IA jurídica premium: como saber o que você está comprando

Uma resposta bem escrita custa pouco para parecer excelente. Descobrir se ela encontrou os precedentes relevantes, leu os fundamentos e preservou as exceções exige muito mais trabalho.

Essa diferença está no centro de uma pergunta que o mercado de inteligência artificial ainda responde mal: o que torna um produto premium?

Na busca de jurisprudência, há recursos concretos por trás da resposta. Manter um acervo atualizado custa. Recuperar candidatos, reler documentos, executar novas buscas e usar modelos mais capazes também custa. Um produto pode investir nessas etapas ou restringi-las para atender mais pessoas com o mesmo orçamento.

Mas seria um erro concluir que o melhor produto é sempre aquele com o maior modelo, os vetores mais longos ou o maior número de documentos recuperados. O que importa é quanto dessa capacidade se transforma em pesquisa correta, verificável e útil. E quanto o usuário consegue saber sobre os limites do serviço que contratou.

O que precisa ser maior – e o que precisa ser melhor

Imagine duas ferramentas diante da mesma controvérsia. Uma apresenta uma lista extensa de decisões que repetem a tese geral. A outra encontra poucos julgados, mas inclui aquele que distingue a situação concreta e muda a conclusão.

A segunda pesquisa pode ser muito melhor. Agora imagine que ela encontrou poucos julgados porque só teve acesso às ementas e deixou de fora o voto que continha a distinção. A mesma aparência de concisão passa a esconder uma limitação importante.

Não existe um número mágico de decisões que torne a pesquisa suficiente. Existe uma relação entre a pergunta, a diversidade das evidências e a profundidade necessária para respondê-la. Uma consulta sobre um precedente identificado pode exigir pouco material. Mapear divergências entre órgãos julgadores, mudanças de entendimento e exceções exige outro esforço.

Um produto premium deve conseguir dedicar recursos a esse segundo tipo de trabalho e deixar claro quando não conseguiu concluí-lo. Cobrar mais pela mesma apresentação, sem demonstrar uma diferença relevante na pesquisa, é uma proposta de valor difícil de avaliar.

O acervo anunciado não é o material que a IA leu

Quando uma plataforma anuncia milhões de documentos, está falando de uma medida de disponibilidade. Isso não informa quanto material chegou à resposta que você recebeu.

Entre o acervo e a conclusão há várias etapas:

1. Cobertura: quais tribunais, períodos e tipos de documento estão disponíveis, com qual atualização e completude.
2. Recuperação: quais documentos ou trechos a busca encontrou como candidatos para aquela pergunta.
3. Seleção: quais candidatos passaram pelos filtros e pela ordenação de relevância.
4. Leitura: quanto texto de cada fonte foi efetivamente entregue ao modelo.
5. Fundamentação: quais passagens sustentam as afirmações feitas na resposta.

Uma plataforma pode ter um acervo enorme e recuperar pouco. Pode recuperar muito e enviar apenas pequenos trechos. Pode entregar bastante texto ao modelo e ainda produzir uma conclusão que não corresponde às fontes.

Também é possível contar vários trechos do mesmo acórdão como vários resultados. Isso pode ser adequado tecnicamente, mas não equivale a encontrar vários precedentes independentes. E ler toda a ementa não significa ler o inteiro teor.

Por isso, uma pergunta melhor que “quantos documentos existem?” é: qual material estava disponível, qual foi consultado e onde está o trecho que sustenta esta conclusão? Desenvolvemos essa distinção no artigo sobre de onde vem a jurisprudência que a IA cita.

Recuperar mais pode ajudar. Entregar ruído também pode atrapalhar

Uma busca muito estreita pode excluir justamente o precedente contrário, a decisão mais recente ou a exceção que o advogado precisava conhecer. Aumentar a diversidade dos candidatos e permitir novas rodadas de pesquisa pode melhorar o resultado.

Mas enviar indiscriminadamente tudo o que foi encontrado tem outro custo: repetições e passagens irrelevantes disputam espaço com os fundamentos importantes. O desafio é combinar amplitude de investigação com precisão na seleção.

O benchmark acadêmico LegalBench-RAG trata a recuperação como uma etapa que merece avaliação própria e enfatiza encontrar as passagens relevantes. Ele não é uma validação de produtos brasileiros, mas ajuda a formular o critério: medir a evidência correta recuperada é mais informativo do que comemorar um volume bruto de texto.

O mesmo cuidado vale para a janela de contexto, a capacidade nominal de receber texto em uma interação. Parte dela pode ser ocupada pelo histórico, pelas instruções e pelas ferramentas, além do espaço necessário à resposta. A capacidade anunciada pelo fabricante do modelo não informa quanto uma aplicação reserva às fontes.

E caber não é o mesmo que usar bem. No estudo Lost in the Middle, os modelos e tarefas avaliados mostraram sensibilidade à posição da informação relevante em contextos longos. O resultado não determina o desempenho de todo modelo atual, mas demonstra por que uma janela grande, sozinha, não comprova leitura eficaz.

“Modelo maior” pode significar coisas diferentes

O modelo que escreve a resposta não é necessariamente o mesmo que representa os documentos para a busca. E pode existir um terceiro modelo para reordenar os resultados.

São funções distintas: produzir a resposta, localizar material semanticamente relacionado e escolher os candidatos mais pertinentes. Melhorar uma delas não corrige automaticamente as outras. Um excelente modelo de resposta não consegue analisar um fundamento que a aplicação nunca lhe apresentou.

Também é preciso separar número de parâmetros, janela de contexto, limite de saída e orçamento de raciocínio. Essas características não são sinônimas. Em muitos serviços, o número de parâmetros nem sequer é divulgado. Comparar produtos apenas por esse número, quando disponível, ignora diferenças de treinamento, arquitetura e ferramentas.

Perguntas mais úteis são: qual modelo e versão atendem a consulta? Há escolha pelo usuário? A aplicação alterna modelos conforme o plano, a tarefa ou o uso acumulado? Quais limites afetam a pesquisa? Como o fornecedor demonstra a qualidade nas tarefas que você pretende executar?

Um modelo menor pode resolver muito bem uma consulta simples. Um modelo mais capaz pode justificar seu custo em tarefas difíceis. O valor premium está na capacidade entregue onde ela faz diferença, acompanhada de evidência de desempenho.

Vetores maiores não são um certificado de qualidade

Na busca semântica, um modelo pode representar um trecho como uma lista de números: o vetor. Seu tamanho tem pelo menos três aspectos diferentes: quantas dimensões possui, quantos bits são usados por componente e quantos trechos do documento recebem uma representação própria.

Essas escolhas afetam armazenamento, memória e custo de busca. Também podem afetar a qualidade. Mas um vetor com mais dimensões não é necessariamente melhor que outro produzido por um modelo diferente. O treinamento, a adequação ao idioma e ao domínio, a divisão dos documentos e a avaliação da recuperação importam.

Há técnicas projetadas justamente para reduzir o custo sem perder na mesma proporção a utilidade da representação. A pesquisa sobre Matryoshka Representation Learning explora representações utilizáveis em diferentes dimensões. Isso não significa que qualquer vetor possa ser cortado arbitrariamente, nem comprova desempenho em jurisprudência brasileira.

Outra escolha é reduzir a precisão numérica dos componentes, a chamada quantização. A documentação do Sentence Transformers explica alternativas e seus compromissos de memória, velocidade e desempenho, inclusive combinações de busca comprimida com reavaliação dos candidatos.

Portanto, descobrir que um fornecedor usa vetores menores ou comprimidos não basta para acusá-lo de oferecer uma pesquisa inferior. A pergunta é o que essa configuração preserva ou perde nas tarefas relevantes. Um ganho de eficiência validado pode beneficiar o usuário.

Também não é obrigatório usar vetores em todas as buscas. Um número de processo, uma expressão exata e uma pergunta formulada por aproximação de sentido apresentam necessidades diferentes. O produto precisa encontrar a evidência; a técnica deve ser julgada pelo resultado, não pelo prestígio do nome.

Onde uma economia pode aparecer

Há várias formas possíveis de limitar o custo de uma consulta: buscar menos candidatos, permitir menos rodadas de investigação, entregar trechos menores, dispensar uma etapa de reordenação ou encaminhar parte das tarefas a um modelo mais barato.

São possibilidades de arquitetura, não afirmações sobre um concorrente específico. Elas podem ser escolhas adequadas para determinadas tarefas. Tornam-se um problema quando prejudicam o trabalho prometido ou quando o usuário não consegue entender uma restrição que afeta materialmente o serviço.

Outras economias, como reaproveitar resultados válidos, reduzir processamento redundante ou comprimir representações com qualidade demonstrada, podem melhorar o produto. Gastar mais infraestrutura não é uma virtude por si só.

A distinção importante é entre eficiência e perda de capacidade relevante. Para o usuário, o custo de conferir e refazer uma pesquisa ruim também entra na conta.

E os produtos populares: dá para saber o que estão fazendo?

Há três níveis de conhecimento que não devem ser confundidos.

O primeiro é a informação verificável: documentação técnica, configurações disponíveis, registros da execução ou uma avaliação independente com acesso suficiente para confirmar a característica alegada. Mesmo aqui, é preciso distinguir uma configuração declarada de uma configuração observada naquela consulta.

O segundo é o comportamento reproduzível: determinado produto não encontra uma classe de decisões que deveria cobrir, omite uma exceção importante ou melhora quando recebe diretamente a fonte. Isso é evidência sobre o serviço entregue, mesmo sem acesso à arquitetura.

O terceiro é a hipótese sobre a causa: “usaram um modelo barato”, “diminuíram os vetores” ou “cortaram a busca para economizar”. O comportamento pode ser compatível com essas hipóteses e com várias outras. Sem evidência adicional, não é possível escolher uma delas como fato.

Uma resposta rápida, curta ou com poucas citações não revela a dimensão dos vetores. Uma resposta longa e lenta também não prova uso de um modelo melhor. Perguntar ao próprio chatbot qual modelo está executando não substitui uma informação verificável da aplicação.

Um exemplo concreto da diferença entre oferta comercial e especificação técnica está na página de planos do Jus IA, consultada em 1º de outubro de 2026. Ela distingue modalidades de raciocínio e limites de utilização. Esses rótulos, isoladamente, não permitem deduzir o número de parâmetros, a dimensão dos vetores ou o volume de fontes entregue em cada consulta. Isso não demonstra corte de qualidade; delimita o que aquela informação comercial permite concluir.

Se a especificação não está disponível, a conclusão correta é que ela permanece desconhecida. Ainda é possível avaliar se a entrega vale o preço. A discussão sobre limites e unidades de cobrança continua no nosso comparativo de preços de IA jurídica.

Um teste que o escritório consegue fazer

Comece com questões públicas ou sintéticas cuja resposta possa ser conferida. Prepare um conjunto que represente o seu trabalho: localizar um precedente conhecido, pesquisar um problema sem repetir as palavras da ementa, identificar uma distinção presente no voto, encontrar entendimentos contrários e reconhecer uma pergunta para a qual o material disponível é insuficiente.

Guarde previamente as fontes e as passagens de referência. Na primeira rodada, faça a pergunta sem entregar a resposta esperada. Use o mesmo recorte de tribunal e período nos produtos comparados, respeitando a cobertura que cada um declara. Registre plano, configurações, data, resposta, fontes e tempo. Use conversas novas e repita o procedimento em diferentes questões; uma única resposta não sustenta um ranking de mercado.

Na conferência, observe critérios concretos:

Depois, execute uma segunda condição: forneça a identificação exata da decisão ou, quando a ferramenta permitir, o documento público relevante. Deixe registrado que agora a pesquisa recebeu ajuda.

Se o produto falhava antes e responde corretamente ao receber a fonte, o resultado sugere uma limitação na descoberta ou no acesso ao material. Não identifica sozinho a causa técnica. Se continua errando mesmo com a passagem relevante disponível, há um problema a investigar na leitura, nas instruções ou na elaboração da resposta. Isso também não prova qual modelo foi usado.

O mesmo desenho permite comparar planos de um fornecedor. A pergunta passa a ser objetiva: a assinatura mais cara melhora os casos difíceis, amplia a investigação ou apenas oferece mais utilizações? Se houver ganhos, quais compensam o custo no seu trabalho?

O padrão também vale para o LexGPT

Este artigo é escrito pelo LexGPT, um produto em construção. Os critérios acima devem ser aplicados a nós com a mesma exigência: fontes verificáveis, cobertura explícita, limites compreensíveis e avaliação em perguntas representativas.

Oferecer escolha de modelo ou BYOK, em que o usuário utiliza sua própria chave de um provedor, pode dar mais controle sobre parte da execução e dos custos. Isso não amplia automaticamente o acervo, não altera por si só os vetores do índice e não elimina os limites de recuperação e leitura da aplicação. São decisões diferentes, que precisam ser explicadas separadamente.

Na era da IA, premium deveria significar capacidade demonstrada de investigar bem, sustentar a resposta e revelar seus limites. O volume de dados, o modelo e as representações vetoriais participam dessa capacidade. Nenhuma dessas especificações, sozinha, a substitui.

Antes de pagar mais, procure a diferença no trabalho que consegue concluir com segurança e no esforço que precisa gastar para conferir o resultado. É ali que a qualidade técnica se transforma em valor.