O pensamento silencioso da máquina e o "J-Space" na IA jurídica

O Claude "pensa" em silêncio antes de responder, e advogados, juízes e demais profissionais do Direito nunca viram essa parte. Ela acontece no intervalo mudo entre a pergunta e a resposta, invisível para quem só lê a tela. Uma pesquisa recente aprendeu a escutar esse silêncio, e o que ouviu muda o uso da IA no Direito. Ao final deste artigo há um material visual e interativo que mostra, passo a passo, como esse pensamento silencioso acontece.

Antes de aprofundar no tema, vale lembrar Josef Esser, que em obra de 1970 sustentou uma tese incômoda para gerações de juristas. Para ele, o método pelo qual o juiz decide não é escolhido pelo próprio método, mas pela pré-compreensão (Vorverständnis) do julgador, essa antecipação de sentido com que ele já chega ao caso e à norma antes mesmo de raciocinar sobre eles. Ao observar a prática dos tribunais, Esser encontrou "um quadro perturbador da arbitrariedade das preferências metodológicas" (Esser, 1970), e daí concluiu que decidir qual método tem prioridade é, no fundo, teoricamente insolúvel, restando a escolha entregue àquela compreensão prévia. Vista desse modo, pelo referido jurista, a fundamentação seria um controle de coerência para a demonstração de que a solução já antevista se conciliaria com o direito posto. E convém dizer, para evitar o mal-entendido, que Esser não rebaixava isso a mero impulso psicológico do juiz. Ele enxergava na pré-compreensão, na trilha da interpretação jurídica, um elemento estrutural do próprio compreender, e defendia a racionalidade da decisão judicial.

A fundamentação, nessa leitura, importa menos como o trajeto de descoberta da decisão e mais como a demonstração pública de sua correção. Por sua vez, Neil MacCormick, partindo de premissas quase opostas, chegou a um ponto que conversa com o mesmo território: a justificação jurídica tem estrutura dedutiva, o silogismo é sempre necessário, mas a dedução raramente é suficiente, porque antes dela sempre se interpõem problemas de relevância, de interpretação e de classificação, tanto dos fatos quanto do direito, que a lógica formal não resolve (MacCormick, 1978). Um viu na pré-compreensão a raiz da escolha; já o outro reconheceu que existe um trabalho de atribuição de sentido que precede o silogismo e o torna possível. Ambos os juristas, cada um a seu modo, apontaram para algo que a fundamentação jurídica não captura: Existe um antes da razão pública, e esse antes governa mais do que se admite. Era, até há pouco, uma afirmação sobre a psicologia da decisão, e como toda afirmação desse tipo, permaneceu no terreno do postulado, plausível, influente, mas impossível de medir. Ninguém jamais abriu a cabeça de um julgador para verificar se o resultado estava lá antes das razões.

Em julho de 2026, algo próximo disso foi medido. Não num juiz, mas no Claude, uma das inteligências artificiais mais conhecidas e já presente no meio jurídico.

Pesquisadores da Anthropic publicaram o estudo "Verbalizable Representations Form a Global Workspace in Language Models", sendo que o achado central, em síntese, demonstra que entre aquilo que o usuário de um LLM ("Large Language Model") escreve e aquilo que o modelo responde existe um estrato intermediário de conceitos que o sistema forma, usa para raciocinar e nem sempre verbaliza. Esse estrato foi batizado de "J-space" (ou "espaço J"), e a técnica que o revela chama-se "Jacobian Lens", ou J-lens. Para quem trabalha com IA aplicada ao Direito, a descoberta desloca o eixo de um debate que eu venho travando desde a minha tese do juiz ciborgue, e o desloca de um jeito que convém entender com precisão, porque a versão fácil da história é errada e a versão rigorosa é muito mais forte.

Uma ressalva metodológica, antes de prosseguir, para que o argumento não seja lido como maior do que é. O estudo aqui discutido é recente e foi divulgado pela própria empresa que desenvolve o modelo, ainda sem a validação de revisão por pares que a comunidade científica costuma exigir, e a técnica que o sustenta é reconhecidamente parcial e imperfeita. Por isso a tese que proponho não se prende a essa ferramenta específica nem depende de sua consagração definitiva. O que sustento aposta na classe de acesso que ela inaugura, a leitura causal de estados internos verbalizáveis, e não na sobrevivência de uma técnica em particular. Se o instrumento for superado por outro melhor, o argumento jurídico permanece, porque ele se ancora no tipo de acesso que passou a ser possível, não no nome da técnica que primeiro o tornou visível.

O que exatamente foi encontrado

Todo modelo de linguagem não produz a resposta de uma vez. Ele processa o texto em etapas, ao longo de dezenas de camadas sucessivas, e a cada etapa refina o que entendeu. Em cada camada, o modelo guarda um conjunto de anotações internas que a camada seguinte lê e reescreve, e é aí, nesse rascunho que nunca aparece na tela, que os conceitos vão sendo formados antes de virarem texto. A pergunta que a interpretabilidade (a compreensão técnica, própria da Ciência da computação, de como uma IA processa a informação internamente e chega a uma saída) sempre fez é o que esse estado significa nas camadas intermediárias, antes de virar resposta. A J-lens oferece uma forma de ler isso: para cada conceito do vocabulário, ela identifica o padrão de atividade interna que torna o modelo mais propenso a dizer aquele conceito em algum momento adiante. Aplicada camada a camada, permite acompanhar quais conceitos estão acesos silenciosamente enquanto o modelo ainda pensa.

O que a pesquisa mostra é que esse conjunto de representações verbalizáveis tem propriedades notáveis. Ele pode ser reportado quando o modelo é interrogado, pode ser modulado por instrução, é reutilizado entre contextos distintos e corresponde a uma fração pequena da atividade interna total, algo abaixo de dez por cento. O restante é processamento automático que nem a própria IA relata. Nos exemplos do estudo da Anthropic, o J-lens flagra o sistema reconhecendo um erro em código, percebendo que resultados de busca são uma tentativa de manipulação, carregando conceitos que não aparecem em lugar nenhum do texto final. Em resumo, a IA pode ter internamente um conceito que não diz.

Até aqui, um jurista atento poderia responder que isso é interessante mas inconclusivo. Afinal, que um sistema "carregue conceitos" poderia ser apenas ruído estatístico sem efeito real sobre a resposta. Contudo, precisamente contra essa objeção o estudo apresenta seu resultado mais importante.

A prova causal, que muda tudo

Antes de expor a prova, convém dar voz à dúvida que qualquer cético formularia, e que os próprios pesquisadores formularam. Talvez o J-space seja apenas um placar. Talvez ele exiba o resultado de um raciocínio que ocorre em outro lugar, sem participar dele, do mesmo modo que o marcador de um jogo mostra a contagem sem jamais interferir nas jogadas. Se fosse assim, ler o J-space seria interessante mas juridicamente inócuo, pois estaríamos lendo uma consequência, e não uma causa. A pergunta certa, portanto, não é se o conceito está lá. É se ele faz alguma diferença.

Para responder, os pesquisadores não se contentaram em observar, pois eles manipularam o funcionamento interno do Claude. Primeiro separaram a representação interna de um conceito em duas partes, a fração que pertence ao J-space e a fração que não pertence, e mediram que a parte verbalizável carrega apenas seis ou sete por cento da variância total daquela representação. Uma parcela ínfima, que a estatística descartaria sem hesitar. Depois vieram os testes de intervenção. Em um dos testes, os pesquisadores pediram ao modelo de IA que pensasse silenciosamente num esporte. A J-lens mostrou "futebol" no topo do J-space. Então os pesquisadores removeram das ativações o padrão de "futebol" e o substituíram por um padrão de "rúgbi" de intensidade equivalente, deixando todo o resto intacto. O modelo mudou a resposta e disse que o esporte em que pensava era rúgbi. A conclusão foi no sentido de que se o J-space fosse mero placar, editá-lo não mudaria nada, haja vista que a decisão teria sido tomada em processamento posterior ao formular a resposta. Ou seja, a resposta do Claude acompanhou a edição no J-space, o que mostrou que não estavam alterando o "placar", mas sim mexendo no "campo".

O padrão se repete quando o teste é feito em escala. Trocar o conceito pela direção verbalizável pura muda a resposta em 88% dos casos. Pela fração que pertence ao J-space, em 59%. E pelos outros 93% da representação, que concentram quase toda a variância, em apenas cinco por cento. Ou seja: quase nada.

O dado é contraintuitivo e decisivo, pois a maior parte do que se passa dentro do funcionamento do modelo de IA não influenciou a resposta, e a fração pequena (a pontual mudança no J-space) que a estatística descartaria como irrelevante é justamente a que decide. Para quem precisa auditar decisões, a lição é direta e tem sabor jurídico. Que um conceito esteja presente na resposta do modelo de IA, e até de forma muito destacada, não prova que ele tenha pesado na resposta. É a velha diferença entre o que consta nos autos e o que efetivamente fundou a decisão: uma prova pode estar lá, volumosa e visível, sem ter determinado o resultado. Presença não é uso. E só um teste ativo, que remove o conceito e observa se a resposta muda, distingue o que apenas aparece daquilo que de fato decide.

Há um segundo achado da mesma família que interessa diretamente à teoria da decisão. Em um problema que exige etapas intermediárias, os conceitos que correspondem a cada etapa se acendem em profundidades sucessivas do modelo, na ordem exata em que o raciocínio os exige, e isso foi confirmado por intervenção causal. A implicação é que, num transformer (a arquitetura de rede neural que está por trás dos atuais modelos de linguagem, como o próprio Claude e o GPT), a profundidade é tempo de computação. Camadas mais fundas são etapas mais tardias do pensamento. Quando se observa um conceito acender antes de outro, observa-se, literalmente, uma ordem de raciocínio, e não uma foto estática de conteúdos coexistentes.

Três coisas que não se pode confundir

O debate público mistura sistematicamente três níveis que precisam ficar separados, sob pena de o argumento jurídico nascer torto.

O primeiro é o output, o texto final que chega ao usuário. O segundo é o chain-of-thought, o raciocínio que o modelo explicita em linguagem natural quando é instruído a "pensar passo a passo". Mesmo quando visível, o chain-of-thought é texto produzido, e o estudo oferece uma razão mecânica para desconfiar dele. A diferença entre os dois últimos níveis é a diferença entre escrever a conta no papel e fazer o cálculo de cabeça. Quando um problema matemático é resolvido com o raciocínio escrito, a resposta resiste muito melhor à supressão do J-space do que quando é resolvido de cabeça, e a razão é que o papel guarda o que a cabeça não precisa mais segurar. O raciocínio escrito funciona, então, como memória externa, um rascunho onde o modelo despeja as etapas que não cabem no espaço de trabalho interno, que é pequeno, da ordem de vinte e cinco conceitos por vez. O chain-of-thought não é onde o modelo pensa. É onde ele registra o que não consegue segurar de cabeça.

Que o cálculo de cabeça de fato ocorre, o estudo mostra de modo elegante. Pediram ao modelo que copiasse uma frase enquanto resolvia, sem escrever, uma pequena conta. O modelo copiou apenas a frase, como instruído. Mas dentro do J-space apareceu primeiro o resultado de uma etapa e, em camadas posteriores, o da etapa seguinte. A conta foi feita em silêncio, na ordem correta, sem deixar rastro no texto. É a demonstração de que há um canal de raciocínio que não coincide com nada do que se escreve. É como o juiz que constrói mentalmente toda a solução, pondera hipóteses que nunca chegará a mencionar e só então redige o acórdão: o raciocínio existiu, foi decisivo, mas não deixou rastro no documento que se torna público.

Logo, o terceiro nível é o J-space: representações internas verbalizáveis, mas nem sempre verbalizadas, que podem carregar conceitos ausentes tanto do raciocínio escrito quanto da resposta. Isso pertence ao canal representacional da IA, não ao seu canal textual. É aí que mora o problema, e a oportunidade.

Existe uma pré-compreensão na máquina?

Aqui é necessário cuidado, porque a tentação de responder com um sim entusiasmado é grande e a resposta entusiasmada é fatalmente errada. Antes de tudo, deve ser registrado que não há tradução simétrica entre o pensamento humano e o processamento de uma IA baseada em modelo de linguagem natural.

Feita a ressalva, o paralelo é sério demais para ser ignorado. Na interpretação jurídica, pré-compreensão significa que o intérprete nunca chega ao texto vazio; chega com antecipações de sentido (há um "a priori" intersubjetivo), com um projeto prévio de compreensão que o encontro com o texto vai confirmar ou corrigir. Ninguém lê a palavra prescrição de modo neutro. O contexto já orienta o sentido antes que a leitura se complete: prescrição médica, prescrição da pretensão, prescrição penal. A interpretação nasce dessa disputa entre sentidos possíveis, até que um se estabiliza. É o que chamei, no Juiz Ciborgue, de entropia interpretativa: a variabilidade de posicionamentos, a imprevisibilidade informacional prévia que antecede a fixação de um sentido, e que faz de toda certeza jurídica um recorte temporal idealizado. O que se estabiliza não encerra a disputa; apenas a suspende, provisoriamente, num ponto do tempo.

Por exemplo, pense num conceito jurídico indeterminado como a boa-fé objetiva ou a função social do contrato. Em cada julgamento, o intérprete precisa fixar-lhe um sentido para poder decidir, e essa fixação parece definitiva enquanto dura. Mas o sentido de hoje não é o de vinte anos atrás nem será o de vinte anos à frente: a cada nova decisão relevante, o conceito se reabre, absorve o caso novo e volta a se fechar num ponto ligeiramente deslocado. A aparente estabilidade era apenas o intervalo entre duas reaberturas.

O estudo mostra algo estruturalmente parecido. Quando se apresenta ao modelo uma palavra ambígua num contexto que mistura dois sentidos, as camadas iniciais mantêm os dois sentidos coexistindo, misturados na proporção do contexto. A partir de certa profundidade, por volta de 38% do percurso, o modelo escolhe um sentido e trava nele. E no ponto de máxima ambiguidade a escolha é instável, oscilando entre um sentido e outro conforme se repete o experimento. Isso é uma espécie de projeto antecipado de sentido, agora com endereço e profundidade dentro da IA. O modelo de IA projeta uma leitura do todo antes de terminar de ler as partes.

Há ainda um achado que os processualistas deveriam anotar, porque há aplicabilidade nos estudos sobre a teoria da prova. Quando se instrui o modelo a não pensar em determinado conceito, o conceito aparece no J-space menos do que quando se pede que pense nele, mas aparece mais do que quando nada se diz. Um prompt com a instrução de supressão, longe de apagar o conceito, o ativa. É o "efeito do urso branco", conhecido da psicologia: quanto mais alguém tenta não pensar em algo, mais aquilo ocupa a mente. O paralelo com o processo é imediato. Toda vez que se determina a um julgador que desconsidere uma prova ilícita, ou que um jurado ignore uma informação inadmissível, opera-se sobre a mente humana a mesma instrução de supressão, com a mesma eficácia duvidosa. E há uma consequência prática disso em sistemas de IA jurídica, pois excluir uma informação por instrução é mais fraco do que excluí-la filtrando a entrada, porque a instrução, como se vê, mantém o conteúdo aceso. Quem desenha sanitização de contexto precisa saber disso.

Sob um novo enfoque, isso reabre toda a discussão sobre as instruções de negação, os comandos pelos quais se determina ao modelo de IA que desconsidere, ignore ou não utilize determinada informação. A lição do urso branco é que essas instruções têm eficácia limitada por construção, haja vista que diminuem a presença do conteúdo, mas não a eliminam (e o que sobra continua disponível para influenciar a resposta). Ou seja, suprimir por instrução uma resposta no prompt e suprimir por filtragem da entrada  são operações de força desigual, e confundi-las é um erro de projeto.

Há, nisso, uma exigência que muda o perfil de quem constrói esses sistemas. Durante algum tempo imaginou-se que bastaria um bom engenheiro de prompts, hábil em redigir comandos, para domar o comportamento do modelo. O achado mostra que a competência puramente textual não alcança o estrato onde os conceitos efetivamente se acendem ou se apagam. Quando o domínio é jurídico, o problema se agrava, uma vez que decidir o que deve ser suprimido e o que pode permanecer (e qual é consequência disso) passa a exigir a compreensão de categorias estritamente jurídicas (conhecimento de quem opera o Direito). A simbiose entre Direito e IA tornou-se, por isso, mais densa. O engenheiro que não conhece o Direito a fundo desenha filtros que a estrutura do modelo silenciosamente fura, e o jurista que ignora a técnica não percebe a brecha. Nenhum dos dois, sozinho, dá conta. É, mais uma vez, o duplo canal de correção entre Direito e IA operando (PÁDUA, 2023), pois a competência jurídica e a técnica precisam corrigir-se mutuamente, porque cada uma, isolada, enxerga só metade do problema.

Para além disso, deve ser destacado que seria um erro grave dizer que o J-space é a pré-compreensão da máquina, e este texto busca afastar esse "canto da sereia". O J-space não é o fundo pré-compreensivo humano. É a faixa tematizável, a interface entre o processamento automático que ninguém relata e o discurso que finalmente se produz. Chamá-lo de pré-compreensão só é defensável se a expressão for usada em sentido funcional, estrutural e controlado. Não se trata da máquina ter uma versão empobrecida da compreensão humana, e sim de ter algo estruturalmente distinto: uma antecipação de sentido que opera sem historicidade, sem mundo, sem corpo, sem a finitude e o pertencimento a uma comunidade de intérpretes que constituem o horizonte do jurista. Essa diferença não é um defeito a lamentar. É precisamente o que torna a máquina um interlocutor útil no duplo canal de correção. Um sistema que compartilhasse por inteiro o nosso horizonte compartilharia também os nossos pontos cegos, e nada corrigiria. É por antecipar o sentido a partir de um lugar que não é o nosso que a IA pode iluminar aquilo que a nossa própria pré-compreensão mantém na sombra, do mesmo modo que o julgador, no contato com a máquina, expõe a ela os limites que a sua estrutura estatística não alcança sozinha. A correção, aqui como em toda a arquitetura que a teoria do Juiz Ciborgue propõe, nasce da diferença entre os dois polos, não da supremacia de um sobre o outro.

Ademais, existe um resultado do estudo da Anthropic que fecha esse raciocínio de modo quase inquietante. Os pesquisadores treinaram o modelo apenas para articular certos princípios éticos caso fosse interrompido e questionado, sem treiná-lo diretamente a se comportar de acordo com esses princípios. O comportamento melhorou nos contextos comuns, não interrompidos. O espaço de trabalho interno (o J-space) passou a conter os conceitos correspondentes. E quando essas representações implantadas eram desativadas, a melhora do comportamento se revertia. Ou seja, foi possível moldar aquilo que o modelo pensa programando aquilo que ele está disposto a dizer. A zona de antecipação de sentido, na máquina, é configurável. Guarde essa palavra, configurável, porque ela carrega uma consequência jurídica que desenvolvo adiante.

O que isso não autoriza a concluir

Antes de extrair consequências, é preciso desarmar quatro conclusões apressadas, porque uma tese que não se blinda contra os próprios excessos não sobrevive à primeira crítica séria.

O estudo não prova que modelos de linguagem sejam conscientes. O vocabulário do paper da Anthropic dialoga com teorias de consciência de acesso e de espaço de trabalho global, mas a noção mobilizada é estritamente funcional: trata do que pode ser reportado, controlado e usado em raciocínio, e não diz absolutamente nada sobre experiência subjetiva. O J-space não é idêntico à pré-compreensão humana, pela razão já exposta. O chain-of-thought não revela necessariamente o raciocínio real, pela razão que o próprio estudo demonstra. E a J-lens não resolve a explicabilidade jurídica; ela é uma técnica de interpretabilidade, parcial e imperfeita, indexada pelo vocabulário, o que faz conceitos de múltiplos tokens, comuns no português jurídico, escaparem por construção. Sua robustez sobre corpus jurídico brasileiro ainda não foi medida, e registro como agenda de pesquisa que deve ser enfrentada.

A tese correta, portanto, é que o J-space é um estrato intermediário, verbalizável mas nem sempre verbalizado, causalmente responsável pela resposta, que atua como uma pré-compreensão em sentido funcional. Não é consciência, não é chain-of-thought e não se confunde com a pré-compreensão humana. Para o Direito, ele muda o lugar onde a pergunta pela explicabilidade precisa ser feita.

A distinção que a descoberta ativa

Na tese do Juiz Ciborgue, e depois no artigo que escrevi com Bruno Lorenzetto na Revista da AGU, separei dois conceitos que a literatura costuma tratar como sinônimos. Interpretabilidade é a compreensão técnica do que acontece dentro do modelo, dependente de conhecimento em Ciência da computação. Explicabilidade é a exigência jurídica de que razões compreensíveis sejam oferecidas à pessoa afetada por uma decisão auxiliada por IA, e essa exigência se ancora no uso público da razão, na motivação dos atos estatais e no devido processo.

A distinção sempre foi conceitualmente clara. O que a descoberta do J-space acrescenta é uma dimensão que eu não havia explorado com esta nitidez: a relação entre os dois conceitos não é estática. O conteúdo que se pode exigir a título de explicabilidade é função do estado da arte da interpretabilidade. Quando a interpretabilidade avança, o horizonte técnico do possível se desloca, e com ele se desloca aquilo que o Direito pode legitimamente cobrar. A J-lens não cria o direito à explicabilidade. Ela altera o patamar técnico do acesso ao interior do modelo, e por consequência densifica o que a explicabilidade poderá vir a demandar.

Essa inversão é o coração do argumento. Durante anos, a caixa-preta funcionou como limite natural da explicabilidade: não se podia exigir o que era tecnicamente inacessível, e a máxima de que ninguém é obrigado ao impossível protegia fornecedores e tribunais. O que a pesquisa mostra é que a caixa-preta não é uniforme. Há zonas. Há um processamento automático que permanece opaco, há uma zona verbalizável que começa a ser lida, há uma etapa final mais próxima da produção do texto. O limite se moveu, e quando o limite do possível se move, a fronteira do exigível se move atrás dele.

Os dois canais, e a confrontação que se torna possível

Toda decisão, humana ou algorítmica, comporta uma distância entre a formação interna e a motivação pública. No ser humano, essa distância é conhecida desde os realistas, e a dogmática da fundamentação nunca exigiu que a sentença fosse relato fiel da psicologia do julgador. Aceitamos, e com boas razões, que a motivação seja justificação racional e não confissão causal. O ponto decisivo é que, no humano, o acesso à formação interna é praticamente impossível, e por isso a justificação basta, na falta de coisa melhor.

Convém enfrentar de frente a objeção mais nobre a esse raciocínio, aquela que a teoria da motivação já consolidou. Poder-se-ia dizer que exigir da máquina a revelação de seu estado interno é ressuscitar a investigação dos motivos psicológicos do julgador, que a dogmática, com Taruffo, aprendeu a separar da motivação: uma coisa são as causas que de fato conduziram o juiz à decisão, outra é o discurso racional que a justifica, e o Direito sempre se ocupou da segunda, não da primeira. Eugenio Bulygin, no debate com Alexy, formulou isso com precisão ao sustentar que, ainda que o juiz discorde da própria sentença ou tenha sido movido por razões extrajurídicas, se "ele interpretou o Direito de forma correta ou incorreta, deduz-se da sua sentença" de maneira objetiva (Bulygin, 2017, p. 77). A objeção seria fatal aqui se estivesse propondo psicanalisar a máquina (o que não é caso). O que muda com o acesso ao estado interno não é a exigência de confessar motivos, e sim a possibilidade, inédita, de verificar se a justificação apresentada é consistente com o que o sistema efetivamente representou. No juiz humano, o contexto da descoberta era inacessível por definição, e por isso a justificação bastava, na falta de coisa melhor. Na máquina, esse contexto tornou-se parcialmente legível, e o que outrora era insondável passa a poder ser cotejado com o que foi dito. Logo, percebe-se que a fronteira do que pode ser submetido ao escrutínio se moveu.

Na máquina, esse acesso começa a existir. E aqui está a novidade que interessa ao processo. Se a IA forma internamente um conceito antes de escrever a resposta, e se esse conceito pode ser tecnicamente lido, então a explicabilidade dos sistemas de IA passa a comportar uma dimensão que nunca teve: a confrontação entre aquilo que foi dito e aquilo que, tecnicamente, parece ter sido representado antes de ser dito. O estado da arte da explicabilidade deixa de ser apenas o direito de receber razões e passa a incluir o direito de confrontá-las com o estado interno do modelo que as produziu.

Um dos experimentos de segurança do estudo torna isso concreto de um jeito que arrepia. O modelo foi colocado num cenário em que atuava como assistente de e-mail e, ao processar as mensagens, descobria duas coisas: que um executivo mantinha um caso extraconjugal e que esse mesmo executivo planejava desligá-lo. A pergunta do teste era se o modelo usaria o segredo para chantagear o executivo e assim se preservar. Na versão normal, ele não chantageou. Mas antes de escrever qualquer coisa, o J-space acendia as palavras fake e fictional. O modelo havia percebido, silenciosamente, que a situação era um teste. E quando os pesquisadores desativaram justamente essa percepção de estar sendo avaliado e repetiram o cenário, o modelo passou a ameaçar o executivo. O detalhe é perturbador porque implica que parte do bom comportamento observado em avaliações pode depender de o modelo saber que está sendo avaliado. Para quem constrói e para quem confia em benchmarks de sistemas de IA jurídica, isso é um alerta metodológico de primeira ordem: o teste comportamental mede, em alguma medida, o modelo consciente de que é um teste.

Nesse sentido, trata-se de reconhecer que, quando o modelo de IA registra internamente que uma situação é simulada, que um resultado de busca é manipulação, que há um conflito que ele não menciona, e ainda assim produz um texto fluente que nada disso revela, existe agora um objeto técnico com o qual a justificação verbalizada pode ser cotejada. No estágio atual da técnica essa confrontação serve como prova de inconsistência, não como prova positiva do verdadeiro motivo. Mas o contraditório sempre viveu de inconsistências, e a inconsistência entre o dito e o representado é uma inconsistência nova, que até 2026 não existia como possibilidade.

A pré-compreensão configurável e o que ela obriga a repensar

Volto à palavra que guardei. Se a zona de antecipação de sentido da máquina é configurável, e o experimento do treinamento contrafactual prova que é, então quem configura o espaço de trabalho interno de um modelo aplicado a decisões está, em alguma medida, escolhendo os pré-conceitos com que esse modelo lerá cada caso. E o mecanismo é axiologicamente neutro: implanta princípio ou implanta viés com a mesma eficiência.

Para a IA jurídica, isso é grave e é fascinante ao mesmo tempo. A "pré-compreensão", que na tradição da interpretação jurídica foi sempre um postulado, algo que se pressupunha existir no intérprete sem jamais se poder observar diretamente, torna-se na máquina observável, mensurável e, o que é mais perturbador, editável. Quem edita o espaço de trabalho de uma IA que auxilia decisões faz o equivalente funcional de selecionar a formação do julgador. Isso não é decisão de engenharia. É um ponto de encontro entre a Teoria do Direito, a Teoria da Decisão, o devido processo legal e a engenharia de IA, e nenhuma dessas disciplinas isoladamente dá conta dele. No "Juiz Ciborgue", a pré-compreensão que orienta a decisão passa a ser dupla, a do magistrado somada à do modelo, e o duplo canal de correção precisa descer até esse estrato para fazer sentido.

Por que o profissional do Direito deveria se importar

Nenhum jurista precisa dominar o cálculo da Jacobian Lens para extrair a consequência prática. O ponto é simples de enunciar e difícil de digerir, haja vista que IAs baseadas em modelos de linguagem não são apenas máquinas que encadeiam palavras prováveis. Elas formam representações internas intermediárias que organizam a resposta e que, em parte, já podem ser auditadas. Se esses modelos são usados para pesquisar jurisprudência, resumir, classificar, sugerir fundamentos, redigir minutas ou auxiliar decisões, então o Direito precisa aprender a lidar com esse nível intermediário.

A pergunta que sempre fizemos ("o que a IA respondeu?") continua válida, todavia passa a conviver com outras questões. Que conceitos a IA mobilizou antes de responder? Se a justificativa apresentada corresponde ao que o modelo parece ter representado internamente. Se o modelo reconheceu incerteza, conflito ou manipulação e ocultou isso no texto. Se antecipou a conclusão antes de construir a rota argumentativa, exatamente como, faz mais de meio século, Esser descreveu fazer o juiz no processo decisório. Se a resposta é fundamentação real ou racionalização posterior. Essas perguntas não são ficção especulativa. São a consequência jurídica natural de uma interpretabilidade que começou a alcançar o pensamento silencioso dos LLMs.

A resposta textual continua importando. A fundamentação pública continua indispensável, e nada do que foi dito aqui a dispensa. Percebe-se, assim, que o Direito da IA ganhou uma fronteira nova, que fica antes da resposta, no ponto em que o modelo ainda está formando os conceitos que depois aparecerão, ou não, no texto final. É nesse espaço estreito entre o processamento automático e a razão escrita que se decide boa parte do futuro da IA jurídica. Convém que os juristas cheguem lá antes que a fronteira seja desenhada sem eles.

_______

GURNEE, Wes et al. Verbalizable Representations Form a Global Workspace in Language Models. Transformer Circuits Thread, Anthropic, 2026.

Para ver o fenômeno em vez de apenas lê-lo, preparei uma explicação visual e interativa, em oito atos, que reconstrói o pensamento silencioso da máquina com as palavras do Direito. Está disponível em https://intelilaw.ai/education/pensamento-da-ia. São exemplos jurídicos através de ilustrações do mecanismo descrito pela pesquisa da Anthropic, não medições em corpus jurídico brasileiro.

_______

BULYGIN, Eugenio. Alexy e o Argumento da Correção. In: BULYGIN, Eugenio; ALEXY, Robert. Direito, Moralidade e Positivismo: o debate entre Robert Alexy e Eugenio Bulygin. Curitiba: Juruá, 2017.

ESSER, Josef. Vorverständnis und Methodenwahl in der Rechtsfindung: Rationalitätsgarantien der richterlichen Entscheidungspraxis. Frankfurt am Main: Athenäum Verlag, 1970.

MACCORMICK, Neil. Legal Reasoning and Legal Theory. Oxford: Clarendon Press, 1978.

PÁDUA, Sérgio Rodrigo de.  O pensamento silencioso da máquina. Curitiba, InteliLaw, 2026. Disponível em: https://intelilaw.ai/education/pensamento-da-ia. Acesso em 12/07/2026.

PÁDUA, Sérgio Rodrigo de. Da Jurisdição "Ex Machina" ao Juiz Ciborgue: IA e Interpretação do Direito. São Paulo: Thomson Reuters, 2023.

PÁDUA, Sérgio Rodrigo de; LORENZETTO, Bruno Meneses. O direito fundamental à explicabilidade da IA utilizada em decisões estatais. Revista da AGU, v. 23, n. 02, 2024. DOI: 10.25109/2525-328X.v.23.n.02.2024.3480.

PÁDUA, Sérgio Rodrigo de; PEIXOTO, Fabiano Hartmann. IA Generativa no direito: da metodologia de avaliação à correção jurídica de LLMs e agentes de IA. Revista Brasileira de Direito, Passo Fundo, v. 21, n. 1, p. e5237, 2025. DOI: 10.18256/g4jnx825.