Por muitos séculos, a atividade jurisdicional foi apenas humana, por meio da capacidade de interpretar fatos, normas e argumentos jurídicos. Contudo, a transformação digital recente também impactou o Poder Judiciário e começou a alterar lentamente essa natureza. Atualmente, sistemas de inteligência artificial já são utilizados para classificar processos, programar padrões, organizar documentos, buscar precedentes, enfim, auxiliar em tudo o que concerne ao desempenho funcional da atividade jurisdicional. Seguindo o movimento, o passo seguinte, o mais polêmico, é utilizar dados históricos para estimar o resultado que um processo ainda pendente poderá alcançar.
É nesse contexto que surge a chamada justiça preditiva (predictive justice), expressão utilizada para designar ferramentas capazes de processar grandes volumes de decisões, características processuais e outros dados, a fim de identificar padrões e produzir estimativas sobre possíveis resultados judiciais. A Comissão Europeia para a Eficiência da Justiça (Cepej), do Conselho da Europa, reconhece expressamente a existência de instrumentos destinados a antecipar o possível resultado de um caso levado ao Judiciário. A ideia parece intuitivamente atraente. Se um algoritmo pode analisar milhares ou até milhões de decisões precedentes, em segundos, será que, em vez disso, tais informações não poderiam ser utilizadas para estimar como será a decisão de determinado caso? O problema é que isso é exatamente o que torna a técnica forte: o algoritmo aprende com o passado. Se as decisões precedentes seguem um padrão legítimo, o modelo conseguirá captá-lo. Contudo, se, ao mesmo tempo, as próprias decisões também contêm desigualdades, vieses institucionais, mudanças jurisprudenciais ou decisões decorrentes de circunstâncias históricas que não deveriam se repetir, o sistema poderá transformar essas características do passado em uma nova hipótese sobre o futuro. Emerge, assim, uma pergunta fundamental: a justiça preditiva aperfeiçoa a previsibilidade do Direito ou corre o risco de transformar o passado em profecia?
A justiça preditiva é o emprego de técnicas computacionais, aqui predominantemente de aprendizado de máquina, para o tratamento de dados jurídicos e a identificação de padrões associados a determinados resultados. De forma simplista, suponha um banco de dados com milhares de decisões judiciais. Cada processo pode ser representado por diversas características que vão desde a competência, até a legislação e características temporais e processuais. Um modelo de aprendizado de máquina pode ser treinado com uma parte desse conjunto de dados. Posteriormente, diante de um novo processo, o sistema poderá produzir uma estimativa com base nos padrões identificados. O relevante é que o modelo não compreende o Direito como o jurista.
O modelo busca identificar regularidades estatísticas nos dados. Essa desigualdade é central. Um algoritmo pode verificar, por exemplo, a existência de conjuntos característicos frequentemente associados à concessão da tutela de urgência favorável ao autor. Isso não quer dizer que o algoritmo tenha compreendido a razão do Direito que levou àquelas decisões. A literatura brasileira tem acentuado essa disparidade. Toledo e Pessoa[1] identificam problemas relacionados à incompatibilidade entre a forma de processamento baseada em dados e a aplicação jurídica ao caso concreto, além de destacarem questões de transparência, vieses e impossibilidade de reduzir integralmente juízos jurídicos valorativos a padrões algorítmicos. Dessa forma, a justiça preditiva deve ser diferenciada de uma máquina que “sabe qual é a decisão certa”. Em primeiro lugar, trata-se de um sistema que prevê resultados com base em padrões observados nos dados. Essa pequena distinção tem grandes consequências jurídicas.
O emprego de modelos preditivos pode oferecer vantagens significativas
Um advogado poderia, por exemplo, examinar milhares de decisões sobre um determinado tema e identificar padrões da jurisprudência em uma escala que não poderia ser replicada manualmente. O sistema poderia auxiliar na identificação da probabilidade histórica de procedência ou improcedência, de padrões de decisão de determinado tribunal, da duração provável de determinadas etapas processuais, de mudanças na orientação jurisprudencial, entre outros. Isso poderia modificar a própria estratégia processual. Em vez de apenas perguntar: “Qual é a jurisprudência sobre o tema?”, ele poderia formular a questão: “Com base em processos análogos, quais fatores estão estatisticamente associados a um resultado determinado?” A distinção é marcante.
O primeiro modelo tende a ser apenas informativo. O segundo é preditivo. E essa possibilidade pode beneficiar o próprio Poder Judiciário. Os programas de inteligência artificial podem auxiliar na triagem, classificação e estruturação dos procedimentos, liberando, assim, recursos humanos para lidar com tarefas mais complexas. No Brasil, o Supremo Tribunal Federal tem experiência prática nesse domínio. O Projeto Victor, criado em colaboração com a Universidade de Brasília, utiliza inteligência artificial para avaliar recursos extraordinários e identificar problemas relacionados à repercussão geral.
Segundo o STF[2], o Banco Mundial marcou o mencionado projeto como um exemplo de implementação bem sucedida da IA para melhorar a eficiência dos procedimentos judiciais, em que o tempo necessário para realizar a análise diminuiu de aproximadamente 40 minutos para 5 segundos. Contudo, os dados mencionados referem-se apenas a um estágio do procedimento, o que não significa que o processo de produção do julgado tenha sido automatizado. O caso apresentado é interessante sob o ponto de vista do uso da IA para acelerar o procedimento judicial, o que não equivale a atribuir à IA a parte do processo de tomada de decisão.
Nesta seara temos o principal problema conceitual da justiça preditiva. Um modelo preditivo aprende com decisões passadas. Suponha, hipoteticamente, que um tribunal tenha proferido, ao longo de décadas de julgamento de processos judiciais, um número de sentenças que apresenta um padrão. O algoritmo aprenderá a reconhecer o padrão. Se o padrão for a aplicação efetiva da legislação, a previsão pode ajudar. Mas e se o padrão for uma decorrência de uma interpretação que depois já foi superada? Ou uma decorrência da distribuição desigual de recursos entre os litigantes? Ou ainda uma decorrência de fatores sociais que, ao longo da história, influenciaram o resultado? O algoritmo não possui, por si só, uma teoria jurídica capaz de determinar que um padrão histórico específico deixe de existir. Ele pode simplesmente aprender que o padrão existe.
É nesse ponto que a justiça preditiva apresenta um paradoxo
Quanto melhor o algoritmo reproduzir o comportamento histórico do sistema judicial, maior será sua capacidade de reproduzir também os padrões problemáticos desse histórico. A literatura sobre inteligência artificial e decisão pública chama a atenção para o problema da opacidade algorítmica. Frank Pasquale [3], em The Black Box Society (2015), tornou conhecida a metáfora da “caixa-preta” para descrever sistemas nos quais as informações sobre o funcionamento, os dados e os critérios utilizados não são plenamente acessíveis. Mais recentemente, a pesquisa sobre decisões automatizadas tem enfatizado que a chamada “black box” abrange diferentes problemas, como a opacidade, a imprevisibilidade e a dificuldade de justificar os resultados gerados pelo sistema. Esse problema torna-se delicado no Direito. Uma decisão judicial não é legítima apenas por apresentar uma alta taxa estatística de acerto. Ela deve basear-se na aplicação da lei e no respeito à Constituição.
Um exemplo internacional amplamente discutido é o sistema Compas, nos Estados Unidos, para avaliar o risco de reincidência criminal. O caso State v. Loomis, decidido em 2016 pela Suprema Corte de Wisconsin, tornou-se referência no debate sobre o uso de algoritmos e a tomada de decisões judiciais. Eric Loomis foi avaliado pelo Compas e posteriormente condenado. Loomis alegou, entre outros pontos, que o caráter não transparente do sistema dificultava a avaliação de sua precisão e a contestação de seus critérios. A Suprema Corte de Wisconsin permitiu a consideração do resultado do Compas, mas estabeleceu diversas cautelas e limitações. A Corte verificou, entre outras questões, a ausência de certas validações específicas e o questionamento de possíveis classificações desproporcionais de grupos. O caso é de particular importância, pois indica que o problema não é, de fato, a utilização de uma ferramenta estatística. A questão é de quanto esse instrumento conta na decisão. Aqui temos uma distinção de suma importância: uma coisa é o sistema indicar que “casos com determinadas características se comportaram assim, historicamente.” Outra coisa é concluir: “Portanto, esta pessoa deve receber um tratamento jurídico específico.” Essa diferença deve ser conservada.
Outro problema fundamental é o viés. Um modelo de aprendizado de máquina depende de dados. Consequentemente, problemas existentes nesses dados podem ser reproduzidos ou agravados pelo sistema. Se os dados históricos apresentarem distorções, o algoritmo pode aprender com elas. O problema não significa necessariamente que alguém tenha programado deliberadamente uma discriminação no sistema. Um modelo pode gerar resultados indesejados apenas por ter identificado correlações estatísticas no conjunto de dados. Esse fenômeno torna-se relevante, pois as decisões judiciais não são tomadas em um ambiente de dados neutro, mas sim em instituições e práticas processuais, com modificações legislativas, mudanças sociais e influências sobre as interpretações jurídicas. Toledo e Pessoa destacam precisamente a possibilidade de sistemas de IA reproduzirem ou intensificarem vieses e apontam a transparência dos algoritmos e dos dados como questão central para sua utilização na tomada de decisão judicial. Isto impulsiona outra questão mais difícil: se o algoritmo apenas reproduz estatisticamente a judicialidade histórica, quem é responsável se esse mesmo padrão se revelar insatisfatório? Não pode ser o algoritmo. Algoritmos não têm responsabilidade autônoma como pessoas ou instituições. A responsabilidade deve continuar a recair sobre os sujeitos humanos e institucionais que criam, implantam, utilizam e apoiam essas ferramentas.
O Conselho Nacional de Justiça estabeleceu, inicialmente por meio da Resolução nº 332/2020, parâmetros relacionados à ética, à transparência e à governança da inteligência artificial no Poder Judiciário. Pela resolução, a IA pode ser útil para a agilidade e a harmonia da função judicial, mas a sua utilização depende da observância dos direitos fundamentais, da transparência, da auditabilidade, da isenção e da justiça substantiva. No entanto, as condições tecnológicas mudaram rapidamente. Em 2025, o CNJ atualizou a normatização por meio da Resolução nº 615/2025, incorporando preocupações específicas sobre a inteligência artificial generativa e estabelecendo normas de governança, auditoria, fiscalização e uso responsável de soluções de IA no Poder Judiciário. A nova normatização segue a pauta da transparência, da não discriminação, do devido processo, da motivação, da responsabilidade e da supervisão humana. Desta forma, visualizamos que a discussão já se distanciou da indagação “devemos utilizar inteligência artificial?” para “como utilizar a IA no Judiciário sem comprometer as garantias que justificam a própria existência da jurisdição?”
Ainda existe um risco menos aparente
Vamos supor que um sistema preveja que determinado tipo de ação tem baixa probabilidade de ser vitoriosa. As partes podem deixar de recorrer. As instituições podem mudar suas estratégias. Dessa forma, o comportamento do sistema legal se modifica. Além disso, mesmo o uso da previsão altera os dados que depois serão usados para apresentar novas previsões. O algoritmo não é mais um observador do sistema, ele se torna um dos elementos do próprio sistema que pretende prever. Essa característica aproxima a justiça preditiva de problemas conhecidos em outras áreas de sistemas complexos: a previsão pode alterar comportamentos no ambiente previsto. O objetivo do Direito não é necessariamente converter o futuro em uma imitação estatística do passado. O Direito também existe para permitir mudança. As mudanças legislativas, jurisprudenciais e sociais muitas vezes significam a ruptura com os padrões do passado.
A justiça preditiva é uma das mais intrigantes e sensíveis aplicações da inteligência artificial ao Direito. Ao mesmo tempo em que pode garantir ganhos significativos de eficiência, pesquisa jurisprudencial, análise de volumes de processos e identificação de padrões quase impossíveis de serem encontrados manualmente, surge o dilema quando a previsão é confundida com a decisão. O Direito não se resume às regularidades estatísticas, mas também às normas, princípios, fatos singulares, interpretação, argumentação, valores e transformação social. Essa questão é especialmente importante porquanto um sistema judicial pode ganhar eficiência e, ao mesmo tempo, perder a capacidade de perceber que determinados padrões históricos devem ser alterados. O grande desafio jurídico do futuro não será tão somente desenvolver algoritmos cada vez mais precisos, mas sim localizar onde termina a previsão e onde começa a decisão. Enquanto a primeira pode ser realizada por uma máquina, a segunda está vinculada à responsabilidade institucional e constitucional do Poder Judiciário. A inteligência artificial pode auxiliar o juiz a mapear padrões que seriam invisíveis ao homem. Entretanto, mapear padrões não significa decidir do que devem cuidar. E talvez seja nessa mesma diferença que se situe um dos limites essenciais da justiça preditiva.
[1] TOLEDO, Cláudia; PESSOA, Daniel Alves. O uso de inteligência artificial na tomada de decisão judicial. Revista de Investigações Constitucionais, v. 10, n. 1, 2023. DOI: 10.5380/rinc.v10i1.86319.
[2] https://noticias.stf.jus.br/postsnoticias/banco-mundial-cita-ferramenta-de-ia-do-stf-como-exemplo-de-eficiencia-juridica/. Acesso em 20/09/2026.
[3] PASQUALE, Frank. The Black Box Society: The Secret Algorithms That Control Money and Information. Cambridge: Harvard University Press, 2015.
O post Justiça preditiva e inteligência artificial: entre a eficiência, a previsibilidade e o risco de automatização do direito apareceu primeiro em Consultor Jurídico.
