# Preparando o eDiscovery para o futuro: uma filosofia pragmática da revisão assistida por IA _2026-02-04_ **Preparando o eDiscovery para o futuro: uma filosofia pragmática da revisão assistida por IA** ## **Introdução: enfrentando o dilúvio de dados no eDiscovery** A advocacia está em uma encruzilhada: as provas crescem explosivamente em volume e variedade, enquanto prazos e orçamentos continuam apertados. Décadas atrás, uma única caixa de documentos em papel podia decidir um caso. Hoje, um único processo pode envolver dezenas de milhares de documentos eletrônicos – quando não milhões – abrangendo e-mails, chats, bancos de dados e muito mais. Estudos mostram que o departamento jurídico corporativo médio gasta cerca de **US$ 3 milhões por caso** com discovery, sendo que a revisão de documentos, sozinha, responde por aproximadamente **70–75% desses custos**\[^1\]. Hoje não é incomum que casos envolvam **milhões de páginas** de provas eletrônicas, como ilustra um litígio de tecnologia de alto risco que exigiu a revisão de mais de **11 milhões de documentos (3,6 terabytes)** – um esforço de discovery que custou oito dígitos apenas para processar e hospedar os dados\[^2\]. Esse dilúvio de dados está levando os métodos tradicionais de revisão ao limite. Advogados e equipes de suporte a litígios se veem trabalhando mais horas ou cortando caminho, e os clientes resistem aos custos crescentes. No entanto, a tecnologia de eDiscovery _sempre_ foi uma corrida para acompanhar o crescimento dos dados. Do primeiro carimbo Bates no século XIX à inteligência artificial de hoje, cada inovação na gestão de provas buscou manter a revisão jurídica eficiente e defensável, mesmo com a proliferação da informação. Estamos agora à beira do próximo grande salto: a **revisão de documentos assistida por IA**. Não se trata de uma promessa recheada de chavões de substituir advogados por robôs. Trata-se de uma abordagem pragmática, orientada pela prática, para usar a IA moderna como um _multiplicador de forças_ para as equipes jurídicas. Ao automatizar de forma inteligente as partes mais trabalhosas da revisão, a IA pode ajudar advogados e paralegais a assumir o controle de conjuntos massivos de documentos – **com mais rapidez, precisão e economia** – mantendo a supervisão e o julgamento que a ética profissional e a qualidade exigem. Neste artigo, traçamos a evolução da tecnologia de eDiscovery e a **próxima onda de revisão assistida por IA**. Veremos como chegamos até aqui, o que a IA pode (e não pode) fazer pela revisão de documentos hoje e como escritórios com visão de futuro podem adotar essas ferramentas de forma **defensável e confiável**. O objetivo é desenhar um quadro claro de uma _“filosofia de revisão com IA”_ – um roteiro para integrar a IA à sua prática que mantenha você **preparado para o futuro** e impressione os clientes, sem jamais terceirizar seu pensamento crítico para uma máquina. Essa filosofia está fundamentada na prática real e no contexto canadense, mas se aplica a qualquer jurisdição que enfrente os desafios modernos do eDiscovery. Vamos começar olhando para trás e ver o quanto a tecnologia avançou. ## **Dos carimbos Bates ao big data: a evolução do eDiscovery** **Era do papel – organizando o analógico:** O conceito de identificação sistemática de documentos remonta a mais de um século. No final do século XIX, Edwin G. Bates inventou a **máquina de numeração Bates** – um carimbo manual capaz de imprimir um número sequencial único em cada página\[^3\]. Essa inovação simples revolucionou a gestão de provas na era do papel. De repente, os advogados podiam se referir à “página 100” de um arquivo com a certeza de que todos estavam, literalmente, na mesma página. A numeração Bates trouxe a precisão e a rastreabilidade de que as caixas de documentos em papel tanto precisavam, lançando as bases das práticas modernas de discovery. Durante a maior parte do século XX, lidar com provas significava manusear papéis em salas de arquivo, carimbar páginas e indexar manualmente por pastas e números de caixa. Era trabalhoso, mas os volumes eram administráveis pelo esforço humano – pelo menos até o mundo se tornar digital. **Ascensão da prova eletrônica – o eDiscovery inicial:** No final do século XX, empresas e pessoas começaram a gerar as primeiras ondas de _informações armazenadas eletronicamente (ESI)_ – e-mails, arquivos de processadores de texto, planilhas e assim por diante. Os tribunais reconheceram que esses registros digitais estavam sujeitos a discovery, assim como o papel. Mas como os advogados poderiam revisar arquivos eletrônicos em escala? A solução que surgiu nas décadas de 1980 e 1990 foi adaptar o antigo paradigma do papel ao novo meio. Documentos em papel eram digitalizados como **imagens TIFF**, e as primeiras ferramentas de software eram usadas para aplicar OCR (reconhecimento óptico de caracteres) a essas imagens e extrair texto pesquisável. Para lidar com os metadados (como datas, autores etc.) e organizar milhares de arquivos de imagem, o setor introduziu os **arquivos de carga (load files) de eDiscovery** – arquivos de texto especializados que “carregam” em um banco de dados todas as informações que não aparecem na face de uma página digitalizada\[^4\]. Em um arquivo de carga típico (geralmente com extensão .DAT ou .OPT), cada linha representa um documento e contém campos como números Bates, custodiantes, datas e caminhos para as imagens ou arquivos nativos do documento. Os arquivos de carga eram essencialmente a **ponte entre os arquivos brutos e os bancos de dados de revisão** – permitiam que os primeiros softwares de suporte a litígios reunissem todas as páginas, textos e metadados em um conjunto coerente e pesquisável\[^4\]. Esse período viu surgir a primeira geração de bancos de dados de suporte a litígios (os lendários antecessores das plataformas atuais). Eram rudimentares para os padrões modernos – exigiam instalações locais, configurações complexas e, muitas vezes, formatos proprietários –, mas permitiam que os revisores fizessem buscas por palavras-chave em documentos digitalizados e marcassem documentos eletronicamente com códigos de questões. Ao converter papel em dados estruturados, essas ferramentas ofereciam tecnologia digna de “Star Wars” aos advogados da era Reagan\[^4\]. Ainda assim, em comparação com hoje, os volumes de dados eram relativamente pequenos (alguns gigabytes já configuravam um caso grande), e o foco era tornar os fluxos de trabalho em papel um pouco mais eficientes por meio da digitalização. **E-mail e eDiscovery 1.0 – começa a explosão:** O verdadeiro dilúvio de dados chegou no final dos anos 1990 e início dos anos 2000, com o e-mail e os bancos de dados corporativos. De repente, até litígios de médio porte envolviam **gigabytes de dados** espalhados por servidores de e-mail, computadores e fitas de backup. Em 2006, o discovery eletrônico foi formalmente reconhecido nas Federal Rules (nos EUA), e desenvolvimentos semelhantes ocorreram no Canadá (por exemplo, os Princípios de Sedona Canada, em 2008), obrigando todo advogado contencioso a lidar com ESI. Fornecedores e escritórios de advocacia correram para acompanhar. A revisão linear tradicional – advogados lendo manualmente cada documento, um por um – tornou-se um gargalo sério. Se 1 gigabyte de dados pode conter **mais de 50.000 páginas de conteúdo** (cerca de 30.000 documentos)\[^1\], um caso com 100 GB de e-mails poderia facilmente ter vários milhões de páginas para revisar. Ficou evidente que revisar manualmente cada página era inviável em muitos casos. O resultado foi um crescente **setor de serviços e tecnologias de eDiscovery**: especialistas em coleta forense, softwares de processamento para desduplicar e indexar dados e plataformas de revisão em nuvem acessíveis 24 horas por dia, 7 dias por semana, por equipes de advogados terceirizados. Embora essas inovações (às vezes chamadas de _“Discovery 2.0”_) tenham facilitado um pouco o manuseio dos dados, também introduziram novos custos e complexidades. Em 2011, um relatório que ficou famoso estimou que um processo completo de eDiscovery poderia custar **US$ 30.000 por gigabyte** de dados, somados todos os custos de fornecedores e advogados\[^2\]. A revisão de documentos continuava sendo, de longe, o **maior item de custo** – muitas vezes **mais de 70% do orçamento de discovery** –, porque exércitos de revisores ainda eram necessários para percorrer os documentos em busca de relevância e de sigilo profissional (privilégio). Tribunais e legisladores passaram a se preocupar com essas tendências. Conceitos como **proporcionalidade** ganharam ênfase para conter um discovery excessivamente amplo. No Canadá, a proporcionalidade está incorporada ao processo civil e aos Princípios de Sedona Canada, que endossam explicitamente o uso de tecnologia para controlar custos e volumes. O Princípio 7 dos Princípios de Sedona Canada estabelece que _“uma parte pode usar ferramentas e processos eletrônicos para cumprir suas obrigações de discovery”_, e essa abordagem foi reconhecida pelos tribunais canadenses como compatível com o dever de proporcionalidade no discovery\[^5\]. Em outras palavras, o sistema jurídico passou a sinalizar que é aceitável – e até recomendável – usar ferramentas avançadas para reduzir enormes conjuntos de dados ao que é de fato relevante e necessário. Desse ambiente surgiu a evolução seguinte da tecnologia de eDiscovery: **analytics e aprendizado de máquina** para auxiliar os revisores humanos. **Analytics e TAR – eDiscovery 2.0:** Por volta da década de 2010, as principais plataformas de eDiscovery introduziram recursos analíticos como encadeamento de e-mails (para agrupar mensagens relacionadas), detecção de quase duplicatas, agrupamento por conceitos e **revisão assistida por tecnologia (TAR)**. A TAR, frequentemente usada como sinônimo de _codificação preditiva_, aplica algoritmos de aprendizado de máquina para ajudar a identificar documentos relevantes. Em vez de simples palavras-chave, a TAR aprende com as decisões dos revisores humanos sobre um conjunto de treinamento e, em seguida, classifica ou categoriza os documentos restantes conforme a probabilidade de relevância. Em 2012, os tribunais dos EUA (mais notoriamente em _Da Silva Moore v. Publicis Groupe_, S.D.N.Y. 2012) aprovaram a TAR como ferramenta aceitável de discovery, e a jurisprudência posterior em várias jurisdições (incluindo Ontário e os tribunais federais do Canadá) confirmou que o uso da codificação preditiva é compatível com as obrigações de discovery quando feito adequadamente, à luz do princípio da proporcionalidade. A TAR 1.0 normalmente envolvia um protocolo complexo: advogados seniores rotulavam um “conjunto semente” (seed set) de documentos, o sistema treinava um modelo e, por meio de rodadas iterativas e amostragem estatística, a equipe decidia quando a precisão da máquina era suficiente para prosseguir. A TAR 2.0 (frequentemente chamada de **aprendizado ativo contínuo, ou CAL**) aprimorou isso ao atualizar o modelo continuamente à medida que os revisores trabalhavam, eliminando as rodadas formais de treinamento. Essas técnicas trouxeram ganhos substanciais de eficiência – estudos relataram que a TAR podia reduzir as populações de revisão em 50-80% em muitos casos, economizando tempo e dinheiro de forma significativa. No entanto, a TAR **não era uma solução mágica**. Funcionava melhor em grandes conjuntos de dados homogêneos focados em decisões de relevância (sim/não). Nem todo projeto era adequado à codificação preditiva – por exemplo, coleções compostas predominantemente de imagens ou planilhas, ou revisões focadas em questões com nuances que vão além da relevância binária, podiam apresentar desafios\[^6\]. Mais importante: mesmo quando a TAR reduzia drasticamente o número de documentos que precisavam de revisão manual, ela _não_ eliminava a necessidade de expertise humana. Os advogados ainda precisavam revisar os documentos mais bem classificados, fazer o controle de qualidade das decisões da máquina e, sobretudo, conduzir a revisão de privilégio, já que nenhum escritório responsável produziria documentos sem que olhos humanos verificassem o privilégio. Na prática, a TAR deslocou o esforço humano do trabalho braçal da revisão de primeiro nível para um papel mais de supervisão e validação. Foi uma prévia da parceria entre humanos e IA, embora a “IA” tivesse uma função relativamente restrita. No final da década de 2010, usar TAR e analytics tornou-se **boa prática padrão** para equipes jurídicas com visão de futuro, e a economia do discovery melhorou um pouco como resultado. Mas os volumes de dados continuaram crescendo sem trégua – agora incluindo dados de dispositivos móveis, redes sociais, dispositivos IoT e muito mais – e os custos de eDiscovery continuaram subindo. O palco estava montado para o próximo salto: aplicar a nova onda de **inteligência artificial** – em especial a _IA generativa_ e o processamento avançado de linguagem natural – ao problema da revisão de documentos. ## **A ascensão da revisão de documentos assistida por IA (eDiscovery 3.0)** Entramos agora na era da **revisão assistida por IA** – o passo mais recente na evolução do eDiscovery. Ao contrário dos sistemas de TAR anteriores, que classificavam os documentos principalmente como relevantes ou não, as ferramentas de IA mais recentes conseguem _ler e compreender_ documentos de uma forma muito mais próxima da humana. Graças aos avanços em processamento de linguagem natural (PLN) e aprendizado de máquina (notadamente os modelos baseados em transformers, também conhecidos como “IA generativa”), as plataformas de eDiscovery conseguem executar tarefas que antes eram domínio exclusivo dos revisores humanos. É importante enfatizar: **a IA, neste contexto, não tem a ver com substituir advogados** – tem a ver com lidar com a _escala_ e o _tédio_ do discovery moderno de forma mais inteligente, para que advogados e paralegais possam se concentrar no trabalho estratégico e substantivo que realmente exige sua expertise. O que a IA pode fazer na revisão de documentos? As melhores ferramentas de eDiscovery orientadas por IA da atualidade (como a [**Claira**](/), uma assistente de revisão com IA integrada ao Nuix Discover) são capazes de executar as seguintes funções de alto valor: - **Revisão de primeiro nível acelerada (resumos de documentos):** Em vez de ler cada documento linha por linha, os revisores podem contar com **resumos** de documentos gerados por IA para fazer a triagem. A IA consegue produzir em segundos uma visão geral concisa de um e-mail ou de um relatório de 50 páginas, destacando os pontos principais. Isso permite que um revisor humano decida rapidamente se um documento provavelmente é relevante, não relevante ou se precisa de atenção mais detalhada, acelerando drasticamente a revisão de primeiro nível\[^7\]. - **Extração e codificação automatizadas de metadados:** Tarefas de codificação objetiva – como extrair datas, autores, destinatários, tipos de documento ou intervalos Bates – podem ser feitas automaticamente pela IA com alto grau de precisão. Por exemplo, em vez de um paralegal passar dezenas de horas codificando campos de e-mail ou identificando todos os documentos marcados como “Confidencial”, a IA pode extrair esses atributos de milhares de documentos em minutos\[^7\]. Isso garante consistência e libera as pessoas para trabalhos que exigem mais nuance. - **Análise temática e detecção de padrões:** A IA pode analisar um conjunto de dados inteiro para identificar **temas, padrões e anomalias** que talvez não sejam evidentes em documentos individuais. Ela pode agrupar documentos por assunto, sinalizar padrões de comunicação incomuns ou apontar quais pessoas-chave são mais centrais nas trocas de e-mails. Esses insights ajudam os advogados a entender rapidamente que histórias os documentos estão contando. Por exemplo, a IA pode revelar que o codinome de determinado projeto aparece em muitos arquivos distintos, ou que o nome de um funcionário é mencionado com frequência ao lado de expressões específicas – pistas que uma revisão manual talvez só percebesse muito tarde\[^7\]. - **Sinalização inteligente de questões:** A IA moderna é hábil em identificar categorias específicas de conteúdo. Ela pode sinalizar comunicações **potencialmente privilegiadas** (como uma cadeia de e-mails que inclui o jurídico interno), encontrar documentos que provavelmente contêm **informações pessoais** ou outros dados sensíveis que exigem tarjamento, ou alertar a equipe sobre documentos relacionados a **questões jurídicas** específicas (por exemplo, pode-se pedir a um modelo de IA que “encontre todos os documentos que discutem uma possível republicação de demonstrações financeiras”). Em vez de depender da sorte ou de buscas por palavras-chave excessivamente amplas, a IA pode levar esses documentos críticos à revisão humana muito mais cedo no processo\[^7\]. - **Extração de dados estruturados e resumos:** Indo além da classificação, a IA pode extrair fatos e gerar produtos de trabalho. Por exemplo, pode extrair todos os **valores financeiros** de um conjunto de planilhas ou montar uma **cronologia de eventos** a partir de um acervo de e-mails (identificando frases que mencionam datas e eventos-chave). Pode identificar **cláusulas contratuais** em uma pilha de contratos ou resumir os principais termos de cada acordo. Em essência, a IA pode fazer a primeira versão de análises substantivas que normalmente exigiriam a leitura de centenas de páginas – e depois os advogados verificam e refinam esses resultados\[^7\]. Essas capacidades representam um salto quântico em eficiência. Em vez de ver a IA como uma misteriosa caixa-preta, pense nela como um analista júnior extremamente rápido: alguém que consegue percorrer um milhão de documentos e informar instantaneamente “estes 500 parecem os mais relevantes”, resumir cada um deles, marcar suas principais propriedades e destacar padrões dignos de nota. **Você, advogado ou paralegal, continua no controle** – você decide o que a IA procura, revisa os resultados e toma as decisões finais sobre relevância, privilégio e estratégia. Mas, com a IA fazendo o trabalho pesado, sua expertise é aplicada onde tem mais valor, em vez de ser desperdiçada na leitura entorpecente de documentos banais. Fundamentalmente, a revisão assistida por IA não funciona isoladamente – ela **se integra ao fluxo de trabalho de eDiscovery já comprovado**. Plataformas como o Nuix Discover não são substituídas pela IA; ao contrário, as ferramentas de IA se conectam a elas. Por exemplo, a integração da Claira com o Nuix significa que, depois que o Nuix conclui o processamento, a indexação, a desduplicação e as demais etapas do EDRM, os algoritmos de IA da Claira analisam o texto dos documentos e gravam os resultados (resumos, campos extraídos, tags etc.) **diretamente nos campos do banco de dados do Nuix**\[^8\]. Não há exportações incômodas nem interfaces separadas – os revisores veem os insights gerados pela IA ao lado do documento original, na própria plataforma de revisão. Os campos adicionados pela IA são **pesquisáveis, ordenáveis e incluídos nos seus fluxos de trabalho existentes**\[^8\]. Se a IA marcar um documento como “potencialmente privilegiado”, você pode filtrar por essa tag no Nuix. Se a IA resumir um documento, esse resumo fica armazenado e pode ser revisado ou exportado como qualquer outro metadado. Essa integração estreita é vital para manter a revisão **defensável** – todas as ações ficam registradas no sistema, e as contribuições da IA podem ser validadas e auditadas conforme necessário. Considere um cenário concreto que contrasta a revisão tradicional com a revisão assistida por IA\[^9\]: antes da IA, uma equipe de advogados juniores poderia passar semanas lendo à força bruta 100.000 documentos, muitas vezes trabalhando à noite e nos fins de semana, para identificar os relevantes e registrar as informações-chave. Provas importantes poderiam surgir apenas no fim do jogo, depois de dezenas de milhares de horas faturáveis. Com a IA, essa mesma equipe consegue realizar muito mais em uma fração do tempo – a IA pode agrupar instantaneamente esses 100.000 documentos por assunto, resumir cada grupo e sinalizar os cerca de 5.000 provavelmente mais relevantes para uma revisão mais detalhada. Um paralegal pode executar um prompt de IA para **codificar automaticamente o conjunto inteiro** com campos básicos (data, custodiante, tipo de documento) e depois passar um dia conferindo por amostragem e corrigindo eventuais anomalias. Um associado sênior pode pedir à IA que extraia todos os **eventos** (quem se reuniu com quem, e quando) mencionados na coleção, obtendo uma linha do tempo que levaria dias de trabalho manual para compilar. Munidos desses insights desde cedo, os advogados podem definir sua estratégia de forma mais rápida e inteligente. Ao longo de todo o processo, nenhum documento privilegiado é produzido sem aprovação humana; nenhum resumo é aceito pelo valor de face sem que um advogado o confira. Mas, ao eliminar o trabalho enfadonho, a IA permite que a equipe jurídica se concentre mais cedo na análise e na defesa dos interesses do cliente. ## **A parceria entre humanos e IA: credibilidade, controle e defensabilidade** Diante de todos esses avanços, um advogado sensato poderia perguntar: _“Isso parece poderoso – mas posso **confiar** nisso? E os erros? E como explico isso a um juiz se for questionado?”_ São perguntas cruciais. Uma filosofia de revisão com IA precisa estar fundamentada em **credibilidade e defensabilidade**. A resposta está em reconhecer que a IA é uma ferramenta para **potencializar**, e não substituir, o julgamento humano. O objetivo não é criar um “robô advogado” de ficção científica que conduza o discovery de forma autônoma; é criar uma **colaboração entre especialistas humanos e IA** de modo que o resultado final seja **mais rápido, melhor e ainda confiável**. Primeiro, é importante entender que tribunais e legisladores apoiam o uso criterioso da IA no discovery. O uso de aprendizado de máquina na revisão de documentos já não é novidade nem motivo de controvérsia no contencioso – é uma prática aceita, desde que feita com transparência e razoabilidade. Na verdade, no Canadá, o uso de TAR e de ferramentas semelhantes foi explicitamente reconhecido como uma forma de alcançar um discovery proporcional. A ênfase dos juízes costuma recair sobre o _processo_, não sobre a tecnologia: se você demonstrar que o uso da IA visava encontrar a verdade de forma mais eficiente e que você validou os resultados, o tribunal será receptivo. O **dever profissional dos advogados** continua o mesmo de sempre: você deve adotar medidas razoáveis para identificar e produzir as provas relevantes e proteger as informações privilegiadas. A IA é simplesmente um auxílio para cumprir esse dever, não uma renúncia a ele. Para manter a credibilidade, **a supervisão humana é inegociável**. Pense no papel da IA como análogo ao de um advogado júnior ou paralegal qualificado: você delega tarefas, mas também supervisiona e revisa o trabalho. Por exemplo, se a IA disser que um documento “não é relevante”, você não aceita isso cegamente para todos os fins – ainda pode revisar uma amostra desses documentos para garantir que nada importante tenha escapado. Se o resumo que a IA fez de um documento-chave parecer estranho, ou se você souber que aquele documento pode ser uma prova decisiva, você lerá o original na íntegra. Especialmente na **revisão de privilégio e no controle de qualidade final**, os advogados humanos devem permanecer firmemente no comando. Nenhuma IA hoje consegue tomar decisões de privilégio com 100% de certeza; ela só pode sinalizar candidatos. O registro de privilégio (privilege log) final e as decisões devem ser validados pelos advogados. As ferramentas modernas de IA costumam incluir recursos que facilitam essa supervisão. Por exemplo, podem fornecer **pontuações de confiança** ou destacar os trechos exatos do texto que levaram a uma classificação (para que você veja rapidamente por que a IA considerou um documento responsivo). Também permitem feedback iterativo: se você perceber que a IA está cometendo um determinado erro (digamos, identificando sistematicamente um codinome como nome de pessoa), muitas vezes é possível ajustar as instruções ou fornecer exemplos para corrigir isso. Essa abordagem de _aprendizado contínuo_ transforma o processo de revisão em um diálogo entre advogado e IA – da mesma forma que você corrigiria e orientaria um membro júnior da equipe, você faz o mesmo com o sistema de IA. Mais importante ainda, qualquer resultado gerado pela IA pode ser **validado**. Como a IA no eDiscovery trabalha dentro do seu sistema, você tem um registro do que ela fez. Se necessário, você pode apresentar em juízo as entradas (conjunto de treinamento, prompts utilizados) e os resultados para demonstrar que seu processo foi razoável. Já houve casos em que as partes concordaram em compartilhar informações sobre seu processo de TAR para dissipar preocupações; uma abordagem cooperativa semelhante pode ser adotada com a IA. A métrica fundamental não é “toda decisão foi perfeita?” – nenhuma revisão humana é perfeita, tampouco –, mas sim **“o processo foi razoável e defensável diante das necessidades do caso?”** Com um processo de IA guiado por humanos, fica mais fácil argumentar que você de fato alcançou um resultado _mais_ completo e eficiente do que uma maratona puramente manual teria alcançado, porque a IA ajudou a eliminar esforços desperdiçados e a trazer à tona as provas importantes mais cedo. Também vale observar que as ferramentas de IA evoluíram a ponto de reduzir significativamente os erros. A codificação preditiva inicial talvez fosse uma espécie de caixa-preta, mas a IA moderna (especialmente os grandes modelos de linguagem) pode ser surpreendentemente precisa na compreensão do contexto. Por exemplo, uma IA consegue distinguir um e-mail enviado a um advogado solicitando orientação jurídica (provavelmente privilegiado) de um e-mail que apenas copia o departamento jurídico em uma atualização de rotina (não privilegiado), com base em sutilezas da linguagem – uma tarefa em que os filtros por palavras-chave frequentemente erravam. Ainda assim, **tratamos os resultados da IA como sugestões, não como verdades absolutas**. A filosofia aqui é: _confie, mas verifique_. Use a IA para **reduzir drasticamente o universo de documentos e organizar as informações** e, em seguida, aplique o julgamento humano ao conjunto refinado. Vozes de referência no eDiscovery ecoam essa abordagem equilibrada. Uma análise recente de um grande escritório de advocacia canadense adverte que, embora a IA generativa vá acelerar a revisão de documentos com “um salto quântico”, **nada disso exime os advogados de suas obrigações profissionais** de supervisionar o processo e garantir a precisão\[^9\]. Na verdade, “revisores robôs” totalmente autônomos – sistemas que decidem sobre responsividade ou privilégio sem nenhum humano no circuito – são considerados arriscados e provavelmente inaceitáveis pelos padrões atuais\[^9\]. O uso mais seguro e eficaz da IA é a **revisão aumentada**, não a revisão autônoma. Sua equipe continua sendo a árbitra final do que é produzido ou retido. Pense na IA como seu _agente_ em campo, fazendo o reconhecimento do terreno e o trabalho pesado, mas sempre reportando a você para as decisões finais. Seguindo esses princípios, você pode incorporar a IA ao discovery de forma defensável. **Pontos de verificação de controle de qualidade** devem fazer parte de qualquer fluxo de trabalho orientado por IA: por exemplo, depois que a IA classificar o conjunto de documentos, peça aos advogados que revisem uma amostra estatisticamente representativa de cada categoria (relevante, não relevante, privilegiado) para verificar as taxas de acerto. Quaisquer erros sistemáticos identificados podem ser corrigidos (às vezes retreinando a IA ou ajustando um prompt, outras vezes simplesmente corrigindo esses casos manualmente). Documente tudo: se algum dia precisar justificar o processo, você poderá mostrar, por exemplo, que testou a precisão e o recall da IA e os considerou aceitáveis para a tarefa, e que um humano revisou todos os casos-limite em que “a IA disse talvez”. Esse nível de diligência mantém o uso da IA bem dentro dos limites de um processo de discovery defensável – um processo que qualquer advogado da parte contrária ou juiz razoável deveria respeitar, sobretudo quando a alternativa (a revisão manual de milhões de documentos) é impraticável. Em suma, **a filosofia da revisão com IA é uma filosofia de parceria**: usar as melhores capacidades das máquinas – velocidade, escalabilidade, reconhecimento de padrões – em conjunto com os pontos fortes insubstituíveis dos advogados humanos – julgamento, ética, compreensão do contexto – para enfrentar os desafios do eDiscovery que nenhum dos dois conseguiria enfrentar sozinho. Quando bem feita, a revisão assistida por IA não é apenas confiável; ela é _mais_ eficaz do que os métodos tradicionais para encontrar a verdade em um mar de dados. E permite que os advogados redirecionem seu tempo para análises de maior valor e para o pensamento estratégico, o que, em última análise, beneficia os clientes. ## **Implementando a revisão com IA na prática: um roteiro** Adotar a IA no seu fluxo de trabalho de eDiscovery pode parecer intimidador, mas é possível fazê-lo de forma pragmática. Veja a seguir um guia passo a passo para equipes jurídicas (especialmente em escritórios ou organizações de pequeno e médio porte) começarem a integrar a revisão com IA de maneira prática e defensável: 1. **Mantenha a base do seu fluxo de trabalho comprovado:** Comece pelo processo de eDiscovery em que você já confia. Use suas ferramentas atuais (por exemplo, o Nuix ou qualquer outra plataforma de processamento) para executar as etapas consagradas: **coleta** e **processamento** dos dados, desduplicação e configuração do caso em um banco de dados de revisão. A IA funciona melhor com dados normalizados e organizados. Certifique-se de que todo o texto foi extraído e de que a filtragem básica foi feita (por exemplo, intervalos de datas, triagem por custodiante), como você normalmente faria. Em outras palavras, a IA não elimina a necessidade de colocar seus documentos eletrônicos em ordem – ela **se apoia nessa base**\[^8\]. 2. **Identifique os pontos críticos (tarefas repetitivas):** Observe as fases típicas das suas revisões e identifique onde estão os gargalos ou as tarefas mecânicas. Os membros da sua equipe gastam tempo desproporcional com tarefas que não exigem raciocínio jurídico profundo, como percorrer documentos padronizados, codificar campos de e-mail ou procurar um detalhe específico em milhares de páginas? Essas são candidatas ideais à assistência da IA. Exemplos comuns incluem a revisão de relevância de primeiro nível, a verificação de privilégio, a codificação objetiva, a localização de todas as ocorrências de determinada cláusula ou dado e a compilação de cronologias ou resumos. Faça uma lista dessas tarefas que são **“frutos mais fáceis de colher”** e que, se aceleradas, teriam o maior impacto no seu cronograma e orçamento\[^7\]. 3. **Escolha a ferramenta de IA certa e integre-a:** Selecione uma ferramenta de revisão com IA que funcione com a sua plataforma e atenda às suas necessidades de segurança de dados. Para escritórios canadenses, a residência de dados é um fator-chave – você pode optar por uma ferramenta como a [Claira](/), que mantém os dados no Canadá (algo importante para a conformidade em matéria de privacidade e confidencialidade). A ferramenta deve se integrar ao seu banco de dados de revisão para poder gravar os resultados de volta no sistema (como discutido, a integração evita criar novos silos ou dores de cabeça com exportações). Trabalhe com o fornecedor para instalar ou conectar a solução de IA e verifique como ela vai marcar documentos ou criar campos. Conduza um **teste ou piloto em pequena escala**: por exemplo, execute a IA primeiro em um conjunto de algumas centenas de documentos para ver como ela se sai e calibrar prompts ou configurações. 4. **Aplique a IA de forma estratégica – um passo de cada vez:** É prudente introduzir a IA em fases. Comece com um ou dois casos de uso da sua lista de pontos críticos. Talvez você comece usando a IA para gerar resumos de documentos de um conjunto de dados inicial, para codificar automaticamente metadados de e-mail ou para sinalizar documentos potencialmente privilegiados. Observe os resultados e envolva sua equipe na avaliação. Os resumos da IA captaram corretamente a essência? Alguma questão óbvia passou despercebida ou foi classificada incorretamente? Mantenha a **supervisão humana** à medida que implanta a IA: peça que uma pessoa revise os resultados da IA, ainda que apenas por verificações por amostragem ou concentrando-se nos casos-limite. À medida que a confiança aumenta, você pode ampliar o papel da IA para outras tarefas ou para partes maiores da coleção. Mantenha sempre uma mentalidade iterativa: se algo não funcionar como esperado, ajuste a abordagem e tente de novo. A IA muitas vezes melhora à medida que recebe feedback e que você refina seus prompts/instruções\[^8\]. 5. **Documente e defenda o processo:** Desde o início, documente o que está fazendo. Registre quais funções de IA você usou (por exemplo, “usamos a Claira para resumir 10.000 documentos e identificar os que mencionam o Projeto X”), quais verificações aplicou (por exemplo, “um advogado revisou amostras dos documentos que a IA classificou como não relevantes para confirmar que de fato não eram relevantes”) e quaisquer ajustes feitos. Esse registro não precisa ser oneroso – serve principalmente para que, se alguém perguntar mais tarde “como vocês conduziram a revisão?”, você possa explicar com clareza seu **fluxo de trabalho defensável**. Em discussões internas ou em reuniões de alinhamento (meet-and-confers) com o advogado da parte contrária, não hesite em mencionar que está usando uma ferramenta de IA para agilizar a revisão – apresente-a como um meio de **garantir um discovery mais eficiente e completo**, o que é do interesse de todos. Acima de tudo, esteja pronto para revisar manualmente qualquer coisa sobre a qual a IA esteja em dúvida ou que o advogado da parte contrária aponte como questionável. Essa transparência e essa disposição para cooperar evitarão a maioria das contestações. 6. **Treine sua equipe e construa confiança:** A gestão da mudança é uma parte importante da implementação da IA. Dedique tempo a treinar os profissionais (advogados, paralegais, suporte a litígios) sobre o que a IA pode fazer e como usá-la. Por exemplo, mostre aos revisores como interpretar um resumo ou uma pontuação de confiança gerados pela IA e o que fazer quando discordarem da sugestão dela. Incentive um ambiente em que a equipe veja a IA como uma assistente útil, e não como uma ameaça. Projetos-piloto são ótimos para isso: escolha um caso relativamente pequeno ou uma investigação interna para testar a IA e depois compartilhe o sucesso (por exemplo, “revisamos esses dados em 3 dias em vez de 3 semanas com a ajuda da IA”). À medida que as pessoas veem os resultados, elas se tornam defensoras da ferramenta. Além disso, designe uma pessoa de referência ou um pequeno grupo para se tornarem os **especialistas** internos na ferramenta de IA – eles podem aprimorar a forma como o seu escritório a utiliza e manter todos atualizados sobre novos recursos e boas práticas. 7. **Amplie gradualmente:** Depois dos primeiros sucessos, incorpore a IA ao seu roteiro padrão de discovery. Atualize seus protocolos internos de eDiscovery para refletir onde a IA será usada. Talvez todo novo caso acima de determinado porte passe a incluir automaticamente uma fase de revisão de primeiro nível com IA. Continue monitorando os resultados e coletando métricas – por exemplo, acompanhe quantas horas foram economizadas ou quanto mais rápido os documentos-chave foram descobertos. Isso não apenas valida o ROI da tecnologia, como também pode ser usado em propostas a clientes ou em relatórios pós-projeto para demonstrar a eficiência do seu escritório. Com o tempo, você pode expandir o uso da IA para além da revisão, em áreas adjacentes como a avaliação preliminar do caso (por exemplo, usando a IA para resumir rapidamente a “essência” de um conjunto de dados antes da revisão formal) ou a preparação de depoimentos (usando a IA para extrair possíveis documentos de prova). Deixe que o nível de conforto e as necessidades específicas de cada caso orientem até onde você vai. Seguindo esse roteiro, até mesmo um escritório pequeno ou uma equipe jurídica enxuta pode começar a colher os benefícios da revisão com IA de forma controlada e defensável. A chave é **estratégia, não modismo**: concentre-se em melhorias práticas no seu fluxo de trabalho, e não na tecnologia pela tecnologia. A situação de cada escritório é única – diferenças nos tipos de caso, tipos de dados, orçamento, jurisdição, expectativas dos clientes –, mas a natureza flexível da IA permite adaptar seu uso ao seu contexto. Uma “filosofia” de revisão assistida por IA, em última análise, trata de unir a tecnologia à arte da advocacia: ela está ali para atender às suas necessidades e evoluir à medida que você descobre o que funciona melhor. ## **Olhando adiante: abraçar o futuro da IA para atender melhor os clientes** A trajetória da tecnologia de eDiscovery não dá sinais de desaceleração. Pelo contrário, a criação de dados (e as exigências de divulgação) continuará a se acelerar. Projeta-se que, até 2025, a criação global de dados atinja patamares estonteantes (centenas de zettabytes por ano, segundo algumas estimativas) e, embora apenas uma fração ínfima disso se torne prova em litígios, a parcela que se torna ainda é enorme. Equipes jurídicas que se apegam a processos de revisão puramente manuais e lineares se verão sobrecarregadas – incapazes de cumprir prazos ou forçadas a cortar o escopo e, potencialmente, deixar passar provas-chave. Por outro lado, aquelas que adotarem a _automação responsável_ e a IA estarão preparadas para **lidar com o crescente maremoto de informações** sem se afogar. É uma questão de sobrevivência e competitividade na prática contenciosa moderna. Do ponto de vista do cliente, os benefícios são tangíveis. Clientes sofisticados – sejam empresas, órgãos públicos ou mesmo litigantes individuais – estão cada vez mais atentos a como a tecnologia pode reduzir custos. Eles não querem pagar um pelotão de advogados juniores para revisar e-mails triviais se existir um método mais inteligente. Ao usar a revisão com IA, você pode **reduzir drasticamente as horas de revisão** de um caso, o que se traduz em economia ou na possibilidade de realocar essas horas para análises que agregam mais valor. Imagine dizer a um cliente: “Temos um sistema de IA que vai resumir e categorizar esse milhão de documentos em uma semana, permitindo que nossa equipe se concentre apenas nos 5% que realmente importam – isso significa que o seu caso vai andar mais rápido e custar menos.” Esse é um diferencial poderoso em um mercado competitivo. Os clientes também valorizam quando seus escritórios de advocacia têm visão de futuro e são eficientes. Isso reflete bem na qualidade geral do serviço do escritório. Na verdade, em RFPs e propostas para clientes, perguntas sobre inovação e uso de tecnologia já são comuns. Saber articular sua abordagem de “revisão assistida por IA” mostra que o seu escritório não está preso ao modo de trabalhar do século XX. Adotar a IA também pode nivelar o campo de jogo. Escritórios menores ou advogados que atuam em litígios de interesse público podem não ter a força de trabalho de grandes escritórios ou de órgãos governamentais. Mas a IA pode funcionar como o multiplicador de forças que permite a uma equipe pequena enfrentar com sucesso um enorme conjunto de dados. Já vimos no passado como o “ônus do discovery” podia distorcer resultados – por exemplo, um autor individual podia ser sobrepujado por um réu que produzia milhões de documentos (sabendo que o custo e o esforço de revisá-los seriam esmagadores). A IA tem o potencial de atenuar essas assimetrias: ela introduz um grau de **democratização do eDiscovery**, em que o tamanho bruto da equipe de revisão importa menos do que a inteligência com que você emprega a tecnologia. Os juízes também estão cada vez mais cientes dessas ferramentas e podem esperar que as partes as utilizem para manter os casos avançando com eficiência. Pode chegar o momento em que _não_ usar a assistência de IA disponível seja visto como falta de esforço razoável (se isso resultar em atrasos ou custos excessivos). É claro que o **elemento humano** continuará sempre no centro. Mesmo quando nos maravilhamos com a capacidade da IA de redigir resumos ou detectar padrões, precisamos lembrar que o direito trata, em última análise, de narrativas humanas, de justiça e de julgamento. A IA pode encontrar as agulhas no palheiro, mas é preciso um advogado para tecer essas agulhas em uma história convincente ou em um argumento jurídico. A filosofia que descrevemos garante que o papel da IA seja capacitar os advogados – dar a eles superpoderes de velocidade e percepção – e não deixá-los de lado. As práticas de eDiscovery mais bem-sucedidas nos próximos anos serão aquelas que encontrarem a sinergia ideal entre as capacidades humanas e as da máquina. Em conclusão, a jornada dos carimbos Bates à revisão com IA tem sido de adaptação constante ao **universo de provas em permanente expansão**. Cada etapa – indexar papel, digitalizar em imagens, carregar dados em bancos de dados, pesquisar por palavras-chave, fazer a triagem com analytics, classificar com TAR e, agora, revisar com IA – se apoiou na anterior para manter o discovery jurídico eficaz diante das mudanças. A revisão assistida por IA não é uma ruptura radical, mas sim a próxima evolução natural desse contínuo. Ela oferece uma forma de **romper o dilema** entre dados em expansão e tempo humano finito, permitindo delegar às máquinas as tarefas de força bruta enquanto nos concentramos na análise e na defesa dos interesses do cliente. Para o advogado, paralegal ou profissional de suporte a litígios que está lendo este texto, a mensagem é encorajadora: _você_ pode ser o protagonista que traz essas capacidades de IA para a sua organização. Ao compreender e articular essa filosofia, você pode ajudar seu escritório a se tornar uma **prática inovadora e preparada para o futuro**, que impressiona os clientes e entrega resultados mesmo com o volume de dados disparando. Adotar a revisão com IA não é aderir a um modismo – é **praticar a advocacia de forma pragmática na era moderna**. Significa estar disposto a mudar a forma como você trabalha, guiado pelos princípios atemporais de diligência, proporcionalidade e atendimento ao cliente. As ferramentas estão prontas; os argumentos a favor delas são claros. Os escritórios que prosperarão serão os que aproveitarem a oportunidade. O futuro do eDiscovery já chegou, e é um futuro em que **a expertise humana e a capacidade da IA se combinam para alcançar o que nenhuma das duas conseguiria sozinha**. Ao adotar essa abordagem pragmática e confiável da revisão assistida por IA, você não está apenas acompanhando a mudança – está um passo à frente, exatamente onde seus clientes precisam que você esteja. ###### **Referências** \[^1\]: Segundo uma pesquisa do Compliance, Governance and Oversight Council (CGOC), o _departamento jurídico médio_ gasta cerca de **US$ 3 milhões por caso** com discovery, e uma pesquisa do RAND Institute constatou que aproximadamente **73 centavos de cada US$ 1** gastos em eDiscovery vão para tarefas de revisão de documentos. _Fonte: ABA Journal (fev. 2013), citando a pesquisa do CGOC e o estudo da RAND_ – https://calattorneysfees.com/discovery-rand-discovery-shows-ediscovery-is-expensive-and-aba-journal-article-offers-tips-to-reduce-ediscovery-costs-for-le/ \[^2\]: **Exemplo – Apple v. Samsung:** Em um litígio de patentes, a Samsung teve de coletar e processar mais de **11 milhões de documentos (3,6 TB de dados)** para o discovery, gastando cerca de **US$ 13 milhões** com processamento e hospedagem de dados em 20 meses (sem incluir os custos de revisão pelos advogados). A revisão de documentos normalmente representa mais de 70% do custo total de eDiscovery (conforme observado por um estudo da RAND). _Fonte: artigo “Discovery 3.0” da Logikcull_ – https://www.logikcull.com/blog/how-small-medium-sized-firms-can-thrive-in-discovery-3-0 \[^3\]: **História da numeração Bates:** A máquina de numeração automática Bates foi inventada por **Edwin G. Bates no final do século XIX** com o objetivo de simplificar a identificação e a recuperação de documentos. Na era dos registros em papel, cada página recebia manualmente um carimbo com um número único (geralmente um código sequencial de quatro dígitos) para permitir referências precisas. _Fonte: Investintech – “Bates Numbering 101: History, Usage and Tutorial”_ – https://www.investintech.com/resources/blog/archives/7829-bates-numbering-101-history-usage-and-tutorial.html \[^4\]: **Origem dos arquivos de carga (década de 1980):** Os chamados **arquivos de carga (load files)** surgiram no eDiscovery na década de 1980 como forma de adicionar pesquisabilidade e metadados a documentos em papel digitalizados. Os advogados digitalizavam arquivos em papel como imagens TIFF e aplicavam OCR ao texto; o texto extraído e os metadados dos documentos precisavam ser armazenados em arquivos separados (por exemplo, .DAT para metadados, .TXT para texto) que pudessem ser carregados em um banco de dados. Esses arquivos de carga serviam para “popular” os primeiros bancos de dados de revisão (como Concordance ou Summation), levando informações que as imagens sozinhas não conseguiam conter. _Fonte: Craig Ball, “A Load (File) Off My Mind” (2013)_ – https://craigball.net/2013/07/17/a-load-file-off-my-mind/ \[^5\]: **Uso de tecnologia e proporcionalidade (Canadá):** Os Princípios de Sedona Canada (2008) endossam explicitamente o uso de ferramentas eletrônicas para cumprir as obrigações de discovery. O Princípio 7 estabelece que as partes podem usar tecnologia para reduzir ônus e custos. Os tribunais canadenses aprovaram a revisão assistida por tecnologia como compatível com a regra da **proporcionalidade** no discovery – por exemplo, a Superior Court de Ontário, em **Commonwealth v. CSA** (2019), observou que a TAR é um método aceito para cumprir com eficiência os deveres de produção de documentos nos casos apropriados. _Fonte: Torys LLP Insight “I, Robot-Reviewer? Generative AI and the future of eDiscovery” (2023), citando o Princípio 7 do Sedona Canada e a proporcionalidade_ – https://www.torys.com/en/our-latest-thinking/resources/forging-your-ai-path/generative-ai-and-the-future-of-ediscovery \[^6\]: **Limites da TAR – supervisão humana necessária:** A **codificação preditiva/TAR** tradicional reduz significativamente o volume de documentos para revisão manual, mas não elimina a necessidade de pessoas. Certos tipos de dados (por exemplo, imagens, planilhas compostas majoritariamente de números etc.) não são facilmente tratados pelos algoritmos de TAR, e tarefas críticas como a **revisão de relevância de segundo nível, a revisão de privilégio e o controle de qualidade (QC)** ainda exigem que advogados examinem os documentos. A TAR se destaca na priorização de documentos provavelmente relevantes, mas os advogados precisam validar os resultados e garantir que nenhuma informação importante ou material privilegiado seja ignorado. _Fonte: discussão no artigo da Torys LLP sobre TAR e CAL, observando que a TAR não dispensa a revisão humana para privilégio e QC_ – https://www.torys.com/en/our-latest-thinking/resources/forging-your-ai-path/generative-ai-and-the-future-of-ediscovery \[^7\]: **Capacidades da IA na revisão – exemplos práticos:** Ferramentas modernas de IA como a **Claira para Nuix** podem executar uma série de tarefas de revisão, como: gerar **resumos** de documentos para uma triagem rápida; **codificar automaticamente campos de metadados** (datas, autores etc.) em milhares de documentos; identificar **temas recorrentes ou padrões de comunicação** em um conjunto de dados; **sinalizar documentos potencialmente privilegiados ou sensíveis** para um exame mais detalhado; e extrair informações estruturadas para montar itens como cronologias ou listas de testemunhas. Essas funções orientadas por IA aceleram o processo de revisão, deixando a tomada de decisão final para as pessoas. _Fonte: Claira, “How AI Fits into Modern eDiscovery: A Practical Guide” (dez. 2025)_ – https://www.claira.to/stories/how-ai-fits-into-modern-ediscovery-a-practical-guide \[^8\]: **Integração da IA com as plataformas de revisão:** É fundamental que os resultados da IA alimentem de forma integrada a sua plataforma de eDiscovery existente. Por exemplo, a integração da Claira com o Nuix significa que os resultados gerados pela IA (resumos, fatos extraídos, tags) são gravados diretamente em campos padrão do banco de dados do caso no Nuix. Os revisores podem imediatamente pesquisar, ordenar e filtrar com base nas anotações da IA, como fariam com qualquer outro metadado. Isso **elimina transferências manuais** entre sistemas e garante que o fluxo de trabalho de IA permaneça dentro dos limites defensáveis do seu banco de dados de revisão principal. _Fonte: guia da Claira, sobre por que a integração é importante_ – https://www.claira.to/stories/how-ai-fits-into-modern-ediscovery-a-practical-guide \[^9\]: **A supervisão humana continua essencial:** Mesmo com a **IA generativa** avançada, capaz de redigir resumos e tomar decisões sobre documentos, os profissionais do direito precisam manter a supervisão. A forma mais extrema – a “robo-revisão” totalmente autônoma, sem validação humana – é considerada arriscada e propensa a erros (por exemplo, com risco de produção de documentos privilegiados). Todas as implementações confiáveis de IA no eDiscovery continuam a **exigir revisão por advogados e especialistas em eDiscovery** para garantir a precisão e proteger o privilégio. As economias de tempo e de custo previstas com a IA **não eximem os advogados de seu dever** de exercer julgamento e usar processos defensáveis. _Fonte: Torys LLP, “Generative AI and the future of eDiscovery”, enfatizando que as ferramentas de IA generativa ainda precisam de supervisão humana e que as responsabilidades profissionais dos advogados permanecem_ – https://www.torys.com/en/our-latest-thinking/resources/forging-your-ai-path/generative-ai-and-the-future-of-ediscovery