A inteligência artificial no setor jurídico ultrapassou a fase dos chatbots genéricos de pergunta e resposta. Quando lidamos com o Direito, o custo de uma "alucinação" de IA não é apenas um incômodo — pode significar a perda de um prazo fatal, uma tese fundamentada em jurisprudência inexistente ou a violação de sigilo.
Para resolver esse problema, a engenharia de software aplicada a LegalTechs está migrando para os Agentic AI Workflows (Workflows de IA Agêntica). Em vez de depender de um único prompt gigantesco para resolver um problema complexo, orquestramos múltiplos agentes especializados.
Neste artigo, vamos detalhar como arquitetar uma esteira de triagem, busca vetorial e sumarização de processos, utilizando ferramentas maduras e garantindo que o advogado permaneça como o orquestrador final no Quality Gate.
A premissa da orquestração de agentes é a especialização. Cada agente no sistema possui um escopo restrito, ferramentas específicas (tool use) e um objetivo claro. Em um cenário de entrada de um novo processo longo (ex: um PDF de 500 páginas), o workflow se divide em três estágios:
O primeiro agente atua como o recepcionista. Ele não lê o documento para extrair teses; ele apenas analisa as primeiras páginas para responder: O que é isso?
É uma Inicial Trabalhista? Uma intimação de prazo? Uma contestação? A partir dessa classificação, o workflow roteia o documento para a fila correta de processamento.
O segundo agente é o pesquisador. Ele quebra o documento em fragmentos (chunks) e cruza as alegações da parte contrária com o acervo interno do escritório.
No ecossistema Elixir, por exemplo, podemos utilizar o PostgreSQL com pgvector e Ecto para armazenar os embeddings de casos passados e jurisprudências vencedoras do próprio escritório. O agente busca semelhanças e recupera o contexto estritamente necessário.
O terceiro agente recebe o texto bruto e o contexto recuperado. Utilizando modelos robustos (como a API do Google Gemini), sua missão é extrair entidades, listar as datas cruciais, os pedidos financeiros e redigir um resumo estruturado. Ele transforma um calhamaço de texto jurídico em um JSON validável.
Chamadas para APIs de LLMs sofrem com latência, rate limits e falhas de rede. Tentar rodar um workflow agêntico de forma síncrona, bloqueando a requisição HTTP do usuário, é um atalho para timeouts.
A orquestração deve ser estritamente em background. Usando uma infraestrutura baseada na BEAM (Erlang/Elixir) e ferramentas de filas robustas como o Oban, podemos modelar cada agente como um worker. O Agente 1 enfileira o job do Agente 2, que por sua vez enfileira o Agente 3. Se a API de IA falhar no passo 2, o Oban aplica um backoff exponencial e tenta novamente, sem perder o progresso das etapas anteriores ou bloquear a interface da aplicação.
O ponto mais crítico desta arquitetura é entender que agentes de IA não peticionam; eles preparam a mesa.
Após o Agente 3 finalizar a sumarização e sugerir uma minuta (rascunho da defesa), o fluxo sistêmico para. Entra em cena o conceito de Pair Drafting. O card na esteira do Scrumban jurídico entra em uma coluna de Quality Gate (Revisão).
O advogado, atuando como o humano no controle (Human-in-the-Loop), acessa a interface e encontra: O profissional não precisa gastar 4 horas lendo o processo do zero. Ele atua como um editor sênior: valida a tese, ajusta o tom da minuta, injeta a estratégia humana e aprova a peça.
Construir workflows agênticos para o setor jurídico é um exercício de equilíbrio. Ao especializar agentes para tarefas cognitivas repetitivas — como triagem e busca vetorial — e utilizar infraestruturas assíncronas resilientes, aceleramos exponencialmente a produção intelectual.
No entanto, o diferencial de uma plataforma de Legal Operations segura é o design de interface que coloca o advogado como o juiz final do trabalho gerado. O Human-in-the-Loop não é um gargalo, é a garantia de qualidade que impede que a velocidade da IA comprometa a segurança jurídica do escritório.