A Anthropic publica periodicamente um relatório sobre como as pessoas efetivamente usam o Claude, aberto por país e por tipo de tarefa. Uma linha do relatório de setembro de 2025 contraria o que a maior parte do mercado jurídico brasileiro está fazendo com IA neste momento e é dela que partimos, cada um chegando ao mesmo ponto por um caminho distinto: de dentro de um escritório grande e de dentro de quem constrói tecnologia para escritórios.
Convém começar pelos números. Os Estados Unidos respondem por 21,6% do uso global da plataforma e a Índia por 7,2%. O Brasil aparece com 3,7%, empatado com Japão e Coreia do Sul. O relatório traz ainda um índice que ajusta o uso ao tamanho da população em idade de trabalho, e por esse recorte o Brasil fica abaixo do que se esperaria de uma economia do nosso porte, ainda que o índice, por ser puramente demográfico, não capture diferenças de renda, idioma ou acesso a meio de pagamento internacional.
A leitura conservadora, portanto, é que estamos abaixo dos comparáveis, e não que sejamos um deserto de adoção.
O dado que desloca a discussão, no entanto, está na abertura por tipo de tarefa: entre os usuários brasileiros, o uso em serviços jurídicos aparece desproporcionalmente acima do que se observa no resto do mundo e a explicação que os próprios autores oferecem é que o Brasil adotou IA no judiciário cedo. Temos um país que, ao mesmo tempo, usa pouca IA no agregado e que é ponto fora da curva mundial justamente quando o assunto é IA aplicada ao direito. Essa coincidência tem causa conhecida. O Brasil tem um dos maiores volumes de litígio do mundo e um judiciário que se digitalizou antes das empresas: a adoção do processo eletrônico está autorizada por lei desde 2006 e ganhou escala a partir do início da década seguinte, o que significa mais de uma década de acervo integralmente digital nos principais tribunais.
Aqui é preciso separar duas camadas que costumam ser tratadas como uma só. A camada pública das decisões, publicações e jurisprudência está disponível em escala e em formato legível por máquina, e é dela que vem a vantagem competitiva brasileira. A camada operacional interna dos escritórios, onde esse acervo vira prazo, tarefa, responsável e honorário, permanece fragmentada em sistemas que não conversam entre si. A vantagem é real, e está toda concentrada na primeira camada. Compreender o que essa assimetria produz na prática exige antes recuperar um deslocamento que vem sendo descrito na literatura de tecnologia e que organiza o restante do raciocínio. Na era do software tradicional, a gravidade de um sistema vinha da acumulação de dados: tudo precisava estar num único repositório porque a pessoa só conseguia olhar para um lugar de cada vez. Na era da IA, como argumentam os autores de From System of Record to System of Intelligence, a gravidade migra para a orquestração: a camada que puxa dezenas de sinais simultaneamente e sintetiza antes de agir. O sistema de registro não desaparece; deixa de ser o lugar onde o valor mora. Transposto para o mercado jurídico: o valor passa a estar na camada que lê o repositório de processos junto com o e-mail, o calendário, a base de jurisprudência e o financeiro, e decide o que precisa acontecer.
Vista por essa lente, a vantagem brasileira revela com nitidez o seu alcance atual. Publicada uma decisão, alguém a lê, compreende o que ela determina e obtém em oito segundos um resumo que antes exigiria vinte minutos de redação; a ferramenta é boa e o ganho é real, mas o trabalho termina exatamente ali, não por limitação do modelo, e sim porque não há para onde ele seguir depois.
O escritório típico opera em sistemas que não se falam: o de gestão de processos, o financeiro, o de documentos e as planilhas que preenchem os vãos entre eles. Cada um é operado individualmente, por uma pessoa diferente, sem que nada passe automaticamente de um para o outro. O mesmo dado é digitado mais de uma vez e alguém confere o que outra pessoa já fez. Há uma razão econômica para isso nunca ter sido resolvido: construir integração entre esses sistemas sempre foi caro demais para o tamanho do ganho, e saía mais barato colocar uma pessoa no meio conferindo. Durante anos, essa conta fechou. É exatamente aí que se revela o teto de contratar uma ferramenta de IA e plugá-la sobre essa estrutura – decisão compreensível, porque costuma ser o caminho mais acessível financeiramente, mas cujo retorno esbarra em um limite físico. Ler a decisão e entender o que ela determina leva vinte minutos, e a IA faz em oito segundos, mas essa é a etapa barata do processo, e a que menos consome a capacidade do escritório. A etapa cara é o que vem depois: lançar em três sistemas, calcular o prazo, avisar o advogado certo, verificar se alguém já não fez. Isso continua manual, porque é precisamente ali que estão as integrações que não existem. Você automatizou vinte minutos de um processo que consome quatro horas, e depois se pergunta por que o piloto não apareceu no resultado.
Embora circule desde o ano passado a estatística de que 95% dos pilotos de IA não produzem efeito mensurável (número do Project NANDA, no MIT Media Lab, cuja metodologia foi bastante contestada quando saiu), há evidência melhor e mais próxima da nossa realidade. A pesquisa The Law Firm Data Divide, conduzida pela Law.com com escritórios grandes nos Estados Unidos e no Reino Unido, mostra que apenas 14% deles conseguem responder em tempo quase real a perguntas críticas sobre a própria operação, e que, quando perguntados sobre a maior barreira para obter retorno de IA, 47% apontam a falta de integração entre sistemas. O resto do quadro é coerente com isso: a maioria opera com quatro ou mais plataformas financeiras separadas e os times gastam tempo significativo em reconciliação manual de dados em vez de análise. A conclusão do relatório é que investimentos em IA construídos sobre fundações de dados fragmentadas produzem insights fragmentados em escala. O estudo é patrocinado por uma fornecedora de plataforma financeira, o que recomenda o filtro crítico apropriado, mas os números descrevem algo que qualquer advogado na gestão de sua prática reconhece sem precisar de pesquisa.
A segunda evidência é estrutural e mais interessante. Em AI-Native Firms, working paper de Hyunjin Kim e Rembrand Koning publicado pela Harvard Business School, os autores estudam quase três mil empresas e separam dois canais pelos quais a IA entra em uma organização. No canal de processo, a IA muda como as pessoas trabalham dentro da empresa com licenças distribuídas ao time, ganho individual mensurável. No canal de produto, a IA está embarcada naquilo que a empresa entrega, de modo que o próprio produto executa trabalho que antes exigia time humano. O achado é que, na amostra e no horizonte estudados, apenas o segundo altera a estrutura da firma: o canal de processo é estatisticamente nulo em tamanho de equipe, profundidade hierárquica e proporção de gestores. Colocar IA na mão das pessoas muda a produtividade individual. Colocar IA dentro do fluxo muda onde a capacidade produtiva mora.
Nada disso desqualifica o canal de processo; o que os dados sugerem é que ele tem teto, e teto mais baixo do que o discurso de adoção faz supor. Os mesmos autores nomeiam a restrição que trava a passagem de um canal para o outro: o mapping problem. A limitação não está no acesso à tecnologia, hoje abundante e barata, e sim na capacidade de varrer os próprios processos e descobrir onde a IA de fato cria valor. Não por acaso, serviços jurídicos são uma das sub-verticais de maior concentração de startups de IA no ecossistema americano. O capital já entendeu onde está o problema; quem opera dentro dele, nem sempre.
Temos discutido esse ponto entre nós desde o ano passado, com a insistência de quem é diretamente afetado pelo que está em jogo, e foi dessas conversas que veio parte da lente com que Perazza conduziu o mapeamento dentro de um escritório grande. A experiência ensinou algo mais desconfortável do que a expectativa inicial prometia: quando se examina como o trabalho de fato acontece antes de decidir onde a ferramenta entraria, descobre-se que boa parte das ineficiências não tem relação alguma com tecnologia, e sim com fluxos que ninguém questionou em anos, retrabalho que ninguém enxerga e decisões tomadas no lugar errado da estrutura. A ferramenta acabou operando menos como solução e mais como espelho, obrigando a encarar o trabalho tal como ele é, e não como se supunha que fosse. Quem atravessa essa etapa apressadamente não compra velocidade, mas a automação de um processo que provavelmente não deveria subsistir na forma em que subsiste.
Do mesmo raciocínio decorre um critério de avaliação que vale registrar, sobretudo porque vem de quem comercializa precisamente essa camada de orquestração. Em sua carta mais recente aos acionistas, Alex Karp, da Palantir (companhia que não vende modelo próprio, mas a camada de aplicação que integra modelos de terceiros aos dados e sistemas legados do cliente), critica os modelos de precificação por consumo com um argumento que sobrevive ao desconto pelo interesse comercial de quem o formula: uso e consumo de uma plataforma não provam, por si sós, que ela produz resultado. É o critério que falta na maior parte das conversas sobre contratação de IA jurídica, e o que separa um piloto bem-sucedido de um piloto apenas movimentado.
A oportunidade, portanto, está a jusante da adoção. A adoção já existe, é enorme, e o relatório da Anthropic é a prova disso. O que ainda está aberto é a distância entre o que uma pessoa consegue fazer sozinha numa janela de chat e o que o escritório inteiro precisaria ter, e essa distância tem nome na literatura de gestão: o próximo salto de produtividade é coletivo, e organizações que tratam IA como infraestrutura compartilhada obtêm resultados que não aparecem quando ela é tratada como ferramenta individual isolada.
Traduzida em critérios de avaliação, essa distinção sugere um conjunto razoavelmente concreto de perguntas, úteis tanto para quem constrói quanto para quem contrata, e a primeira delas consiste em não tomar atividade por resultado. Interessa saber se o sistema acompanha a totalidade dos processos ou apenas aqueles de que alguém se lembrou de olhar; se opera todos os dias sem depender da disciplina de quem o alimenta; se deixa registrado quem decidiu o quê e com base em qual documento, algo que em serviço jurídico deixa de ser custo de suporte e passa a ser dano ao cliente sempre que a exceção é mal resolvida, com alguém assinando embaixo; e se continua funcionando na ausência da pessoa que habitualmente o conduz. Nenhum desses quatro requisitos diz respeito à qualidade do modelo. Todos os quatro dizem respeito a onde a IA foi colocada.
Herdamos um acervo digital em escala que poucos mercados conseguiram acumular nesse prazo, e um ecossistema inteiro habituado a operá-lo. O que nenhuma licença entrega, e nenhum fornecedor pode entregar no lugar do escritório, é a disposição de examinar o próprio trabalho antes de automatizá-lo, trabalho pouco vistoso, difícil de transformar em anúncio de inovação e, justamente por isso, o que segue distinguindo quem obtém resultado de quem obtém apenas movimento.
_______
Anthropic Economic Index - relatório de setembro de 2025: https://www.anthropic.com/research/anthropic-economic-index-september-2025-report
Law.com Custom Research Solutions / Elite, The Law Firm Data Divide: Hidden Threats to AI ROI (2026)
Hyunjin Kim (INSEAD) e Rembrand Koning (HBS), AI-Native Firms, HBS Working Paper 26-090, junho de 2026
Gio Ahern, Steph Zhang e Alex Immerman (a16z), From System of Record to System of Intelligence, maio de 2026
Microsoft, New Future of Work Report 2025
Palantir Technologies, Carta aos Acionistas - 2º trimestre de 2026 (Alex Karp), 3 de agosto de 2026: https://www.palantir.com/q2-2026-letter/en/