Resumo Técnico: Raciocínio Jurídico Preciso em Escala via Inteligência Amortizada

Declaração do Problema

Textos jurídicos, particularmente em domínios de alto risco como processo civil, seguros, tributação e regulação financeira, frequentemente contêm Cláusulas Jurídicas Computacionais. Essas disposições exigem a síntese de raciocínio matemático (por exemplo, fórmulas tributárias), avaliação de condições lógicas (por exemplo, limites de elegibilidade) e interpretação contextual da linguagem.

Embora os Modelos de Raciocínio Avançados (LRMs) de fronteira demonstrem fluência semântica impressionante, eles enfrentam duas barreiras proibitivas em adjudicação pronta para produção:

1. Confiabilidade: Modelos probabilísticos sofrem de "erros de raciocínio", incluindo falhas aritméticas silenciosas (alucinação de coeficientes) e "despenhadeiros de raciocínio", onde o desempenho degrada-se catastroficamente à medida que a complexidade lógica (por exemplo, lógica booleana aninhada ou árvores de decisão amplas) aumenta. Eles carecem do rigor estrutural necessário para o raciocínio estatutário.
2. Economia: Confiar na inferência de Cadeia de Pensamento (CoT) para cada transação recorrente (por exemplo, processamento de milhares de faturas) força uma escala de custos linear, tornando a adjudicação autônoma comercialmente inviável para fluxos de trabalho de alto volume.

A programação lógica tradicional (por exemplo, Prolog) oferece rigor, mas sofre de um gargalo de aquisição manual de conhecimento. Por outro lado, abordagens puramente generativas carecem das garantias determinísticas exigidas para conformidade legal.

Metodologia: Inteligência Amortizada

Os autores propõem Inteligência Amortizada, uma arquitetura neuro-simbólica que desloca o paradigma de um interpretador em tempo de execução para um compilador de lógica. O sistema desacopla o raciocínio da execução através de um processo de duas fases:

1. Fase de Compilação (Custo Único)

Um Modelo de Linguagem de Grande Escala (LLM) é utilizado uma única vez para traduzir texto jurídico não estruturado em Linguagem de Contrato Autônoma Determinística (DACL).

• Representação DACL: Uma representação intermediária de grafo direcionado acíclico (DAG) tipada, otimizada para lógica comercial.
• Primitivas de Cláusula: O sistema utiliza um esquema fortemente tipado com quatro primitivas recursivas:
  • Procedimento: Fluxos de trabalho sequenciais com término antecipado.
  • Cláusula Lógica: Lógica proposicional de primeira ordem que impõe elegibilidade baseada em prioridade.
  • Cláusula de Intervalo: Mapeamento de variáveis contínuas para faixas discretas com validação estrita de limites para eliminar erros de "fora de um" (off-by-one).
  • Fórmula de Precificação: Expressões aritméticas executadas em um ambiente isolado (sandbox) com precisão configurável.
• Versionamento Temporal: As cláusulas carregam datas de validade, permitindo que o motor selecione a versão correta para uma data de evento específica sem regeneração completa do contrato.

2. Fase de Execução (Tempo de Execução)

Adjudicações subsequentes dependem de um Agente Neuro-Simbólico leve que executa o grafo DACL pré-compilado.

• Roteamento Semântico: Um LLM leve (por exemplo, gpt-5-mini) mapeia a consulta do usuário e os fatos em tempo de execução para um subconjunto específico de identificadores de cláusula ($K$).
• Delegação Simbólica: O agente invoca um motor determinístico ($\Phi_{DACL}$) para executar a lógica. Esta etapa é não probabilística, garantindo transparência referencial (entradas idênticas sempre produzem saídas idênticas).
• Síntese: O agente sintetiza uma resposta em linguagem natural fundamentada no rastro de auditoria estrutural ($\tau$) gerado pelo motor.

Contribuições Principais

1. Arquitetura DACL: Uma representação intermediária neuro-simbólica baseada em grafos que prioriza primitivas jurídicas e rastreamento explícito de dependência de variáveis em detrimento da prova de teoremas geral.
2. Validação da Inteligência Amortizada: Demonstrada em dados de sistemas industriais de Planejamento de Recursos Empresariais (ERP) e contabilidade, mostrando que a transferência da interpretação jurídica pesada para uma etapa de compilação única alcança 99,5% de precisão e redução de custos >95% em comparação com as bases de referência de LRM de última geração em tarefas de alto volume.
3. Taxonomia de Falhas e Auditabilidade Estrutural: O estudo isola modos de erro em modelos de fronteira, identificando erros de Dependência de Variável (VD) (rastreamento incorreto de estado) como o modo de falha primário (71% dos erros), e não alucinações aritméticas. A DACL fornece um caminho de execução determinístico e rastreável para cada decisão.
4. Implantação em Produção: O sistema foi implantado por mais de 12 meses em um ambiente ao vivo, executando autonomamente fluxos de trabalho de faturamento e contas a pagar em mais de 150 acordos comerciais e ~1.000 eventos de faturamento mensais.

Resultados e Avaliação

O sistema foi avaliado contra três famílias de modelos de fronteira (GPT-5.2, Claude 4.5 Sonnet, Gemini 3 Pro) em quatro acordos industriais proprietários (Saúde, Energia, Logística, Municipal).

• Precisão e o "Despenhadeiro de Raciocínio": O Agente DACL alcançou 99,5% de precisão geral. Em contraste, os modelos de fronteira exibiram um acentuado "despenhadeiro de complexidade". Embora os modelos tenham se saído bem em aritmética simples (Energy-Sup), sua precisão colapsou em árvores de decisão complexas (Logistics-MSA, 76 estados de decisão), caindo para tão baixo quanto 22% para o GPT-5.2.
• Análise de Erros: Os modelos de fronteira frequentemente calculavam a matemática corretamente, mas condicionavam-na ao estado errado (por exemplo, aplicar uma taxa da Categoria A a um envio da Categoria B). Os erros da DACL eram raros e originavam-se exclusivamente do agente de roteamento semântico, e não do motor determinístico.
• Economia Computacional:
  • Eficiência de Tokens: A DACL reduziu o consumo de tokens em 9,9x em comparação com a base de referência, recuperando apenas cláusulas de lógica ativas em vez de todo o contexto do contrato.
  • Latência: Em tarefas complexas, a DACL teve uma média de 26,8 segundos por evento, significativamente mais rápida que os ~164 segundos exigidos por modelos de raciocínio pesados, mantendo ao mesmo tempo precisão superior.

Significado e Alegações

O artigo argumenta que alcançar adjudicação jurídica autônoma e escalável exige ir além de modelos probabilísticos isolados. Ao tratar o LLM como um compilador semântico de uso único em vez de um interpretador em tempo de execução, a arquitetura proposta elimina os riscos estocásticos do raciocínio "Sistema 2".

Os autores afirmam que esta abordagem oferece:

• Escalabilidade: Um caminho para processar milhões de casos anualmente sem revisão manual, abordando questões sistêmicas de acesso à justiça.
• Estabilidade e Uniformidade: Garantir a aplicação consistente de regras e eliminar a imprevisibilidade da inferência generativa.
• Auditabilidade: Fornecer um rastro de auditoria estrutural essencial para conformidade legal, satisfazendo o requisito de que a adjudicação seja explicável e determinística.

O trabalho sugere que esta abordagem determinística pode se estender além de contratos comerciais para outros domínios regulatórios (por exemplo, códigos tributários, leis municipais), desde que a lógica possa ser mapeada para as primitivas definidas do sistema. Os autores reconhecem limitações, incluindo a atual falta de suporte para raciocínio defeasível, padrões jurídicos de textura aberta e jurisdições não anglófonas, notando que erros de compilador, embora raros, exigem revisão humana antes da implantação em produção.