Pesquisadores da Fudan e do Ant Group fizeram um LLM seguir um procedimento juridico baseado em grafo

Quase todos os advogados usam IA, mas poucos confiam nela. O motivo nao e o fato de o modelo poder confundir informacoes. Muito mais perigoso e quando ele pula silenciosamente uma etapa do procedimento e entrega um relatorio bem-acabado no qual falta alguma coisa. Analisamos o TG-RAG, uma abordagem que tenta resolver exatamente esse problema, e o que qualquer pessoa que desenvolva agentes para setores regulados pode aprender com ela.

A distancia entre o possivel e o real

Segundo um estudo da Anthropic de marco de 2026, em teoria os modelos conseguem executar quase 90% das tarefas das profissoes juridicas, enquanto, na pratica, a IA cobre cerca de 20%. Uma pesquisa da ILTA mostra que 94% dos escritorios de advocacia usam ou testam IA generativa, contra 80% um ano antes. No entanto, a maioria das ferramentas continua na fase de projeto-piloto. Na Russia, o quadro e semelhante: cerca de 88% dos advogados ja trabalham com redes neurais, mas 84% temem informacoes nao confiaveis e 80% precisam verificar cada resultado.

O autor da analise, o linguista aplicado Sergei Slepukhin, ve a raiz do problema na separacao do conhecimento. Ja sabemos armazenar conhecimento declarativo—o que dizem as normas e a pratica—em bancos vetoriais e de grafos. O conhecimento procedural—como agir—geralmente fica em prompts e arquivos como skills.md, ou seja, no mesmo tipo de texto que os proprios dados. Para um LLM, nao existe uma fronteira entre dados e instrucoes; por isso, em um dialogo longo, ele se afasta gradualmente da instrucao original. Isso e instruction drift, fenomeno que os autores do TG-RAG chamam de deriva cognitiva.

Como o TG-RAG funciona

A ideia e simples. O raciocinio de um modelo de raciocinio e texto comum entre as tags <think> e </think>. Se voce executa um modelo aberto em seu proprio servidor—por exemplo, Qwen ou DeepSeek R1-Distill no vLLM—controla o template do chat e pode acrescentar esse texto em nome do modelo. Ele dara continuidade ao texto como se fosse um pensamento proprio e nao o distinguira daquilo que ele mesmo gerou.

O sistema se baseia nessa propriedade. Um procedimento especializado, ou SOP, e formalizado como um grafo: os vertices sao etapas analiticas, e as arestas definem a ordem e as condicoes de transicao. O proprio programa executa o grafo. No limite de cada etapa, ele interrompe a geracao, insere no raciocinio a diretiva da proxima etapa e fornece o conhecimento necessario naquele exato momento. O procedimento define o rumo, enquanto a busca no banco de dados funciona de maneira pontual, em vez de despejar tudo em um unico contexto.

Um exemplo e o due diligence para a aquisicao de uma participacao em uma LLC. Depois da solicitacao dos documentos, o trabalho se divide em frentes: societaria, ativos, contratos, tributos, disputas, dividas e falencia, regulacao e sancoes. Todas convergem para uma matriz de riscos. Aqui sao necessarios tanto o multi-hop—reunir fatos de diferentes fontes—quanto o multi-step—percorrer cada ramificacao na ordem correta—. O erro pode nao ser um fato incorreto, mas uma etapa omitida que seja dificil de perceber durante a revisao.

Limitacoes e o que fazer a respeito

A primeira limitacao e tecnica: e necessario ter acesso ao prompt bruto e ao template do chat. Com APIs fechadas, nao e possivel inserir texto no raciocinio, pelo menos nao dessa forma. Portanto, a abordagem depende de modelos abertos executados na infraestrutura da propria organizacao, o que nem sempre e uma desvantagem para advogados que trabalham com dados confidenciais.

A segunda limitacao e metodologica. Alguem precisa criar o grafo do procedimento, e esse e um trabalho para um especialista. Ele deve descrever o SOP e as condicoes de transicao, e o grafo precisa ser atualizado quando as normas mudam. A abordagem e adequada a tarefas com um procedimento padrao ou descritivel, mas nao a analises criativas abertas. Alem disso, nao existem benchmarks reconhecidos para o direito em lingua russa, o que dificulta medir honestamente o ganho. O autor destaca isso de forma explicita e promete, na segunda parte, um experimento com dados proprios e uma analise das limitacoes. Nesta parte, ainda nao ha resultados dos autores do artigo.

A conclusao pratica para desenvolvedores e equipes de produto e a seguinte: se o agente atua em uma area com procedimento rigido—direito, compliance, medicina ou financas—pare de manter esse procedimento dentro do prompt. Transfira-o para uma estrutura explicita, como um grafo, e execute-o por software. Forneca o conhecimento etapa por etapa. Assim, o resultado fica mais facil de auditar: em vez de examinar toda a cadeia de raciocinio, voce verifica se os nos obrigatorios do grafo foram percorridos.