IA para escritórios de advocacia: o que os ganhos exigem

Há um paradoxo no centro da IA nos grandes escritórios de advocacia. A hora faturável continua a representar mais de 80% dos honorários, pelo que qualquer ganho de produtividade real deveria, em teoria, corroer a receita: trabalho mais rápido significa menos horas a faturar. E, no entanto, um estudo do Center on the Legal Profession da Harvard Law School concluiu o contrário. A IA está a produzir ganhos de eficiência dramáticos, e o modelo da hora faturável sobrevive intacto. Os escritórios não estão a cortar tarifas; estão a realocar o tempo dos advogados para trabalho de maior valor e esperam captar o valor acrescentado na qualidade, e em tarifas mais altas, e não numa fatura mais baixa.

A investigação, do investigador sénior Robert J. Couture, baseia-se em entrevistas qualitativas com diretores de operações e sócios responsáveis pela implementação de IA em dez escritórios AmLaw100. É um dos olhares mais fundamentados sobre o que a IA está de facto a fazer dentro destes escritórios, por oposição ao que o marketing promete. E lida com olhos de engenheiro, as suas conclusões apontam todas para o mesmo: os números de destaque não são um truque do modelo. São consequência de engenharia de dados que alguém teve de fazer. É aqui que a IA para escritórios de advocacia tem sucesso ou falha em silêncio, por isso vale a pena percorrer as conclusões por ordem.

O salto de produtividade é real, e desigual

Os entrevistados variaram entre classificar o impacto como “totalmente transformacional” e “moderado”, reservando a maioria o juízo até se acumularem provas de vários anos. Mas num ponto foram unânimes: a produtividade dos advogados vai subir acentuadamente. Os resultados dos pilotos são impressionantes:

• Uma tarefa de litígio de grande volume; redigir a resposta a uma petição; caiu de cerca de dezasseis horas de tempo de associado para três ou quatro minutos, um ganho da ordem das 200 a 300 vezes.
• A automação da redação inicial trouxe não só poupança de tempo, mas melhor rigor.
• Os advogados reportaram ganhos de produtividade superiores a 100 vezes em certas aplicações.

Números como estes não vêm de um advogado a escrever num chatbot público. Vêm de sistemas fundamentados no material do próprio escritório; as suas peças, precedentes, requerimentos e histórico de processos; para que o modelo redija a partir do que o escritório realmente sabe. Esse padrão é a geração aumentada por recuperação, e pô-lo a funcionar sobre um corpus documental real é um problema de dados muito antes de ser um problema de modelo.

A inversão 80/20 e porque a hora faturável sobrevive

O conceito mais útil do estudo é o que um entrevistado chamou a “inversão 80/20”. Historicamente, os advogados gastavam cerca de 80% do tempo a recolher informação e 20% em análise estratégica. A ambição é inverter essas proporções: deixar a IA tratar da recolha de informação para que os advogados gastem a maior parte do tempo em juízo e estratégia.

Fundamental é que isto não encolhe a fatura. Cerca de 90% dos escritórios esperavam que a IA melhorasse a qualidade do trabalho jurídico, e não apenas cortasse custos, e os clientes estavam alinhados com isso; continuaram confortáveis com os atuais acordos de honorários. Esperava-se que o total de horas se mantivesse ou até expandisse, com a mistura a passar de trabalho administrativo para análise. O modelo de receita da hora faturável sobrevive porque o valor desloca-se em vez de desaparecer.

Para quem constrói estes sistemas, a implicação de engenharia é precisa. Os 80% que a IA deve absorver; encontrar o precedente certo, extrair as cláusulas relevantes, reunir os factos de um processo; são um problema de recuperação. Inverta o rácio e não comprou um modelo mais esperto; construiu uma camada de pesquisa e fundamentação muito boa sobre documentos proprietários desorganizados. É esse o trabalho todo.

Preços: valor captado nas tarifas, não em descontos

Os escritórios continuam a desenvolver capacidades de honorários fixos, mas nenhum acreditava que a sua capacidade de dimensionar e fixar preço de acordos alternativos tivesse atingido a maturidade; esse trabalho progrediu lentamente ao longo de anos, a par de equipas de análise de preços e rentabilidade em expansão. Nenhum escritório planeava recuperar o investimento em IA através de uma rubrica direta ao cliente. A visão dominante era que o valor acrescentado seria reconhecido e incorporado em tarifas mais altas.

Há aqui um dado discreto. Dimensionar e fixar o preço de trabalho a honorário fixo com rigor é, em si mesmo, um problema de analytics: exige dados históricos limpos sobre quanto tempo os processos realmente demoram, onde vive a variância e o que gera o custo. Os escritórios que constroem essa capacidade estão, quer o formulem assim ou não, a investir em infraestrutura de dados. A equipa de preços e a equipa de IA convergem na mesma dependência.

Efetivos: aumento, não substituição

Apesar da automação, nenhum dos escritórios entrevistados previa reduzir o número de advogados em exercício. Um referiu ter admitido a maior turma de associados da história do escritório em paralelo com o seu programa de IA. Várias forças mantêm a contratação estável: a dinâmica de renovação geracional, a contratação ativa de sócios laterais vindos de concorrentes financeiramente fortes, e uma procura jurídica que continua a crescer com a complexidade.

O que muda é a composição da equipa. Os escritórios estão a acrescentar cientistas de dados e engenheiros de IA, e os advogados capazes de trabalhar com fluência em ambos os mundos tornam-se mais valiosos. Há também um ângulo de formação: o trabalho remoto diluiu o modelo tradicional de aprendizagem, e os escritórios veem a IA mais o processo estruturado como forma de o reconstruir, dando aos juniores formação consistente e repetível mesmo quando não estão na sala.

Essa mudança é reveladora. Quando um escritório começa a contratar cientistas de dados e engenheiros de IA para tornar os seus advogados produtivos, começou a construir uma equipa de dados; passa a ter uma plataforma de dados, chame-lhe o que chamar, com todas as obrigações de fiabilidade, governação e ciclo de vida que isso implica.

Confidencialidade e rigor: as restrições que decidem tudo

Todos os escritórios trabalharam diretamente com os clientes no desenvolvimento e teste de casos de uso, muitas vezes trazendo o fornecedor de IA como terceiro para provar e refinar o software durante os pilotos. E todos os clientes disseram uma versão do mesmo: cuidado com a confidencialidade e o rigor. Os clientes estavam entusiasmados e cautelosos ao mesmo tempo, muito conscientes do risco de partilhar dados proprietários com ferramentas de IA, e queriam serviço mais rápido e de maior qualidade mais do que um desconto.

Estas duas restrições moldam toda a arquitetura.

• Confidencialidade. Material sigiloso e proprietário não pode escoar para um modelo público nem para o conjunto de treino de um fornecedor. Isso dita onde vivem os dados, que modelos os podem ver, como se registam prompts e respostas e quem pode recuperar o quê. O controlo de acessos tem de correr na camada de recuperação, para que o sistema simplesmente não consiga expor um documento que o utilizador não tem direito a ver.
• Rigor. Uma resposta confiante, fluente e errada é mais perigosa no direito do que em quase qualquer lado, porque se lê como autoritativa. Conter esse risco exige um conjunto de avaliação de perguntas reais com respostas de referência, corrido a cada mudança e a pontuar recuperação e geração em separado; guardrails que levem o modelo a recusar quando o contexto de apoio não existe; e observabilidade, para que uma má resposta remeta para a consulta, as passagens recuperadas e o passo de geração.

Isto explica também a conclusão menos glamorosa do estudo: os pilotos são frequentemente abandonados. Os escritórios testam um caso de uso, verificam que fica aquém e desistem. Isso não é falha; é a disciplina a funcionar. O valor dos casos de uso empresariais; os treinados ou fundamentados em dados proprietários do escritório e do cliente, indisponíveis no domínio público; só aparece quando se mede com honestidade e se elimina o que não passa a fasquia. Um escritório que lança com base num bom demo descobre o problema à frente de um cliente.

A IA como catalisador para reengenhar o negócio

Um dos fios mais interessantes do relatório é que a IA está a forçar conversas que os escritórios há muito evitavam. “É assim que sempre fizemos” já não encerra uma discussão. Cerca de um terço dos escritórios já tinha metodologias de prática estabelecidas, e essas metodologias revelam-se a casa natural de governação da IA: um lugar para rever, testar e aprovar ferramentas específicas pela qualidade que acrescentam. Os escritórios experimentaram gestão de projeto jurídico durante dez a quinze anos com sucesso apenas marginal; a IA é o que finalmente faz a abordagem estruturada pegar, codificando um “modo do escritório X” consistente que também forma os associados juniores.

A mesma lógica move a expansão de serviços. Metade dos escritórios consideraria aceitar trabalho de menor margem que atualmente envia para escritórios mais pequenos ou fornecedores alternativos de serviços jurídicos, se a IA tornasse a entrega suficientemente eficiente; em parte pela receita, em parte pela “aderência” de fazer mais por um cliente de carteira. O diferenciador aqui não é a ferramenta. É a capacidade de reengenhar um processo em torno de uma capacidade de IA fiável, em vez de aparafusar uma ferramenta a um fluxo de trabalho inalterado. Isso é trabalho de processo e de dados, e é onde se forma a vantagem duradoura.

Escala e a ameaça ao segundo escalão

O estudo é claro em que as vantagens de escala se intensificam. Os escritórios com profundidade financeira para investir, e para absorver as experiências falhadas, ganham uma vantagem cumulativa; como disse um advogado, o custo “não é só o dinheiro”, mas o tempo para avaliar novas ferramentas e descartar as que não merecem o seu lugar. Os escritórios de média dimensão sentem essa pressão mais, e os do segundo escalão enfrentam pressão competitiva real num mercado já brutal.

Mas o fosso tem menos a ver com o gasto bruto do que com a maturidade operacional. O relatório nota, quase como correção a velhos estereótipos, como estes escritórios se tornaram pragmáticos e ponderados; a antiga farpa de que os grandes escritórios tinham profunda competência jurídica mas pouco tino de negócio já não pega. Os que se distanciam são os que tratam a camada de IA como infraestrutura de produção, com a avaliação, a governação e a observabilidade que isso implica. Essa capacidade acumula-se; um monte de licenças não.

O que isto significa para além do direito

Nada neste problema é exclusivo dos escritórios de advocacia. Qualquer domínio denso em documentos, regulado e de alto risco; seguros, saúde, serviços financeiros, compliance; tem a mesma forma: enorme valor latente preso em texto proprietário, condicionado por exigências rígidas de confidencialidade e rigor. As organizações que o captam são as que tratam a IA como um problema de governação de dados e de engenharia de dados primeiro. Há até uma dimensão de talento que o estudo assinala: os estudantes de direito esperam agora ferramentas que os deixem “pensar mais e repetir menos”, e o mesmo vale para as melhores contratações de dados e engenharia em qualquer lado.

Conclusão

A investigação de Harvard é um corretivo útil para o exagero em ambos os sentidos. A IA não está a dissolver a profissão jurídica nem a entregar magia; está a entregar ganhos reais e mensuráveis onde os escritórios fizeram a engenharia subjacente, e pilotos abandonados onde não a fizeram. Cada número de destaque do estudo; a redação 200 vezes mais rápida, a inversão 80/20, o modelo de negócio que sobrevive; assenta sobre a qualidade da recuperação, a governação de dados e a avaliação honesta. Acerte nisso e o modelo passa a ser a parte fácil. Se está a definir como pôr a IA a trabalhar sobre documentos sensíveis e proprietários, é exatamente disto que trata o nosso trabalho em IA e machine learning e governação de dados, e teremos todo o gosto em conversar sobre o assunto. Pode ler o estudo original do Harvard CLP aqui.