💬 NLP

RCBSF: A Multi-Agent Framework for Automated Contract Revision via Stackelberg Game

O artigo apresenta o RCBSF, um framework multiagente baseado em um jogo de Stackelberg que supera as limitações de alucinação e falta de restrições comportamentais na revisão automatizada de contratos, alcançando desempenho superior e garantias teóricas de convergência.

Autores originais: Shijia Xu, Yu Wang, Xiaolong Jia, Zhou Wu, Kai Liu, April Xiaowen Dong

Publicado 2026-04-14

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Shijia Xu, Yu Wang, Xiaolong Jia, Zhou Wu, Kai Liu, April Xiaowen Dong

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que revisar um contrato jurídico é como tentar consertar um avião enquanto ele está voando. Se você fizer um erro, pode ser catastrófico. Tradicionalmente, isso é feito por advogados experientes, mas é caro e demorado.

Recentemente, tentamos usar Inteligência Artificial (especificamente os chamados "Modelos de Linguagem Grandes" ou IAs generativas) para fazer esse trabalho sozinhas. O problema? Essas IAs às vezes "alucinam" (inventam leis que não existem), esquecem regras importantes ou criam textos que parecem bons, mas são perigosos.

Este artigo apresenta uma solução chamada RCBSF. Para entender como funciona, vamos usar uma analogia simples: O Arquiteto e a Equipe de Construção.

A Analogia: O Arquiteto Rigoroso e a Equipe de Obra

Imagine que você precisa reformar uma casa antiga (o contrato original) para que ela seja segura e moderna, mas sem derrubar a estrutura.

O Modelo Antigo (A IA sozinha):
Você pede para um único pedreiro (uma IA comum) reformar a casa. Ele tenta fazer tudo de uma vez.
- O problema: Ele pode pintar a parede de um jeito bonito, mas esquecer de reforçar o telhado (risco de segurança) ou inventar uma janela onde não existe parede (alucinação). O resultado é uma casa bonita, mas perigosa.
O Novo Método (RCBSF): O Jogo de "Chefe e Funcionário"
Os autores criaram um sistema com três personagens que trabalham juntos, mas com papéis muito definidos, baseados em uma teoria matemática chamada Jogo de Stackelberg (que é basicamente um jogo de "quem manda primeiro").
- O Chefe (Agente Prescritivo Global - GPA):
  Este é o Arquiteto Sênior. Ele não escreve o contrato. Ele apenas olha o projeto, identifica os perigos e dá ordens estritas.
  - Exemplo: "Atenção! O teto está fraco. Você tem um orçamento limitado de tinta e materiais. Sua tarefa é reforçar o teto, mas não pode mudar a cor das paredes e não pode gastar mais do que X."
  - Ele define um "orçamento de risco". Se o funcionário tentar mudar algo que não deveria, o Chefe pune o resultado.
- O Funcionário (Agente de Revisão - CRA):
  Este é o Pedreiro Especialista. Ele recebe as ordens do Chefe e tenta reformar a casa (reescrever o contrato).
  - Ele não pode inventar coisas. Ele só pode fazer o que o Chefe mandou, dentro do orçamento.
- O Fiscal (Agente de Verificação Local - LVA):
  Este é o Inspetor de Obras. Ele fica de olho no Pedreiro a cada passo.
  - Se o Pedreiro tentar colocar uma janela onde não deveria, o Fiscal grita: "Pare! Isso viola a regra do Chefe!".
  - O Pedreiro então volta e corrige o erro antes de entregar o trabalho final.

Como eles jogam? (O Ciclo de Melhoria)

O sistema funciona em rodadas, como um jogo de xadrez onde o Chefe faz o primeiro movimento e o Funcionário responde:

O Chefe analisa: Ele lê o contrato original e diz: "Aqui há um risco de dívida infinita. Sugiro colocar um limite de 12 meses."
O Funcionário tenta: Ele reescreve a cláusula tentando seguir a sugestão.
O Fiscal verifica: Ele olha o novo texto. "Hmm, você mudou a cor da parede, mas esqueceu de colocar o limite de 12 meses."
Correção: O Funcionário recebe essa crítica e tenta de novo, focando apenas no que falta.
Repetição: Isso acontece várias vezes até que o contrato esteja perfeito, seguro e sem erros.

Por que isso é melhor?

Sem Alucinações: Como o "Fiscal" e o "Chefe" estão sempre verificando, a IA não inventa leis estranhas. Ela só muda o que é necessário.
Economia de Recursos: O sistema é treinado para ser eficiente. Ele não gasta tempo escrevendo textos longos e inúteis; ele vai direto ao ponto, como um advogado experiente.
Segurança Máxima: O "Chefe" garante que os riscos mais graves (como perder dinheiro ou ir para a cadeia) sejam resolvidos primeiro.

O Resultado

Os autores testaram esse sistema em milhares de contratos reais. O resultado foi impressionante:

O sistema resolveu 84% dos riscos que as outras IAs deixavam passar.
O texto final ficou mais claro, profissional e seguro.
Eles conseguiram fazer tudo isso gastando menos "tokens" (que são como as palavras que a IA usa e que custam dinheiro/computação).

Resumo Final

Em vez de confiar em uma única IA que tenta adivinhar o melhor caminho (e muitas vezes erra), o RCBSF cria uma equipe virtual onde um "Chefe" rigoroso define as regras, um "Pedreiro" executa o trabalho e um "Fiscal" garante que nada saia do plano.

É como ter um advogado sênior supervisionando um estagiário muito inteligente, garantindo que o contrato final seja não apenas bem escrito, mas legalmente seguro e à prova de falhas.

Resumo Técnico: RCBSF – Um Framework Multi-Agente para Revisão de Contratos via Jogo de Stackelberg

1. O Problema

A adoção de Modelos de Linguagem de Grande Escala (LLMs) na Inteligência Artificial Jurídica (LegalAI) enfrenta barreiras críticas quando aplicada à revisão automatizada de contratos:

Alucinações e Falta de Rigor: LLMs genéricos tendem a gerar citações falsas, cláusulas incoerentes ou soluções que não atendem a restrições legais específicas.
Ineficiência em Cenários Adversariais: Métodos tradicionais (como Zero-Shot ou Chain-of-Thought simples) falham em capturar a natureza hierárquica e adversária da prática jurídica real, onde um revisor sênior (auditor) impõe restrições estritas a um revisor júnior.
Otimização Local Subótima: Abordagens cooperativas ou iterativas sem uma estrutura de liderança clara frequentemente convergem para soluções locais que não resolvem riscos ocultos ou complexos de forma global.

2. Metodologia: O Framework RCBSF

Os autores propõem o Risk-Constrained Bilevel Stackelberg Framework (RCBSF), que formaliza a revisão de contratos como um Jogo de Stackelberg Não Cooperativo em um problema de otimização de dois níveis (Bilevel Optimization).

O sistema é composto por uma arquitetura hierárquica de três agentes divididos em dois níveis estratégicos:

Nível Superior (Líder - Leader):
- Agente Prescritivo Global (GPA): Atua como o auditor sênior. Sua função é analisar o contrato original, identificar riscos e impor um "orçamento de risco" ao sistema.
- Mecanismo de 5 Dimensões: O GPA extrai riscos estruturados em um vetor de instrução $h$ $h$ composto por:
  1. Categoria: Classificação do risco.
  2. Localização: Onde o risco ocorre no texto.
  3. Evidência: Trecho textual original que comprova o risco.
  4. Questão (Issue): Descrição lógica do problema.
  5. Sugestão: Instrução acionável para correção.
- Objetivo: Maximizar a mitigação de risco ponderada, respeitando um orçamento computacional (limite de tokens).
Nível Inferior (Seguidor - Follower):
- Agente de Revisão Constrained (CRA): Atua como o revisor que gera o texto do contrato. Ele deve otimizar a geração do contrato ( $x'$ ) maximizando a probabilidade condicional sob a distribuição do LLM, mas rigorosamente regularizado pelas restrições impostas pelo GPA.
- Agente de Verificação Local (LVA): Atua como um auditor interno dentro do loop do seguidor. Ele verifica iterativamente as saídas do CRA, calculando o risco residual e fornecendo feedback de gradiente para refinar a próxima iteração.
Dinâmica do Jogo:
- O jogo segue uma estrutura de Equilíbrio de Stackelberg: O Líder (GPA) compromete-se primeiro com uma estratégia de instrução de risco (vetor $h$ ). O Seguidor (CRA + LVA) então otimiza sua geração dentro desse espaço de estratégia induzido.
- O processo é iterativo (aproximação de gradiente), onde o LVA recalcula o risco residual e ajusta o vetor de instrução até que o contrato atinja um estado de equilíbrio onde os riscos são minimizados e a qualidade semântica é preservada.

3. Contribuições Chave

Novo Paradigma Teórico: Introdução de um framework baseado em teoria dos jogos (Stackelberg) para revisão legal, decoplando a auditoria estratégica da execução, superando as limitações de abordagens cooperativas puras.
Garantias Teóricas: Os autores provam matematicamente que a formulação de otimização de dois níveis do RCBSF converge para um equilíbrio que oferece utilidade estritamente superior em comparação com configurações não guiadas (Equilíbrio de Nash), especialmente em variedades de risco não convexas.
Benchmark Unificado: Construção de um conjunto de dados unificado para revisão legal, agregando quatro datasets autoritativos (MAUD, CUAD, ContractNLI, PrivacyQA), totalizando 711 contratos com 41 categorias distintas.
Mecanismo de Restrição de Orçamento: Implementação de penalidades de custo (tokens) que forçam o sistema a priorizar riscos críticos (alta severidade) em vez de fazer edições estéticas triviais, melhorando a eficiência.

4. Resultados Experimentais

O RCBSF foi avaliado em comparação com baselines de ponta (Zero-Shot, Chain-of-Thought, RAG, e Refinamento Iterativo) utilizando modelos LLM como Qwen2.5-7B-Chat, Mistral-7B, e LawLLM.

Taxa de Resolução de Riscos (RRR): O RCBSF alcançou uma média de 84,21%, superando significativamente o melhor baseline iterativo (79,56%) e o método padrão (70,81%).
Qualidade do Contrato (CQ): O framework manteve ou melhorou a qualidade linguística (clareza, rigor, equilíbrio e profissionalismo), alcançando uma pontuação média de 86,87 (escala 0-100) com o Qwen2.5-7B-Chat, demonstrando que a mitigação de risco não compromete a fluidez do texto.
Eficiência de Tokens (TES): O RCBSF obteve a maior pontuação de eficiência (87,29%), resolvendo mais riscos por 1.000 tokens gerados em comparação com métodos que geram textos excessivamente longos ou repetitivos.
Estudos de Ablação: A remoção das instruções de 5 dimensões ou do mecanismo de ponderação de risco (Q-Score) resultou em quedas drásticas no desempenho, confirmando a importância da estrutura hierárquica e da evidência textual específica.

5. Significado e Impacto

O trabalho representa um avanço significativo na automação jurídica ao:

Resolver o Dilema Risco vs. Qualidade: Demonstra que é possível ter revisões de contratos rigorosas e seguras sem sacrificar a legibilidade ou a fidelidade semântica.
Simular Fluxos de Trabalho Reais: A arquitetura Líder-Seguidor espelha a dinâmica real de escritórios de advocacia (Sócio Sênior vs. Associado), oferecendo uma abordagem mais robusta do que a simples geração de texto.
Fornecer Fundamentação Teórica: Ao utilizar a teoria dos jogos e otimização de dois níveis, o RCBSF oferece garantias matemáticas de convergência e superioridade, algo raro em aplicações de IA jurídica.
Eficiência Operacional: A capacidade de resolver riscos complexos com menor consumo de tokens torna a solução economicamente viável para aplicações em escala empresarial.

Em suma, o RCBSF estabelece um novo padrão para a geração de texto legal confiável, transformando a revisão de contratos de uma tarefa de "geração de texto" para um processo de "otimização de risco controlada".