Em conversas com gestores de departamentos jurídicos, uma dificuldade aparece rapidamente: Pessoas diferentes olham para a mesma carteira e enxergam classificações diferentes.
O mesmo tipo de demanda pode aparecer como "consumidor" para uns, "cível consumerista" para outros, "CDC" para um terceiro e "direito do consumidor" para um quarto. O que para um profissional representa risco médio, para outro pode ser alto. E processos semelhantes acabam agrupados como iguais em uma análise e tratados como demandas distintas em outra.
Quando essas informações alimentam relatórios, indicadores ou ferramentas de inteligência artificial, a inconsistência deixa de ser apenas um problema de cadastro e passa a influenciar decisões.
Esse ponto ficou particularmente evidente em uma discussão com gestores sobre o uso de inteligência artificial para classificar processos. Diante de uma mesma base e de um mesmo comando, ferramentas diferentes e, em alguns casos, até a mesma ferramenta em execuções distintas, produziram classificações diferentes.
A conclusão mais importante daquela discussão foi simples: a inteligência artificial não havia propriamente errado. Ela havia trabalhado com os dados e critérios que recebeu.
O problema estava antes da inteligência artificial.
Estava nos dados.
E, principalmente, na ausência de uma taxonomia definida.
A mesma dificuldade aparece quando saímos da inteligência artificial e entramos na gestão cotidiana.
Em outra discussão sobre indicadores, um especialista em BI relatou ter reunido doze profissionais de um departamento jurídico para definir um conceito aparentemente trivial: Base ativa. Saiu da conversa com doze definições diferentes para o mesmo número.
Todos produziam relatórios. O problema é que os relatórios não conversavam entre si.
Há ainda situações em que a falta de padrão chega diretamente ao resultado financeiro. Em um departamento jurídico com vinte e três escritórios parceiros, cada banca utilizava critérios próprios de provisionamento e reporte.
Ninguém havia necessariamente feito algo errado. Simplesmente não existia um padrão comum.
O fechamento contábil daquele jurídico levava quinze dias.
Os exemplos têm níveis diferentes de gravidade, mas apontam para o mesmo problema: a operação nunca decidiu como nomearia as próprias coisas.
E quem não nomeia, não mede. Quem não mede, decide no escuro.
Taxonomia é uma escolha, não uma descoberta
Taxonomia vem do grego táxis (ordem) e nómos (lei). No jurídico, é a estrutura de categorias que define como a operação organiza seus dados.
Em português direto: é como a casa combina que vai chamar as coisas.
Há uma distinção que resolve boa parte das discussões sobre o tema. Taxonomia é uma decisão de governança: define a estrutura. Cadastro é o ato de aplicar essa estrutura no dia a dia.
Departamentos que confundem as duas coisas podem passar anos treinando pessoas para cadastrar melhor sem nunca terem decidido, de fato, o que deveria ser cadastrado e de que maneira.
Há uma segunda distinção, talvez mais incômoda: não existe uma taxonomia perfeita esperando para ser descoberta em algum manual.
As tabelas do CNJ são uma referência importante, mas não necessariamente a resposta completa para a gestão de uma operação jurídica empresarial.
A taxonomia útil é aquela que permite responder às perguntas que aquela organização precisa fazer: quantas ações entraram no mês? Qual é a provisão por assunto? Onde estão concentradas determinadas causas? Quantos profissionais preciso alocar em cada tema?
A organização precisa fazer essas escolhas. Caso contrário, passa a conviver com as consequências de não tê-las feito.
A hierarquia e o campo fechado
Na prática, uma estrutura útil pode combinar uma taxonomia hierárquica, formada por tipo, tema e subtipo, com dimensões complementares, como faixa de risco.
Parece simples. Na operação real, nem tanto.
Tipo, tema e subtipo se misturam com facilidade. O subtipo, por exemplo, frequentemente começa a avançar para o terreno da tese jurídica. Já a faixa de risco, que não é um degrau da hierarquia, mas uma informação transversal a ela, costuma ser um dos campos mais negligenciados.
Sem critérios consistentes de risco e sem o preenchimento adequado desse dado, o provisionamento perde rastreabilidade e se torna muito mais difícil de sustentar.
A estrutura depende de vocabulário controlado. Definido o termo oficial, os sinônimos precisam sair da base.
Se a categoria é "falha na entrega", não faz sentido permitir que o mesmo fato entre também como "não recebeu o produto", "falha logística" ou qualquer outra variação criada no momento do cadastro.
E aqui aparece um detalhe operacional que faz enorme diferença: não basta treinar ou mandar uma circular interna.
É preciso fechar o campo.
Árvore fechada no sistema, lista suspensa na planilha. Enquanto o campo aceitar texto livre, alguém usará texto livre.
O detalhe parece banal, mas o efeito não é.
Uma base em que convivem "4ª Vara Cível da Comarca de Miracema" e "4ª VC da Comarca de Miracema" não tem apenas um problema de digitação. Para o sistema, são duas informações diferentes. Quando chega a hora de agrupar os dados, surgem dois resultados onde deveria existir apenas um.
O gestor recebe um relatório errado sem necessariamente perceber onde o erro começou.
A bola de neve
O custo da ausência de taxonomia não aparece de uma vez. Ele vai se acumulando.
Primeiro, o relatório começa a distorcer a realidade. A volumetria por tema deixa de ser confiável e o gestor perde a capacidade de responder a uma pergunta elementar sobre sua própria carteira: afinal, do que ela é feita?
Depois aparecem os indicadores de pouca utilidade.
Sem categorias estáveis, é natural recorrer ao que é mais fácil contar: processos ativos, horas trabalhadas, ações distribuídas no mês. Alguns desses números podem ser úteis, evidentemente. O problema surge quando são acompanhados sem conexão com qualquer decisão.
O teste é simples: se um indicador nunca influencia uma prioridade, uma decisão ou uma ação, vale perguntar por que ele continua sendo acompanhado.
Na sequência, o provisionamento fica mais frágil.
Sem critério de risco padronizado e sem alinhamento entre os parceiros, o jurídico tende a adotar soluções conservadoras. Muitas vezes trata tudo como possível e trabalha com o valor cheio até conseguir separar melhor os casos.
O balanço absorve parte do custo dessa desorganização e, quando a auditoria pergunta como determinado número foi construído, começa a dificuldade de reconstruir o caminho.
Há ainda outro efeito.
Quando uma condenação nasce de uma falha operacional de outra área, o valor normalmente aparece no orçamento jurídico. Se a base não permite identificar a origem daquela demanda, o jurídico registra a consequência financeira, mas a organização pode não enxergar com clareza a causa.
O problema se repete no trimestre seguinte.
Nesse caso, discutir apenas orçamento com o financeiro resolve pouco. É preciso conseguir categorizar a origem da demanda.
E, no fim dessa sequência, chega a inteligência artificial.
Aqui está um ponto que ainda merece mais atenção no mercado jurídico:
A inteligência artificial não corrige uma taxonomia inexistente. Ela amplia a inconsistência.
Garbage in, garbage out descreve com bastante precisão o que acontece quando se automatiza uma base confusa.
Em operações de contencioso de volume, o efeito pode ser multiplicativo. Um pequeno desvio na entrada, repetido milhares de vezes, pode virar uma diferença relevante no fechamento do mês.
A vacina
A boa notícia é que a construção de uma taxonomia pode começar sem grandes investimentos em tecnologia.
Antes de fornecedor ou ferramenta, ela exige decisão.
E o ponto de partida não deveria ser a lista de campos do sistema. Deveria ser a lista de perguntas que a gestão precisa responder.
O caminho pode começar de trás para frente: quais decisões o departamento precisa tomar? Quais informações precisa acompanhar? O que o CFO, a diretoria, a auditoria ou o próprio jurídico precisam conseguir enxergar?
A partir daí, faz sentido levantar as demandas reais e suas variações de nomenclatura, definir a hierarquia e estabelecer as dimensões complementares.
Depois vêm os termos oficiais, os campos fechados e a padronização de formatos de valor, data e outras informações relevantes.
Tudo isso precisa ser documentado.
Um manual vivo, com regras, exceções e casos-limite, controle de versão e alguém claramente responsável por sua manutenção.
Taxonomia sem dono envelhece rápido. Se ninguém governa a estrutura, em poucos meses começam a aparecer exceções criadas "só desta vez". Depois vêm outras. Quando se percebe, a base voltou a falar vários idiomas.
E o legado?
A base histórica costuma ser uma das partes que mais assustam quem inicia esse tipo de projeto. Não deveria paralisar a implantação.
Antes de sair limpando tudo, vale medir.
Qual percentual da base está inconsistente? Qual período realmente interessa para a análise? O dado será utilizado para relatório, saneamento operacional ou treinamento de um modelo de inteligência artificial?
Dependendo da resposta, pode ser necessário tratar determinada informação, excluí-la de um estudo específico ou simplesmente reconhecer aquela limitação metodológica.
Nem todo problema histórico precisa ser corrigido para sempre. Mas precisa ser conhecido antes que aquele dado seja utilizado para decidir alguma coisa.
Em projetos de IA, essa discussão se torna ainda mais relevante.
Usar quinze ou vinte anos de histórico pode significar misturar taxonomias diferentes, sistemas diferentes e critérios de cadastro adotados por equipes que nem sequer trabalhavam da mesma forma.
Mais dado não significa automaticamente dado melhor.
Por isso, uma data de corte pode ser muito mais inteligente do que simplesmente entregar toda a base histórica ao modelo.
Depois da implantação, eu acompanharia pelo menos duas dimensões em painel: qualidade dos dados, observando campos em branco, contradições e regras ainda não mapeadas, e acurácia da classificação.
Resultados próximos da perfeição merecem ser examinados com cuidado. Podem significar um excelente modelo, mas também uma amostra pouco desafiadora, critérios frágeis de validação ou ausência de testes independentes.
No outro extremo, uma acurácia baixa demais transforma a equipe em revisora permanente da máquina. E, nesse caso, recriamos justamente o trabalho operacional que queríamos eliminar.
O objetivo não é perseguir um número mágico, mas acompanhar a evolução, entender os erros e manter revisão humana onde ela realmente agrega segurança.
Em uma das experiências discutidas com gestores, um departamento jurídico que percorreu esse caminho passou a classificar por IA todos os processos cíveis e trabalhistas que entravam na operação.
O ponto mais interessante daquele caso, para mim, não foi o modelo utilizado.
Foi o fato de existir um manual de taxonomia antes da automação.
O que está em jogo
Existe uma corrida para adotar inteligência artificial no jurídico. Ao mesmo tempo, muitos projetos ainda ficam presos entre a prova de conceito e a operação real.
Quando isso acontece, a explicação costuma cair sobre a ferramenta, o fornecedor ou a resistência da equipe.
Em muitos casos, porém, há uma questão mais básica: a organização pediu inteligência a uma base que ainda não tinha ordem suficiente.
Taxonomia certamente não é o assunto mais atraente da agenda de Legal Ops.
É trabalho de fundação.
Quando está bem feito, quase ninguém percebe. Quando está mal feito, aparece em todo lugar: No relatório, no indicador, no provisionamento, na auditoria, no orçamento e, agora, também na inteligência artificial.
É essa estrutura que ajuda a separar um jurídico que conhece sua carteira daquele que ainda precisa administrá-la por aproximação.
Porque, em algum momento, o CFO, o auditor, a diretoria ou o conselho farão uma pergunta simples.
E o departamento jurídico precisará confiar na resposta.
Decidir no escuro também é uma decisão.
Só que é uma decisão que nenhum departamento jurídico precisa tomar.