Jurimetria Preditiva e Legal Ops: Do Dado Bruto ao Contrato Blindado com Power BI e IA

1. Contexto do Problema

No setor de segurança e facilities, um problema crônico assola as empresas: o alto volume de litígios trabalhistas envolvendo a função de Vigia (CBO 5174-20). Contratos genéricos — muitas vezes apenas verbais — abrem brechas para pedidos de equiparação à profissão de Vigilante armado, resultando em passivos milionários de Adicional de Periculosidade, Horas Extras e Reconhecimento de Vínculo.

Para esta Proof of Concept (PoC), coletei uma amostra de 17 sentenças trabalhistas reais do TRT5 (Bahia), que se desdobraram em 65 pedidos específicos analisados. O objetivo era validar um pipeline tecnológico completo: extrair dados não estruturados de petições em PDF, aplicar Jurimetria Preditiva e, por fim, realizar engenharia reversa para criar um Contrato de Trabalho Blindado.

2. Objetivos Analíticos

• Descritivo: Identificar padrões históricos de condenação, rubricas mais frequentes e valores envolvidos.
• Preditivo: Calcular a probabilidade estatística de derrota em função da existência de prova testemunhal e o impacto financeiro esperado.
• Prescritivo: Redesenhar o contrato de trabalho e as políticas internas com base nos riscos mapeados, reduzindo a litigiosidade futura.

3. Dados e Modelagem Jurimétrica

A base bruta consistia em 17 arquivos PDF de sentenças e petições. Para extrair informações estruturadas sem violar a LGPD, utilizei o modelo de IA generativa Qwen2.5 7B Instruct (quantizado Q4_K_M) rodando 100% offline. O LLM leu os textos não estruturados e extraiu com alta precisão: valor da causa, objeto do pedido, existência de prova testemunhal e resultado (procedente/improcedente).

Em seguida, realizei a limpeza e modelagem em Python (Pandas), criando uma tabela fato com 65 pedidos, enriquecida com níveis de risco e anonimização das partes. O dataset foi carregado no Power BI seguindo um esquema estrela (Star Schema), com as dimensões: Calendário, Rubrica (pedido), Partes e Resultado.

import pandas as pd
import numpy as np

# Base extraída pelo Qwen2.5 (offline)
df = pd.read_csv('base_jurimetria_trt5_bruta.csv')

# Higienização financeira
df['Valor_Causa'] = pd.to_numeric(df['Valor_Causa'].fillna(0))

# Classificação de risco baseada no tema do pedido
risco_alto = ['Adicional de Periculosidade', 'Horas Extras', 'Reconhecimento de Vínculo']
df['Nivel_Risco'] = np.where(df['Objeto_Acao'].isin(risco_alto), 'Alto', 'Moderado')

# Anonimização total (LGPD Compliance)
df['Reclamante'] = 'Anonimizado_' + df.index.astype(str)

df.to_csv('fato_pedidos_clean.csv', index=False)

4. Visão Geral do Dashboard

O painel do Power BI foi estruturado para fornecer insights acionáveis ao departamento jurídico e à alta gestão:

• Visão Preditiva: Mostra o passivo total (R$ 1,05M), a probabilidade macro de derrota (43,08%) e o impacto brutal da prova testemunhal (derrota sobe para 75% quando há testemunha sólida).
• Matriz de Risco por Rubrica: Detalha a frequência e a taxa de perda por pedido. Destaque para Adicional de Periculosidade (83,33% de derrota) e Horas Extras (40% de derrota).
• Lead Time e Acordos: Lead time médio de 207 dias e taxa de rejeição de acordos de 47,06%, indicando oportunidade de melhoria na estratégia negocial.

// Medida: Probabilidade de Derrota dado que há prova testemunhal
Prob_Derrota_ComTestemunha =
VAR TotalCasosComTest = CALCULATE(COUNTROWS(fPedidos), fPedidos[TestemunhaDecisiva] = "Sim")
VAR DerrotasComTest = CALCULATE(COUNTROWS(fPedidos), fPedidos[TestemunhaDecisiva] = "Sim", fPedidos[Resultado] = "Condenado")
RETURN DIVIDE(DerrotasComTest, TotalCasosComTest, 0)

5. Principais Insights Jurimétricos

Outros achados: Reconhecimento de Vínculo foi o pedido mais frequente (15 ocorrências), e Horas Extras apareceu em 10 casos com 40% de derrota. A análise mostrou que a empresa estava sendo condenada por fatos que poderiam ter sido evitados com cláusulas contratuais adequadas e políticas internas claras.

6. Perspectiva Financeira e Contábil

O passivo declarado na amostra alcançou R$ 1.049.758,45. Projetando para a carteira total de processos da função Vigia, estimou-se um risco fiscal superior a R$ 8 milhões nos próximos 24 meses, caso nenhuma medida fosse tomada. Do ponto de vista contábil, o dashboard permitiu:

• Calcular a Provisão para Riscos Trabalhistas (PRT) com base na probabilidade de derrota por rubrica.
• Identificar que o custo médio por processo vencido é de R$ 61.750,00, impactando diretamente o EBITDA.
• Simular o efeito de um contrato blindado: redução de 70% no risco de periculosidade e 50% em horas extras, gerando savings anuais estimados em R$ 380 mil para uma média de 20 processos/ano.

7. Perspectiva Jurídica, Compliance e Legal Ops

A abordagem deste projeto respeitou integralmente a LGPD: o modelo Qwen2.5 rodou localmente, sem envio de dados sensíveis para APIs externas. Além disso, a análise preditiva permitiu à empresa adotar uma postura proativa:

Nota analítica: Este projeto não constitui parecer jurídico formal, mas sim uma demonstração de como a Jurimetria e o Legal Ops podem fornecer subsídios baseados em dados para a tomada de decisão preventiva.

8. Qualidade dos Dados e Limitações

A principal limitação é o tamanho da amostra (17 sentenças), tratada como um toy dataset para validar o pipeline. Embora os insights sejam estatisticamente consistentes para essa amostra, a escalabilidade para milhares de processos exigiria um processo automatizado de ingestão via API do tribunal (ex.: PJe) e maior poder computacional para o LLM. Além disso, a precisão da extração do Qwen2.5 depende da qualidade do PDF (OCR quando digitalizado). Apesar disso, o modelo provou ser eficaz para textos bem formatados.

9. Resultados e Impacto no Negócio

10. Aprendizados e Próximos Passos

A maior lição foi o poder da engenharia reversa contratual a partir de dados judiciais. O departamento jurídico deixou de ser um centro de custo reativo e passou a atuar como parceiro de business intelligence. Como próximos passos:

• Expandir a base para 500+ sentenças utilizando crawlers do PJe e escalar o LLM em GPU.
• Construir um modelo preditivo de risco individualizado para cada novo processo (machine learning).
• Automatizar a geração de minutas de acordo com base no nível de risco calculado pelo dashboard.

11. Conclusão

Este projeto demonstra a transformação completa da gestão de passivos trabalhistas: começamos com petições obscuras em PDF, extraímos dados com IA local (Qwen2.5) em conformidade com a LGPD, auditamos mais de R$ 1 milhão de risco financeiro no Power BI, e finalizamos com um Contrato de Trabalho Blindado, capaz de proteger o empregador antes mesmo da judicialização.

Quando a Jurimetria Estratégica encontra o Legal Ops, o direito deixa de ser reativo e passa a gerar savings reais e previsibilidade para o negócio. Esse é o futuro da advocacia corporativa e da governança de riscos.