Capítulo I: Inteligência Artificial Avançada – Da Geração à Agência Autônoma
1.1. Arquiteturas Generativas e a Mitigação de Alucinações (RAG)
O advento dos LLMs, como GPT-4, Claude e Llama, introduziu no direito a capacidade de processamento de linguagem natural (NLP) em escala sem precedentes. No entanto, a aplicação dessas tecnologias em ambientes de alto risco (high-stakes), como o judiciário, enfrenta um obstáculo técnico severo: a alucinação. Alucinações ocorrem quando o modelo gera informações factualmente incorretas ou jurisprudência inexistente com alta confiança estatística, um fenômeno derivado da natureza probabilística da predição de tokens.1
Para mitigar esse risco e tornar a IA viável para a consultoria jurídica complexa, a arquitetura de Retrieval-Augmented Generation (RAG) emergiu como o padrão técnico dominante em 2025. O RAG altera o paradigma de geração de texto ao introduzir uma etapa intermediária de recuperação de informação. Em vez de confiar apenas nos pesos paramétricos do modelo (memória implícita), o sistema consulta uma base de conhecimento vetorial externa (memória explícita) contendo legislação, doutrina e jurisprudência atualizada antes de gerar uma resposta.
A mecânica do RAG jurídico envolve processos sofisticados de engenharia de dados:
Ingestão e Chunking: Documentos legais extensos são fragmentados em unidades semânticas menores (chunks), preservando o contexto legal.
Vector Embeddings: Estes fragmentos são convertidos em vetores numéricos de alta dimensão através de modelos de embedding, capturando o significado semântico além da correspondência de palavras-chave.
Recuperação Semântica: Quando uma consulta é realizada, o sistema busca os vetores mais próximos no espaço latente da base de dados vetorial.
Geração Condicionada: O LLM gera a resposta condicionada estritamente aos fragmentos recuperados, citando as fontes específicas.3
Pesquisas recentes, como o desenvolvimento do benchmark LexRAG, demonstram que sistemas RAG ajustados para o domínio legal superam significativamente modelos genéricos em tarefas de consultoria multi-turno. O LexRAG avalia não apenas a precisão da resposta, mas a capacidade do sistema de recuperar os artigos legais corretos em um diálogo progressivo, reduzindo drasticamente a taxa de alucinação e aumentando a confiabilidade para uso profissional.3
1.2. A Ascensão da IA Agêntica (Agentic AI) e Automação Cognitiva
Enquanto a IA Generativa foca na criação de conteúdo, a fronteira tecnológica de 2025 reside na IA Agêntica (Agentic AI). Diferente de um chatbot passivo que aguarda um prompt, agentes autônomos são sistemas desenhados para perseguir objetivos complexos através de planejamento, raciocínio e execução de ações sequenciais.6
No contexto jurídico, um agente autônomo não apenas “escreve um contrato”, mas executa um fluxo de trabalho completo (workflow):
Percepção: O agente recebe a instrução de realizar uma due diligence corporativa.
Decomposição de Tarefas: Utilizando técnicas de Chain-of-Thought (CoT), o agente quebra o objetivo em sub-tarefas: consultar CNPJ na Receita Federal, verificar certidões em tribunais, analisar balanços financeiros.
Uso de Ferramentas (Tool Use): O agente acessa APIs externas, navega em sites governamentais e interage com bancos de dados SQL de forma autônoma para coletar os dados.
Síntese e Ação: O agente compila as informações, identifica riscos legais com base em parâmetros pré-definidos e redige o relatório final para revisão humana.8
Essa transição de ferramentas de suporte para agentes autônomos levanta a discussão sobre a “substituição versus aumento” (substitution vs. augmentation). Estudos indicam que, embora a IA Agêntica tenha o potencial de automatizar tarefas cognitivas complexas, o modelo predominante e eticamente aceitável é o de “human-in-the-loop” (humano no circuito).10 A responsabilidade final pela estratégia jurídica e pela validação ética das ações do agente permanece com o advogado, transformando o profissional em um “arquiteto de sistemas jurídicos” em vez de um executor de tarefas repetitivas.12 A OAB, atenta a esse movimento, reforça a necessidade de supervisão humana para evitar a mercantilização indevida e a despersonalização do serviço jurídico.14
1.3. Explainable AI (XAI) e a Transparência Algorítmica
A opacidade dos algoritmos de Deep Learning, frequentemente descritos como “caixas pretas”, apresenta um conflito direto com princípios fundamentais do direito, como o devido processo legal e a fundamentação das decisões judiciais (art. 93, IX, da Constituição Federal). Se um algoritmo auxilia um juiz na dosimetria da pena ou na análise de risco de crédito, a parte afetada tem o direito de saber por que aquela decisão foi tomada.16
O campo da Explainable AI (XAI) busca resolver esse impasse desenvolvendo técnicas para tornar os modelos interpretáveis. Métodos como SHAP (Shapley Additive Explanations) e LIME (Local Interpretable Model-agnostic Explanations) permitem decompor a predição do modelo, atribuindo valores de importância a cada variável de entrada (feature importance). No judiciário, isso significa que um sistema de suporte à decisão deve ser capaz de explicar que o risco de reincidência foi calculado como alto devido ao histórico de crimes violentos e não devido a variáveis sensíveis como o endereço residencial (que poderia ser um proxy para raça ou classe social).18
A implementação de XAI é crucial para a mitigação de viés algorítmico. Modelos treinados em dados históricos tendem a replicar e amplificar preconceitos sociais existentes (como visto no caso COMPAS nos EUA). A transparência proporcionada pelo XAI permite auditorias técnicas e jurídicas, garantindo que os sistemas de IA operem dentro dos limites éticos e legais estabelecidos por regulações emergentes e notas técnicas da OAB.20
1.4. Títulos de Pesquisa Acadêmica e Palavras-Chave (IA)
Com base na análise técnica, sugerem-se as seguintes linhas de pesquisa avançada:
Título: “Alucinação ou Hermenêutica Computacional? A Eficácia das Arquiteturas RAG (Retrieval-Augmented Generation) na Fundamentação Jurídica Automatizada e o Controle de Legalidade.”
Palavras-Chave: Retrieval-Augmented Generation (RAG); Vector Embeddings; Legal Hallucination Mitigation; Computational Hermeneutics; Large Language Models (LLMs).
Título: “Agência Autônoma e Responsabilidade Civil: Imputação de Danos em Workflows Jurídicos Executados por Sistemas de IA Agêntica (Agentic AI).”
Palavras-Chave: Agentic AI; Autonomous Legal Agents; Chain-of-Thought Reasoning; Vicarious Liability; Human-in-the-loop Supervision; Task Decomposition.
Título: “A Caixa Preta do Judiciário: Explainable AI (XAI) como Requisito de Validade Constitucional para Decisões Apoiadas por Algoritmos.”
Palavras-Chave: Explainable AI (XAI); Shapley Values in Law; Algorithmic Due Process; Judicial Transparency; Algorithmic Bias Mitigation.
Capítulo II: Blockchain, Smart Contracts e a Verdade Criptográfica
A tecnologia Blockchain transcendeu sua aplicação inicial em criptomoedas para se estabelecer como uma infraestrutura robusta de confiança distribuída (Distributed Ledger Technology – DLT). No direito, o foco deslocou-se para a complexidade operacional dos Smart Contracts e a intersecção entre a lógica determinística do código e a fluidez das relações jurídicas do mundo real.
2.1. O Problema do Oráculo (The Oracle Problem) e a Conexão com o Mundo Off-Chain
Smart Contracts são programas autoexecutáveis que residem na blockchain. Sua característica definidora é o determinismo: dado um input X, o contrato sempre produzirá o output Y. No entanto, blockchains são ecossistemas isolados; elas não têm acesso nativo a dados externos (off-chain), como a cotação do dólar, a temperatura de uma carga ou uma sentença judicial publicada no diário oficial.22
Para que um contrato inteligente tenha utilidade prática no mundo real, ele depende de Oráculos — middlewares que alimentam a blockchain com dados externos. Aqui reside o “Problema do Oráculo”: a introdução de um oráculo cria um ponto central de falha. Se o oráculo fornecer dados incorretos (seja por erro técnico ou manipulação maliciosa), o contrato executará uma transação irreversível baseada em uma premissa falsa.
A solução técnica avançada envolve o uso de Redes de Oráculos Descentralizados (DONs), como a Chainlink. Estes protocolos agregam dados de múltiplos nós independentes e utilizam mecanismos de consenso para validar a veracidade da informação antes de inseri-la no contrato inteligente. Isso mitiga o risco de manipulação e aumenta a resiliência do sistema.25 Juridicamente, o desafio reside na atribuição de responsabilidade civil em caso de falha do oráculo descentralizado: quem responde pelo prejuízo quando a rede de oráculos falha? A resposta exige novas teorias sobre responsabilidade em organizações autônomas descentralizadas (DAOs).22
2.2. Verificação Formal de Smart Contracts: O Código como Lei
A imutabilidade da blockchain significa que bugs em contratos inteligentes não podem ser corrigidos facilmente após o deploy. Vulnerabilidades como ataques de reentrância podem resultar em perdas financeiras catastróficas. Para o direito, a segurança do código torna-se sinônimo de segurança jurídica.
A Verificação Formal surge como o padrão ouro para a auditoria de Smart Contracts. Diferente de testes de software tradicionais, que verificam casos de uso específicos, a verificação formal utiliza métodos matemáticos rigorosos para provar que o código adere a uma especificação lógica em todos os cenários possíveis. Ferramentas de verificação formal traduzem a lógica do contrato em teoremas matemáticos que são então provados como verdadeiros ou falsos.28
Para o jurista, a verificação formal oferece uma garantia técnica de que a intenção contratual das partes (a especificação) foi traduzida corretamente para a linguagem de máquina (o código), minimizando a distância entre a vontade das partes e a execução algorítmica.
2.3. Zero-Knowledge Proofs (ZKPs): Privacidade em Ledgers Públicos
A transparência radical das blockchains públicas (como Ethereum) entra em conflito direto com as leis de proteção de dados (LGPD/GDPR) e o sigilo comercial. Como utilizar a segurança de uma blockchain pública para registrar transações ou identidades sem expor dados sensíveis?
As Provas de Conhecimento Zero (Zero-Knowledge Proofs – ZKPs), especificamente protocolos como zk-SNARKs e zk-STARKs, resolvem este paradoxo. ZKPs permitem que uma parte (o provador) convença outra parte (o verificador) de que uma afirmação é verdadeira, sem revelar nenhuma informação além da veracidade da própria afirmação.31
Aplicações Jurídicas de ZKPs:
Identidade Autossoberana (SSI): Um usuário pode provar criptograficamente que é maior de 18 anos para acessar um site restrito, sem revelar sua data de nascimento ou nome real.
Sigilo Bancário: Transações financeiras podem ser validadas pela rede quanto à suficiência de fundos sem revelar o saldo da conta ou a identidade das partes envolvidas.33
Compliance Regulatório: Empresas podem provar solvência ou conformidade com regras de KYC/AML (Know Your Customer / Anti-Money Laundering) sem expor sua base de clientes a auditores externos.36
2.4. Títulos de Pesquisa Acadêmica e Palavras-Chave (Blockchain)
Título: “O Paradoxo do Oráculo e a Responsabilidade Civil em Contratos Inteligentes: Uma Análise da Confiabilidade de Redes Descentralizadas (DONs) no Direito Privado.”
Palavras-Chave: Decentralized Oracle Networks (DONs); Smart Contract Liability; Oracle Manipulation Risk; Chainlink Protocols; Off-chain Data Integration; Trust-minimized Applications.
Título: “Verificação Formal como Standard de Diligência Contratual: A Obrigação de Auditoria Matemática em Smart Contracts de Alto Valor.”
Palavras-Chave: Formal Verification Methods; Solidity Logic Security; Mathematical Proof of Intent; Smart Contract Auditing; Code Correctness; Automated Theorem Proving.
Título: “Privacidade em Ledgers Públicos: A Compatibilidade das Zero-Knowledge Proofs (ZKPs) com o Direito ao Esquecimento e a LGPD.”
Palavras-Chave: Zero-Knowledge Proofs (ZKPs); zk-SNARKs; Privacy-Preserving Blockchain; GDPR Compliance on-chain; Self-Sovereign Identity (SSI); Cryptographic Privacy.
Capítulo III: Analytics Jurídico e a Nova Jurimetria – Da Correlação à Causalidade
A Jurimetria, aplicação de métodos quantitativos ao direito, está passando por uma revolução metodológica. A primeira geração de ferramentas focou em estatística descritiva e preditiva baseada em correlações lineares. A nova fronteira, impulsionada pela ciência de dados avançada, é a IA Causal (Causal AI) e a modelagem probabilística complexa.
3.1. Inferência Causal: Superando a Correlação Espúria
Modelos tradicionais de Machine Learning são excelentes em identificar correlações (“processos com a palavra-chave X tendem a ser julgados improcedentes”), mas falham em explicar a causalidade (“a improcedência foi causada pela palavra-chave ou por outro fator oculto?”). No direito, confundir correlação com causalidade pode levar a estratégias processuais desastrosas e políticas públicas ineficazes.37
A Inferência Causal utiliza ferramentas como Grafos Acíclicos Dirigidos (DAGs) e o cálculo do-operator de Judea Pearl para modelar relações de causa eefeito. Isso permite simular intervenções contrafactuais: “Qual seria a probabilidade de vitória se tivéssemos utilizado o argumento Y em vez de X?”. Essa capacidade transforma a jurimetria de uma ferramenta meramente preditiva para uma ferramenta prescritiva e estratégica, permitindo aos advogados desenhar teses com base em evidências causais robustas.39
3.2. Redes Bayesianas na Valoração da Prova
A incerteza é inerente ao processo judicial. As Redes Bayesianas oferecem uma estrutura matemática para modelar essa incerteza, permitindo atualizar a probabilidade de um fato (hipótese) à medida que novas evidências são apresentadas. Diferente da lógica binária, a abordagem bayesiana quantifica o peso probatório de cada elemento, auxiliando juízes e advogados a avaliarem a força de um conjunto probatório de forma racional e auditável.41
3.3. Perfilamento Judicial e Ética
O uso de Analytics para criar perfis detalhados de magistrados (judicial profiling) tornou-se uma prática comum, mas controversa. Algoritmos analisam milhares de decisões pretéritas para prever como um juiz específico decidirá um caso novo. Embora legalmente permitido como inteligência competitiva, o uso massivo dessas ferramentas levanta preocupações éticas sobre o “forum shopping algorítmico” — a tentativa de direcionar casos para juízes estatisticamente mais favoráveis — e a potencial violação da privacidade funcional dos magistrados.43
3.4. Títulos de Pesquisa Acadêmica e Palavras-Chave (Analytics)
Título: “Além da Correlação: A Aplicação de Inferência Causal (Causal AI) e Grafos Acíclicos Dirigidos (DAGs) na Estratégia Processual e Políticas Públicas.”
Palavras-Chave: Causal Inference in Law; Directed Acyclic Graphs (DAGs); Counterfactual Reasoning; Predictive vs. Prescriptive Analytics; Pearl’s Do-Calculus; Legal Causality.
Título: “Jurimetria Probabilística: O Uso de Redes Bayesianas na Valoração Racional da Prova e na Tomada de Decisão Judicial.”
Palavras-Chave: Bayesian Networks; Probabilistic Legal Reasoning; Evidence Valuation Models; Judicial Probability; Decision Support Systems; Uncertainty Modeling.
Título: “Ética e Regulação do Perfilamento Judicial Massivo: Limites entre Inteligência Estratégica e Manipulação do Sistema de Justiça.”
Palavras-Chave: Judicial Profiling; Legal Big Data Ethics; Algorithmic Forum Shopping; Judge Analytics; Strategic Litigation; Data Privacy in Judiciary.
Capítulo IV: Online Dispute Resolution (ODR) – Justiça Algorítmica e Teoria dos Jogos
O ODR (Online Dispute Resolution) evoluiu de simples plataformas de videoconferência para ecossistemas complexos de justiça digital, integrando Design de Mecanismos e Inteligência Híbrida. O objetivo não é apenas facilitar a comunicação, mas estruturar o ambiente de negociação para maximizar a probabilidade de acordo.
4.1. Teoria dos Jogos e Mecanismos de Negociação Automatizada
Plataformas avançadas de ODR utilizam a Teoria dos Jogos para criar incentivos que induzam as partes à cooperação. Um exemplo proeminente é o algoritmo de Blind Bidding (Leilão às Cegas). Neste mecanismo, ambas as partes submetem propostas de acordo secretas ao sistema. Se as propostas se cruzam ou caem dentro de uma Zona de Possível Acordo (ZOPA) pré-definida, o algoritmo declara o acordo automaticamente (geralmente pela média dos valores), sem revelar o limite máximo que a outra parte estava disposta a pagar. Isso elimina o desgaste emocional e o “teatro” da negociação posicional, alcançando o Equilíbrio de Nash de forma eficiente.45
Outros sistemas, como o SmartSettle, utilizam algoritmos de otimização multivariável para sugerir pacotes de acordo que atingem a Eficiência de Pareto — um estado onde não é possível melhorar a situação de uma parte sem piorar a da outra, garantindo que o valor deixado na mesa seja minimizado.46
4.2. Inteligência Híbrida e a “Quarta Parte”
O conceito de “Quarta Parte” no ODR refere-se à tecnologia atuando como um mediador auxiliar, ao lado das duas partes em conflito e do mediador humano (terceira parte). A tendência para 2025 é a Inteligência Híbrida, onde a IA realiza a triagem inicial, sugere bases de acordo com base em precedentes e analisa sentimentos nas mensagens trocadas, enquanto o mediador humano foca na empatia e na resolução de impasses complexos. Essa colaboração homem-máquina permite escalar o acesso à justiça sem perder a humanidade necessária para a resolução de conflitos sensíveis.48
4.3. Títulos de Pesquisa Acadêmica e Palavras-Chave (ODR)
Título: “Teoria dos Jogos Aplicada à Justiça Digital: A Eficiência de Mecanismos de ‘Blind Bidding’ e Otimização de Pareto em Plataformas de ODR.”
Palavras-Chave: Game Theoretic ODR; Blind Bidding Algorithms; Pareto Efficiency in Settlement; Automated Negotiation Mechanisms; Zone of Possible Agreement (ZOPA); Nash Equilibrium.
Título: “A Quarta Parte Algorítmica: Inteligência Híbrida e a Colaboração Humano-IA na Mediação de Conflitos Online.”
Palavras-Chave: Hybrid Intelligence Systems; Human-in-the-loop ODR; Algorithmic Dispute Resolution; Affective Computing in Mediation; Digital Justice Design; The Fourth Party.
Título: “Design de Sistemas de Disputa (DSD) e Acesso à Justiça: A Padronização Algorítmica como Ferramenta de Inclusão ou Exclusão Jurídica?”
Palavras-Chave: Dispute System Design (DSD); Algorithmic Normativity; Access to Digital Justice; ODR Standardization; User-Centric Legal Design.
Capítulo V: Biometria, Prova Digital e Segurança Bancária
A biometria consolidou-se como o pilar central da identidade digital, especialmente no setor financeiro brasileiro. Contudo, a sofisticação das fraudes, impulsionada por IA Generativa (Deepfakes), criou uma corrida armamentista tecnológica. A jurisprudência e a perícia forense precisam evoluir para lidar com ataques de injeção e a preservação da cadeia de custódia digital.
5.1. Liveness Detection: A Defesa Técnica contra Deepfakes
A autenticação biométrica facial enfrenta dois tipos principais de ameaças:
Ataques de Apresentação (Presentation Attacks – PAs): O fraudador apresenta um artefato físico à câmera, como uma foto impressa, um vídeo em tablet ou uma máscara de silicone.
Ataques de Injeção (Injection Attacks): O fraudador utiliza software (emuladores, câmeras virtuais) para injetar um fluxo de vídeo pré-gravado ou gerado por IA (deepfake) diretamente no aplicativo, contornando o sensor da câmera física.50
Para combater essas ameaças, a tecnologia de Liveness Detection (Prova de Vida) é indispensável e deve seguir padrões internacionais como a ISO/IEC 30107.
Liveness Ativa: Solicita que o usuário realize movimentos aleatórios (piscar, sorrir, virar o rosto). É eficaz, mas introduz fricção na experiência do usuário.
Liveness Passiva: Utiliza algoritmos de visão computacional para analisar, em um único frame, características imperceptíveis ao olho humano, como a textura da pele, reflexos de luz na córnea e distorções de profundidade, para distinguir um rosto vivo de uma reprodução. É a tendência dominante por ser transparente ao usuário.52
5.2. Cadeia de Custódia Digital e Jurisprudência do STJ
No âmbito jurídico, a validade da prova biométrica e de outros registros digitais (logs de acesso, geolocalização) depende estritamente da preservação da Cadeia de Custódia Digital. O Superior Tribunal de Justiça (STJ) tem consolidado entendimento de que provas digitais extraídas sem metodologia adequada — que garanta a integridade e a autenticidade dos dados — são inadmissíveis (HC 828.054 e outros precedentes).55
Técnicas como Hashing (algoritmos de resumo criptográfico como SHA-256) e registro em Blockchain são essenciais para garantir que a prova coletada não foi alterada posteriormente. Em casos de fraude bancária, o STJ tem aplicado a inversão do ônus da prova (Súmula 479), mas aceita tecnologias de device fingerprinting (impressão digital do dispositivo) e geolocalização (IP) como meios de prova para que os bancos demonstrem que a transação foi realizada pelo dispositivo confiável do cliente, afastando a responsabilidade da instituição.57
5.3. Títulos de Pesquisa Acadêmica e Palavras-Chave (Biometria)
Título: “A Guerra dos Deepfakes e a Prova de Vida: Validade Jurídica e Standards Técnicos (ISO 30107) na Detecção de Ataques de Apresentação e Injeção.”
Palavras-Chave: Biometric Liveness Detection; Presentation Attack Detection (PAD); Deepfake Forensics; Video Injection Attacks; Digital Contract Validity; ISO/IEC 30107.
Título: “Cadeia de Custódia Digital e a Jurisprudência do STJ: Integridade da Prova Biométrica e Georreferenciada em Litígios Bancários.”
Palavras-Chave: Digital Chain of Custody; Forensic Hashing; Admissibility of Digital Evidence; Banking Fraud Liability; Device Fingerprinting Legal Value; Geolocation Evidence.
Título: “Biometria Comportamental como Assinatura Digital: Aspectos Legais da Autenticação Contínua Baseada em Padrões de Uso.”
Palavras-Chave: Behavioral Biometrics; Continuous Authentication; Digital Signature Validity; Privacy in Biometrics; Fraud Prevention Algorithms.
Síntese e Conclusão: O Horizonte do Jurista Tecnológico
A análise integrada dos cinco temas de complexidade tecnológica — IA, Blockchain, Analytics, ODR e Biometria — revela um cenário onde a fronteira entre o direito e a ciência da computação está se dissolvendo. Em 2025, a competência jurídica exige mais do que o domínio da dogmática; exige letramento algorítmico.
A Inteligência Artificial, através de agentes autônomos e RAG, promete aumentar a produtividade, mas exige supervisão humana rigorosa para evitar alucinações e violações éticas. O Blockchain oferece uma infraestrutura de verdade inalterável, mas desafia o direito com a rigidez dos Smart Contracts e a necessidade de oráculos confiáveis. A Jurimetria evolui para a inferência causal, permitindo uma advocacia estratégica baseada em evidências científicas e não apenas em intuição. O ODR utiliza a matemática da teoria dos jogos para resolver conflitos de forma eficiente, redefinindo o acesso à justiça. Por fim, a Biometria e a prova digital tornam-se o campo de batalha central contra fraudes sofisticadas, exigindo padrões forenses robustos.
A academia jurídica brasileira tem a oportunidade e o dever de liderar essa discussão, produzindo pesquisas que não apenas descrevam essas tecnologias, mas que proponham marcos regulatórios e teóricos capazes de garantir que a inovação tecnológica sirva aos princípios fundamentais da justiça.
Referências citadas
Legally-Informed Explainable AI – arXiv, acessado em dezembro 5, 2025, https://arxiv.org/pdf/2504.10708
[2505.18426] Retrieval Augmented Generation-based Large Language Models for Bridging Transportation Cybersecurity Legal Knowledge Gaps – arXiv, acessado em dezembro 5, 2025, https://arxiv.org/abs/2505.18426
LexRAG: Benchmarking Retrieval-Augmented Generation in Multi-Turn Legal Consultation Conversation – arXiv, acessado em dezembro 5, 2025, https://arxiv.org/pdf/2502.20640?
Retrieval Augmented Generation Evaluation in the Era of Large Language Models: A Comprehensive Survey – arXiv, acessado em dezembro 5, 2025, https://arxiv.org/html/2504.14891v1
[2510.06999] Towards Reliable Retrieval in RAG Systems for Large Legal Datasets – arXiv, acessado em dezembro 5, 2025, https://arxiv.org/abs/2510.06999
Agentic AI Systems: The Future of Autonomous Intelligence in 2025 | by Sayali Kumbhar | Nov, 2025, acessado em dezembro 5, 2025, https://medium.com/@sayalisureshkumbhar/agentic-ai-systems-the-future-of-autonomous-intelligence-in-2025-5ed4579fb108
The Top 5 Frameworks Driving the Agentic AI Revolution in 2025, acessado em dezembro 5, 2025, https://medium.com/@admin_52806/the-top-5-frameworks-driving-the-agentic-ai-revolution-in-2025-ad9006e17e09
What are AI agents? Definition, examples, and types | Google Cloud, acessado em dezembro 5, 2025, https://cloud.google.com/discover/what-are-ai-agents
Agentic AI Explained – C3 AI, acessado em dezembro 5, 2025, https://c3.ai/blog/agentic-ai-explained/
Automation Rights: How to Rationally Design Humans-Out-of-the-Loop Law, acessado em dezembro 5, 2025, https://lawreview.uchicago.edu/online-archive/automation-rights-how-rationally-design-humans-out-loop-law
Full article: What Are Humans Doing in the Loop? Co-Reasoning and Practical Judgment When Using Machine Learning-Driven Decision Aids – Taylor & Francis Online, acessado em dezembro 5, 2025, https://www.tandfonline.com/doi/full/10.1080/15265161.2024.2353800
The Legal Industry Report 2025 – American Bar Association, acessado em dezembro 5, 2025, https://www.americanbar.org/groups/law_practice/resources/law-technology-today/2025/the-legal-industry-report-2025/
Why agentic AI is a fundamental shift for legal teams, acessado em dezembro 5, 2025, https://legal.thomsonreuters.com/blog/agentic-ai-from-statistical-patterns-to-strategic-partners/
OAB recomenda diretrizes para uso de IA generativa na prática jurídica – IBDFAM, acessado em dezembro 5, 2025, https://ibdfam.org.br/noticias/12393/OAB+recomenda+diretrizes+para+uso+de+IA+generativa+na+pr%C3%A1tica+jur%C3%ADdica
OAB divulga recomendações para uso da Inteligência Artificial (IA) na prática jurídica, acessado em dezembro 5, 2025, https://www.oabsp.org.br/jornaldaadvocacia/24-11-27-1725-oab-divulga-recomendacoes-para-uso-da-inteligencia-artificial-ia-na-pratica-juridica
Explainable Artificial Intelligence: A Survey of Needs, Techniques, Applications, and Future Direction – arXiv, acessado em dezembro 5, 2025, https://arxiv.org/pdf/2409.00265?
A Literature Review on Applications of Explainable Artificial Intelligence (XAI) – IEEE Xplore, acessado em dezembro 5, 2025, https://ieeexplore.ieee.org/iel8/6287639/10820123/10908240.pdf
Argumentation-Based Explainability for Legal AI: Comparative and Regulatory Perspectives, acessado em dezembro 5, 2025, https://arxiv.org/html/2510.11079
Ethical Challenges of Using Artificial Intelligence in Judiciary – arXiv, acessado em dezembro 5, 2025, https://arxiv.org/pdf/2504.19284
AI Bias in Legal Tech: Prevention Guide 2025 – Anytime AI, acessado em dezembro 5, 2025, https://www.anytimeai.ai/blog/ai-bias-in-legal-tech-prevention-guide-2025/
Reconciling Legal and Technical Approaches to Algorithmic Bias – Sony AI, acessado em dezembro 5, 2025, https://ai.sony/publications/Reconciling-Legal-and-Technical-Approaches-to-Algorithmic-Bias/
Smart Contract Accountability Problems: Default Oracle Liability as the Solution Leana Ter-Martirosyan – Columbia Library Journals, acessado em dezembro 5, 2025, https://journals.library.columbia.edu/index.php/CBLR/article/view/14257
The oracle problem in smart contracts: data privacy, security, and solutions* – Media Laws, acessado em dezembro 5, 2025, https://www.medialaws.eu/wp-content/uploads/2024/11/2-24-Chougule-Cantisani.pdf
Secure Oracles and Smart Contracts: The Role of Confidential Computing in Decentralized Trust – OpenMetal, acessado em dezembro 5, 2025, https://openmetal.io/resources/blog/secure-oracles-and-smart-contracts-the-role-of-confidential-computing-in-decentralized-trust/
Why Blockchain Oracles Are Critical for Smart Contract Success in 2025 – TAS, acessado em dezembro 5, 2025, https://tas.co.in/why-blockchain-oracles-are-critical-for-smart-contract-success-in-2025/
Blockchain Oracles in 2025: AI and Intent-Based DeFi | by Supra | Coinmonks – Medium, acessado em dezembro 5, 2025, https://medium.com/coinmonks/blockchain-oracles-in-2025-ai-and-intent-based-defi-3808af9e5acb
What Is an Oracle in Blockchain? » Explained | Chainlink, acessado em dezembro 5, 2025, https://chain.link/education/blockchain-oracles
What is Formal Verification in Smart Contract Auditing? – CertiK, acessado em dezembro 5, 2025, https://www.certik.com/resources/blog/what-is-formal-verification
The Importance of Formal Verification of Smart Contracts – Morpher, acessado em dezembro 5, 2025, https://www.morpher.com/blog/formal-verification-of-smart-contracts
A Guide to Formal Verification of Smart Contracts – Halborn, acessado em dezembro 5, 2025, https://www.halborn.com/blog/post/a-guide-to-formal-verification-of-smart-contracts
Rumble Fish | Blog | Top 10 Zero-Knowledge Proof Projects Reshaping Blockchain in 2025, acessado em dezembro 5, 2025, https://www.rumblefish.dev/blog/post/top-zk-projects-2025/
Why Are Zero-Knowledge Proofs the Future of Privacy in Blockchain? – Hackers4U, acessado em dezembro 5, 2025, https://www.hackers4u.com/why-are-zero-knowledge-proofs-the-future-of-privacy-in-blockchain
Zero-Knowledge Proof (ZKP) — Explained – Chainlink, acessado em dezembro 5, 2025, https://chain.link/education/zero-knowledge-proof-zkp
Unlocking the Potential of Zero-Knowledge Proofs in Blockchain, acessado em dezembro 5, 2025, https://cacm.acm.org/blogcacm/unlocking-the-potential-of-zero-knowledge-proofs-in-blockchain/
Zero-knowledge: the solution to privacy problems on Blockchain? – Polytechnique Insights, acessado em dezembro 5, 2025, https://www.polytechnique-insights.com/en/columns/digital/zero-knowledge-the-solution-to-privacy-problems-on-blockchain/
Zero-Knowledge Proofs (ZKPs) for Privacy-Preserving Digital Identity in Decentralized Systems | by RocketMe Up Cybersecurity | Medium, acessado em dezembro 5, 2025, https://medium.com/@RocketMeUpCybersecurity/zero-knowledge-proofs-zkps-for-privacy-preserving-digital-identity-in-decentralized-systems-69ab615473f6
Trends in AI for Medical-Legal Consulting: What’s Coming in 2025 and Beyond, acessado em dezembro 5, 2025, https://www.mosmedicalrecordreview.com/blog/trends-in-ai-for-medical-legal-consulting/
Causal AI—A VISOR for the Law of Torts | The University of Chicago Law Review, acessado em dezembro 5, 2025, https://lawreview.uchicago.edu/online-archive/causal-ai-visor-law-torts
Implications of causality in artificial intelligence – Frontiers, acessado em dezembro 5, 2025, https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2024.1439702/full
Understanding Causality Makes Legal Judgment Prediction Models More Generalizable and Robust – arXiv, acessado em dezembro 5, 2025, https://arxiv.org/pdf/2211.03046
Jurimetrics – Wikipedia, acessado em dezembro 5, 2025, https://en.wikipedia.org/wiki/Jurimetrics
Universal Legal Article Prediction via Tight Collaboration between Supervised Classification Model and LLM – arXiv, acessado em dezembro 5, 2025, https://arxiv.org/html/2509.22119v1
Jurimetrics Journal – Spring 2024 Issue – American Bar Association, acessado em dezembro 5, 2025, https://www.americanbar.org/content/dam/aba/publications/Jurimetrics/spring-2024/jurimetrics-journal-spring2024-vol64-no3.pdf
Jurimetrics Journal – Winter 2024 Issue – American Bar Association, acessado em dezembro 5, 2025, https://www.americanbar.org/content/dam/aba/publications/Jurimetrics/winter-2024/jurimetics-journal-winter24-64-2.pdf
Develop Online Dispute Resolution Software in 2025, acessado em dezembro 5, 2025, https://appzoro.com/blog/developing-online-dispute-resolution-platform
Algorithmic Dispute Resolution—The Automation of Professional Dispute Resolution Using AI and Blockchain Technologies | The Computer Journal | Oxford Academic, acessado em dezembro 5, 2025, https://academic.oup.com/comjnl/article/61/3/399/4608879
Designing Online Dispute Resolution – University of Missouri School of Law, acessado em dezembro 5, 2025, https://scholarship.law.missouri.edu/cgi/viewcontent.cgi?article=1853&context=jdr
A New Frontier in Online Dispute Resolution: Combining AI and Mindfulness, acessado em dezembro 5, 2025, https://scholarlycommons.law.case.edu/cgi/viewcontent.cgi?article=1161&context=jolti
The role of Artificial Intelligence in Online Dispute Resolution: A brief and critical overview, acessado em dezembro 5, 2025, https://www.tandfonline.com/doi/full/10.1080/13600834.2022.2088060
AI Identity Fraud & Deepfakes: Liveness Defenses in 2025 – KYC Chain, acessado em dezembro 5, 2025, https://kyc-chain.com/ai-identity-fraud-2025/
Keyless Featured in 2025 Deepfake Detection Market Report, acessado em dezembro 5, 2025, https://keyless.io/news/biometric-update-publishes-2025-deepfake-detection-market-report-keyless-featured-as-standout-vendor
Liveness Detection Guide: Protecting Digital Identity 2025 – OLOID, acessado em dezembro 5, 2025, https://www.oloid.com/blog/liveness-detection
2025 Face Liveness Market Report and Buyer’s Guide – Biometric Update, acessado em dezembro 5, 2025, https://www.biometricupdate.com/wp-content/uploads/2025/11/Biometric-Update-2025-Facial-Liveness-Report.pdf
A Guide to Liveness Detection Standards for Risk Managers – Microblink, acessado em dezembro 5, 2025, https://microblink.com/resources/blog/liveness-detection-standards/
Quinta Turma não aceita como provas prints de celular extraídos sem metodologia adequada – STJ, acessado em dezembro 5, 2025, https://www.stj.jus.br/sites/portalp/Paginas/Comunicacao/Noticias/2024/02052024-Quinta-Turma-nao-aceita-como-provas-prints-de-celular-extraidos-sem-metodologia-adequada.aspx
A cadeia de custódia no processo penal: do Pacote Anticrime à jurisprudência do STJ, acessado em dezembro 5, 2025, https://www.stj.jus.br/sites/portalp/Paginas/Comunicacao/Noticias/2023/23042023-A-cadeia-de-custodia-no-processo-penal-do-Pacote-Anticrime-a-jurisprudencia-do-STJ.aspx
Terceira Turma manda reabrir instrução em processo sobre fraude bancária – STJ, acessado em dezembro 5, 2025, https://www.stj.jus.br/sites/portalp/Paginas/Comunicacao/Noticias/2025/03102025-Terceira-Turma-manda-reabrir-instrucao-em-processo-sobre-fraude-bancaria.aspx
Falha de segurança do banco afasta alegação de culpa concorrente do consumidor em caso de golpe – STJ, acessado em dezembro 5, 2025, https://www.stj.jus.br/sites/portalp/Paginas/Comunicacao/Noticias/2025/13112025-Falha-de-seguranca-do-banco-afasta-alegacao-de-culpa-concorrente-do-consumidor-em-caso-de-golpe.aspx
Bancos e instituições de pagamento devem indenizar clientes por falhas que viabilizam golpe da falsa central – STJ, acessado em dezembro 5, 2025, https://www.stj.jus.br/sites/portalp/Paginas/Comunicacao/Noticias/2025/21102025-Bancos-e-instituicoes-de-pagamento-devem-indenizar-clientes-por-falhas-que-viabilizam-golpe-da-falsa-central.aspx