Da avalanche de documentos à narrativa defensável: como usar IA para construir a tese do caso mais rápido

A maioria dos advogados de contencioso trata a revisão de documentos como algo a ser suportado, e não como algo a ser aproveitado. A coleta chega, o volume é pior do que o esperado, e o objetivo se reduz a uma única pergunta: com que rapidez conseguimos passar por tudo isso a um custo aceitável? A revisão vira um centro de custo, medido em documentos por hora e dólares por gigabyte, e o trabalho estratégico do caso fica esperando até que a revisão termine.

Essa sequência fazia sentido quando a revisão era lenta. Quando uma revisão de primeiro nível levava seis semanas, ninguém esperava que alguma percepção surgisse antes do fim dela. Mas hoje essa sequência é um hábito, e não uma limitação. A revisão assistida por IA muda o que você consegue aprender com um conjunto de documentos nos primeiros dias de um caso, e isso muda o momento em que a tese do caso pode começar a se formar.

A mudança que vale a pena fazer não é da revisão humana para a revisão por máquina. É da revisão como processamento para a revisão como investigação.

A tese do caso costuma chegar tarde demais para sair barata

A tese do caso é a história que você pretende provar: quem fez o quê, quando, por que isso importa juridicamente e quais fatos sustentam o peso da argumentação. Na prática, a maioria das equipes chega a uma tese de trabalho a partir das peças processuais, das entrevistas com o cliente e de um punhado de documentos-chave que surgiram cedo por acaso ou por meio de um custodiante que sabia onde procurar.

O problema é que uma tese formada com base em provas parciais tende a se fixar. Os termos de pesquisa são construídos em torno dela. Os protocolos de revisão são redigidos em torno dela. Os revisores juniores são treinados para identificar o que a tese prevê. Quando o conjunto completo de documentos finalmente é lido, a equipe já passou meses procurando a confirmação de uma ideia formada antes que a maior parte das provas fosse examinada.

Uma tese tardia também é uma tese cara. Cada ajuste na tese depois que a revisão já começou significa refazer os termos de pesquisa, recodificar populações de documentos e explicar ao cliente por que uma frente de trabalho pela qual ele já pagou precisa ser repetida. O custo de uma hipótese inicial errada não está na hipótese. Está na revisão construída sobre ela.

O que muda quando o conjunto de documentos pode ser lido cedo

A IA generativa faz algo que a pesquisa por palavras-chave e a codificação preditiva nunca fizeram bem. Ela lê um documento e diz do que ele trata, nos seus próprios termos. Não se ele corresponde a uma lista de termos, nem se ele se parece com documentos que um revisor já marcou como responsivos, mas o que aconteceu, quem estava envolvido e o que foi decidido.

Aplicada a uma população de documentos, e não a um documento de cada vez, essa capacidade produz algo mais próximo de um levantamento das provas do que de uma revisão delas. Você pode perguntar a um conjunto de documentos quais são as disputas recorrentes entre dois custodiantes, quais documentos discutem uma determinada condição comercial e como o tratamento dela mudou ao longo do tempo, ou quais explicações as pessoas deram internamente para uma decisão que agora é contestada.

Nada disso exige que você tenha terminado a revisão. Exige que você tenha perguntado. Escrevemos sobre o arco mais amplo dessa mudança em nossa filosofia pragmática de revisão assistida por IA, e a análise temática é o ponto em que esse arco se torna concreto para o advogado de contencioso, e não apenas para a equipe de suporte a litígios (litigation support).

Rodadas temáticas antes das rodadas de responsividade

O passo prático é fazer uma rodada temática antes da rodada de responsividade, em uma amostra, e não na população inteira.

Selecione uma amostra defensável que abranja seus principais custodiantes e o período central. Aplique a ela um conjunto de perguntas abertas. Não perguntas de relevância, que pressupõem uma tese, mas perguntas descritivas: quais são os principais temas nessa população, que decisões estão sendo tomadas, quem escala assuntos para quem, onde o tom muda. Tanto os resumos quanto a codificação objetiva servem a esse propósito, porque um resumo estruturado de dois mil documentos é algo que um advogado de contencioso realmente consegue ler em uma tarde.

O que volta raramente é uma prova cabal. O que volta é um mapa. Você descobre que a disputa comercial que seu cliente descreveu como uma divergência de preços aparece, nos documentos, como um problema de confiabilidade de fornecimento que só se tornou uma disputa de preços mais tarde. Essa é outra tese do caso, e encontrá-la na primeira semana, e não no quarto mês, muda as peças processuais, a lista de custodiantes e o plano de depoimentos.

O mapa também mostra onde as provas são escassas. Saber cedo que um período crítico de seis semanas quase não tem material responsivo é um problema de coleta que você ainda pode resolver. Descobrir isso durante a preparação para o julgamento é outro tipo de conversa.

Como dar à IA contexto suficiente para ser útil

Uma IA que lê um documento sem nenhum contexto não sabe nada sobre o seu caso. Ela não sabe quem são as partes, quais relações estão protegidas por sigilo profissional (privilégio) nem o que torna um documento importante neste caso específico, e não em geral. Sem essa base, o resultado temático é preciso, mas genérico, e um resultado genérico não ajuda você a construir uma tese.

É esse o trabalho que o Case Context foi criado para sustentar. Ele reúne as partes e as pessoas envolvidas, a descrição e a linha do tempo, a relevância e as questões em disputa, os indicadores de privilégio e os detalhes da coleta, e usa essa estrutura para gerar prompts adaptados ao seu caso, e não ao litígio em abstrato.

Vale a pena ser preciso quanto ao limite. O Case Context não é o lugar para a sua estratégia processual nem para as suas impressões mentais, e ele fica visível para todos que trabalham no caso. É uma base factual compartilhada, não um repositório de work product (produto do trabalho do advogado). Usado dessa forma, ele torna a rodada temática mais precisa sem colocar nada sensível onde não deveria estar.

A defensabilidade melhora quando a narrativa é documentada

Existe uma preocupação automática de que usar IA para moldar a tese do caso seja, de alguma forma, menos defensável do que chegar à mesma tese lendo. O contrário tende a ser verdadeiro, desde que o trabalho seja registrado. Quando uma tese surge de um conjunto documentado de perguntas aplicadas a uma amostra definida, você tem um registro do que foi perguntado, a qual população e o que voltou. Quando ela surge de um advogado sênior lendo quarenta documentos em um avião, você tem uma convicção. Só uma dessas duas resiste a uma impugnação do seu procedimento.

O revisor não desaparece desse processo. Cada resultado temático é uma hipótese a ser verificada com base nos documentos subjacentes, e o advogado continua responsável pelo que é afirmado perante o tribunal. O que muda é que a verificação acontece em relação a uma hipótese declarada, e não a um palpite.

Por onde começar

Escolha seu próximo caso com mais de cem mil documentos e faça uma rodada temática em uma amostra antes de redigir o protocolo de revisão. Compare a tese que essa rodada produz com a tese que você teria redigido apenas a partir das peças processuais. Se elas coincidirem, você tem uma corroboração antecipada e uma revisão mais barata. Se forem diferentes, você encontrou a diferença no ponto em que agir sobre ela custa menos.

A Claira funciona dentro do Nuix Discover, então a rodada temática acontece na plataforma em que sua equipe já trabalha, com os dados que já estão carregados nela. Se você quiser ver como isso funciona em uma população real, agende uma demonstração guiada com nossa equipe e mostraremos o fluxo de trabalho de ponta a ponta.

Os documentos sempre iam dizer a você do que trata o caso. A única decisão que resta é quando você quer descobrir.