios em relação ao padrão da empresa. Consequentemente, o jurídico ganha previsibilidade também fora do contencioso.
6. Pesquisa jurisprudencial semântica
Por fim, sistemas de busca semântica encontram decisões parecidas pelo sentido, e não apenas por palavras exatas. Porém, o advogado ainda precisa conferir cada precedente na fonte oficial antes de usá-lo.
Jurimetria com machine learning: o que mostram os dados da Deep Legal
Na prática, a jurimetria é um dos campos em que o Machine Learning no Direito mais amadureceu no Brasil. Nesse sentido, a Deep Legal, legaltech fundada em 2018, ilustra bem essa evolução. Atualmente, segundo a própria Deep Legal, a plataforma monitora e interpreta mais de 1 milhão de processos por dia. Além disso, ela acompanha mais de 150 indicadores e sinais, com assertividade verificada continuamente. Esses dados, por sua vez, vêm de 1ª, 2ª e 3ª instâncias e dos diários oficiais, com atualização diária.
Com isso, a solução de jurimetria da Deep Legal oferece modelos preditivos treinados para cada empresa. Por exemplo, esses modelos estimam resultado, tempo de tramitação e risco de dano moral. Da mesma forma, a ferramenta vigia mais de 90 sinais de alarme, como mudança de entendimento e condenação fora do padrão.
Um exemplo concreto, inclusive, vem da JBS. Diariamente, a companhia recebe notificações dos novos processos distribuídos em suas 160 subsidiárias, com resumos e classificação de risco por IA generativa.
Em outro conteúdo, sobre modelos preditivos para fraude no contencioso, a Deep Legal também explica que cada modelo responde a uma pergunta diferente:
- Classificação supervisionada: separa casos suspeitos com base no histórico rotulado, mas perde precisão diante de novos tipos de litigância.
- Score de risco: ordena a carteira pela probabilidade de fraude e, assim, ajuda a priorizar acordos e definir provisões.
- Detecção de anomalias: encontra padrões novos mesmo sem base rotulada, porém exige validação humana para evitar falsos positivos.
Segundo o mesmo material, na Generali Brasil, a IA avaliou de 2.000 a 3.000 ações por dia e reduziu em 20% as provisões. Além disso, os acordos saltaram de dezenas para milhares. Outro ponto técnico também chama atenção: para reduzir erros, o texto sugere excluir da base processos distribuídos há mais de quatro anos. Ou seja, a qualidade dos dados pesa tanto quanto a sofisticação do algoritmo.
Segurança, ética e regulação: quais são os limites?
Apesar dos ganhos, o Machine Learning no Direito não opera em um vácuo regulatório. Pelo contrário, cada previsão envolve dados pessoais, sigilo profissional e, muitas vezes, direitos fundamentais. Por isso, a segurança se tornou o eixo central do debate sobre IA na área jurídica.
Em primeiro lugar, o artigo 20 da Lei Geral de Proteção de Dados (LGPD) permite ao titular pedir revisão de decisões automatizadas. Assim, empresas e escritórios precisam explicar os critérios que seus modelos utilizam.
No Judiciário, por sua vez, a Resolução CNJ 615/2025 substituiu a 332/2020 e passou a classificar soluções de IA por grau de risco. Além disso, a norma exige supervisão humana, transparência, auditoria e proteção de dados em todo o ciclo dos sistemas.
Na advocacia, o Conselho Federal da OAB aprovou, em novembro de 2024, recomendações para o uso de IA generativa na prática jurídica. Entre outros pontos, o documento trata de confidencialidade, ética profissional e comunicação transparente com o cliente.
Enquanto isso, o PL 2338/2023, marco legal da inteligência artificial, passou pelo Senado em dezembro de 2024 e segue na Câmara. Na Europa, igualmente, o AI Act trata como alto risco a IA que apoia juízes na interpretação dos fatos e da lei.
Além das normas, três riscos técnicos também exigem atenção constante:
- Viés algorítmico: quando o histórico reflete desigualdades, o modelo tende a reproduzi-las em escala.
- Opacidade: modelos pouco explicáveis dificultam justificar uma recomendação e, por isso, fragilizam a confiança do cliente e do juiz.
- Alucinação: ferramentas generativas podem inventar precedentes; portanto, toda citação exige checagem na fonte primária.
Como adotar Machine Learning no Direito com segurança?
Na prática, a adoção segura começa pela pergunta de negócio, e não pela ferramenta. Por isso, cinco passos ajudam a reduzir riscos e acelerar resultados:
- Defina o problema: primeiro, escolha uma dor mensurável, como provisionamento impreciso ou excesso de ações repetitivas.
- Saneie a base: afinal, dados duplicados ou incompletos comprometem qualquer modelo preditivo.
- Avalie a governança do fornecedor: em seguida, verifique conformidade com a LGPD, segurança da informação e explicabilidade dos resultados.
- Mantenha a revisão humana: assim, o advogado valida as recomendações críticas e responde por elas.
- Meça e retreine: por fim, acompanhe a taxa de acerto e atualize o modelo sempre que o padrão de litigância mudar.
Além disso, integrar os modelos ao software jurídico evita planilhas paralelas e retrabalho. Dessa forma, a previsão chega ao mesmo painel em que a equipe gerencia prazos, provisões e acordos.
Perguntas frequentes sobre Machine Learning no Direito
Não. Na prática, a tecnologia automatiza tarefas repetitivas e amplia a capacidade de análise, mas a interpretação jurídica continua humana. Inclusive, a Resolução CNJ 615/2025 e as recomendações da OAB reforçam essa responsabilidade profissional.
A jurimetria aplica métodos quantitativos ao Direito, enquanto o machine learning é uma das técnicas que ela utiliza. Ou seja, toda previsão por ML pode integrar um estudo jurimétrico, mas nem toda jurimetria depende de ML.
Sim, desde que o fornecedor adote controles de acesso, criptografia e conformidade com a LGPD. Além disso, o jurídico deve verificar onde o fornecedor armazena os dados e quem pode acessá-los.
Em geral, áreas de alto volume, como consumidor, trabalhista, bancário e recuperação de crédito, concentram os usos. Afinal, quanto maior a base histórica, mais o modelo aprende.
Conclusão
Em resumo, o Machine Learning no Direito já saiu dos laboratórios e chegou aos gabinetes, aos escritórios e aos departamentos jurídicos. Contudo, o ganho real depende de dados de qualidade, governança clara e supervisão humana. Dessa forma, quem combina tecnologia e método transforma volume processual em decisão estratégica.
Por isso, se você quer dar esse passo, conheça a Jurimetria da Projuris, que conecta dados dos tribunais à gestão do jurídico. Além disso, explore o catálogo de indicadores da Deep Legal para descobrir quais sinais fazem sentido para a sua carteira.
Mais conteúdos da Projuris
