# O TAR 1 Reference Model: o que o novo modelo da Sedona Conference significa para a revisão com IA generativa

_2026-08-04_

Em março de 2024, a The Sedona Conference publicou um artigo que mudou discretamente a forma como os profissionais devem pensar a revisão assistida por IA. Escrito por Tara Emory, Jeremy Pickens e Wilzette Louis, da Redgrave Data, o TAR 1 Reference Model sustenta que a IA generativa não exige um novo modelo de revisão. Ela se encaixa no mesmo processo defensável em que as equipes de contencioso confiam há mais de uma década. Essa afirmação importa mais hoje do que quando o artigo foi publicado, porque as ferramentas de revisão com IA generativa passaram de projetos-piloto ao uso diário nos departamentos de suporte a litígios (litigation support) no Canadá e em outros lugares. Entender o modelo de referência dá à sua equipe um vocabulário comum para avaliar qualquer ferramenta de revisão com IA generativa, inclusive a Claira, com base em um padrão que os tribunais e os advogados da parte contrária já reconhecem.

## O que o TAR 1 realmente é

A revisão assistida por tecnologia (TAR) foi definida há mais de uma década por Maura Grossman e Gordon Cormack como um processo que usa especialistas no assunto para treinar um sistema computadorizado e, em seguida, extrapola esses julgamentos para toda uma população de documentos. O TAR 1 é o fluxo de trabalho específico, dentro dessa categoria mais ampla, mais relevante para a revisão de primeiro nível. Ele constrói um modelo preditivo e depois aplica esse modelo para marcar toda uma população como responsiva ou não responsiva. Historicamente, o TAR 1 se baseava em algoritmos de aprendizado de máquina discriminativo, como máquinas de vetores de suporte ou classificadores de regressão logística, treinados com milhares de exemplos codificados por humanos. A principal contribuição do artigo da Sedona é mostrar que um grande modelo de linguagem, com o prompt correto, também funciona como um classificador supervisionado. O motor muda. O veículo, ou seja, o processo de TAR 1 como um todo, continua o mesmo.

Essa distinção não é acadêmica. Ela significa que os protocolos de revisão, os argumentos de defensabilidade e as métricas de qualidade que a sua equipe já construiu em torno do TAR 1 não precisam ser reinventados para a IA generativa. Eles precisam ser aplicados de forma consistente a um novo tipo de motor.

## As cinco etapas do modelo de referência

O artigo descreve cinco etapas que se aplicam independentemente do algoritmo preditivo utilizado: escopo, rotulagem do conjunto de controle, iteração do modelo, classificação e validação. Escopo significa reunir a população de documentos e fazer com que os advogados definam os limites da responsividade antes de qualquer marcação. Rotulagem do conjunto de controle significa extrair uma amostra aleatória, revisá-la manualmente e mantê-la separada como uma referência independente com a qual o modelo nunca é treinado. A iteração do modelo é onde o trabalho de verdade acontece: selecionar exemplos adicionais de treinamento, incorporar essas informações ao modelo ou ao prompt, aplicar a versão atualizada ao conjunto de controle e avaliar se a precisão e o recall (revocação) melhoraram o suficiente para justificar mais uma rodada. A classificação aplica o modelo finalizado a toda a população ainda não marcada. A validação, que o artigo observa ser opcional, mas pouco utilizada, faz uma última amostragem do resultado classificado para confirmar que a extrapolação se sustentou.

O que muda entre o TAR 1 discriminativo e o TAR 1 com IA generativa está inteiramente dentro da etapa de iteração do modelo. Os sistemas discriminativos aprendem com exemplos rotulados inseridos diretamente em um algoritmo. Os sistemas de IA generativa aprendem com um prompt que um ser humano escreve, testa e refina em linguagem natural. Os autores da Sedona tomam o cuidado de observar que quem redige o prompt deve ser uma pessoa diferente de quem revisou o conjunto de controle, para que o conjunto de controle continue sendo uma verificação imparcial do modelo, e não uma fonte de respostas vazadas. Vale a pena incorporar essa separação de funções aos seus próprios protocolos de revisão, seja qual for o motor que você usa.

## Onde a IA generativa muda os trade-offs

O artigo é franco sobre o que ainda não foi comprovado. O TAR 1 discriminativo produz pontuações com gradação fina, o que permite à equipe de revisão escolher um ponto de corte que equilibre recall e precisão com certa exatidão. O TAR 1 com IA generativa costuma classificar em gradações mais grosseiras, o que pode forçar uma escolha entre um ponto de corte com recall muito alto e baixa precisão, ou o inverso, com pouco espaço intermediário. A IA generativa também custa, atualmente, mais por documento revisado e é mais lenta do que os modelos discriminativos, embora os autores esperem que as duas diferenças diminuam. Em troca, a IA generativa oferece flexibilidade: a mesma passagem que marca um documento como responsivo também pode sinalizar risco de sigilo profissional (privilégio), extrair fatos-chave ou resumir o conteúdo, tarefas que antes exigiam fluxos de trabalho totalmente separados.

Para as equipes de suporte a litígios, esta é a questão prática que o modelo de referência ajuda a responder: não se a revisão com IA generativa é defensável em princípio, mas se uma determinada ferramenta implementa as etapas do TAR 1 com rigor suficiente para torná-la defensável na prática. Uma ferramenta que pula os conjuntos de controle, mistura dados de treinamento com a população de produção ou não consegue demonstrar o seu escopo de responsividade não está oferecendo TAR 1 com IA generativa. Está oferecendo um atalho não supervisionado vestido com a linguagem do TAR 1.

## Onde isso deixa os profissionais

A Claira foi construída partindo do pressuposto de que o modelo de referência se tornaria o padrão, e não uma novidade. Toda decisão de escopo em um caso começa pelo [Case Context](https://support.claira.to/docs/en/case-context/overview), onde a sua equipe define o contexto, as questões e os critérios de responsividade de que o caso depende, o mesmo trabalho que o artigo da Sedona descreve como a etapa de escopo. Esse contexto acompanha todas as passagens seguintes, de modo que a definição de responsividade permanece fixa, como o modelo de referência exige, em vez de se desviar à medida que os revisores avançam pela população. Quando chega a hora de aplicar essa definição a todo o conjunto de documentos, seja por meio de codificação objetiva ou de uma passagem em lote que marca os documentos quanto à responsividade, as etapas subjacentes correspondem diretamente à classificação e, quando a equipe opta por realizá-la, à validação.

Já escrevemos sobre como [os princípios de Sedona Canada estão remodelando as expectativas](https://www.claira.to/stories/sedona-canada-technology-assisted-review-2026) sobre o que é um processo defensável de revisão por IA no Canadá, e este modelo de referência dá a essa expectativa uma forma concreta. A proporcionalidade e a cooperação são mais fáceis de demonstrar quando o seu fluxo de trabalho pode apontar uma etapa nomeada e bem documentada para cada fase do processo, da definição inicial do escopo até a validação final.

A mensagem mais ampla do artigo da Sedona é tranquilizadora, e não alarmante. A IA generativa não pede que as equipes de suporte a litígios abandonem os modelos que tornaram a TAR defensável por anos. Ela pede que submetam as ferramentas de IA generativa a esses mesmos padrões e que desconfiem de qualquer ferramenta que não consiga mostrar o seu trabalho em cada uma das cinco etapas. Se a sua equipe está avaliando como deve ser um fluxo de trabalho rigoroso de TAR 1 com IA generativa dentro do Nuix Discover, [agende uma apresentação com a nossa equipe](https://www.claira.to/meet) e mostraremos como a Claira se encaixa em cada fase do modelo de referência, incluindo os conjuntos de controle.