Como criar um assistente jurídico no feed para responder dúvidas sobre publicações e prazos

A qualidade da resposta começa antes do prompt. Para cada consulta, o sistema deve identificar o registro processual e anexar somente os dados necessários para responder à pergunta, evitando tanto a falta de contexto quanto o excesso de documentos irrelevantes.

O pacote mínimo costuma incluir número do processo, tribunal, instância, classe, partes, órgão julgador, data de disponibilização, data de publicação, texto integral da publicação e, se houver, documento associado. A capa e o histórico de movimentações ajudam o modelo a distinguir uma intimação de uma mera atualização cadastral.

Também é útil transmitir um identificador interno do processo e o responsável pela carteira. Esses campos não precisam ser exibidos integralmente na resposta, mas permitem registrar a origem da informação, direcionar a tarefa e criar uma trilha de auditoria.

Uma pergunta sobre prazos exige cuidados adicionais. O assistente deve separar a data encontrada no texto da data calculada pelo sistema, informar o evento que iniciou a contagem e sinalizar quando faltarem dados sobre dias úteis, suspensão de expediente, feriados ou regra específica do tribunal.

A arquitetura pode usar recuperação de conteúdo, conhecida como busca com contexto, antes de chamar o LLM. Nesse fluxo, a aplicação localiza publicações relevantes, monta um pacote estruturado e só então solicita a resposta. A documentação oficial da OpenAI sobre geração aumentada por recuperação de conteúdo descreve esse tipo de abordagem para consultar informações externas ao conhecimento geral do modelo.

Para equipes que integram o assistente por API, vale definir contratos de dados desde o início. O checklist sobre como projetar webhooks e APIs para integrar publicações judiciais ao ERP ou CRM pode orientar campos obrigatórios, eventos, autenticação e tratamento de falhas.

Um prompt confiável não tenta fazer o LLM “pensar como advogado” de forma abstrata. Ele define a fonte, o objetivo, os limites da resposta e o formato que o sistema conseguirá validar.

Um modelo para consulta de providência pode ser: “Você é um assistente de triagem processual. Analise apenas o contexto fornecido. Informe: 1) o que ocorreu; 2) quem deve agir; 3) qual providência foi indicada; 4) o trecho que sustenta a conclusão; 5) se é necessária revisão humana. Se a publicação não trouxer a informação, responda ‘não identificado’”.

Para prazos, use uma instrução mais restritiva: “Extraia somente prazo expressamente indicado ou claramente vinculado a uma intimação. Retorne prazo em dias, unidade, evento inicial, datas disponíveis, data final apenas se calculável e fundamento textual. Não invente feriados, dias úteis ou suspensão. Quando houver dúvida, marque necessita_revisao como verdadeiro”.

Uma pergunta natural como “o que eu preciso fazer nesta publicação?” deve gerar uma resposta curta, mas auditável. Por exemplo: “Apresentar manifestação sobre o laudo, conforme o trecho X. Prazo de 15 dias indicado no texto. A data final não foi calculada porque a data de publicação e o calendário aplicável não estão disponíveis. Revisão necessária”.

Para consultas sobre uma carteira, o sistema deve primeiro filtrar os registros. Um prompt que recebe milhares de publicações sem seleção tende a consumir mais, misturar processos e produzir respostas genéricas. A aplicação deve recuperar os itens candidatos e informar ao modelo quantos registros foram analisados.

A prática de testar versões de prompts, comparar resultados e manter casos de referência é mais segura do que alterar instruções informalmente. O conteúdo sobre como treinar e validar prompts de IA para extrair prazos e resumir publicações judiciais aprofunda esse processo de validação.

Depois de validar o caso de uso, o próximo passo é conectar a conversa ao feed que já reúne as publicações. O Pocket Jurídico monitora mais de 490 diários e tribunais, identifica e valida processos em diferentes instâncias e organiza capa, histórico, movimentações e documentos em uma visão integrada.

Com essa base, o assistente não precisa depender de uma busca manual em cada tribunal. A consulta pode ser feita sobre o registro selecionado no feed, com metadados como número do processo, instância, publicação e histórico. A conexão pode usar APIs e MCP, permitindo que ferramentas como ChatGPT, Claude ou Gemini consultem os dados autorizados pela equipe.

Um exemplo de chamada conceitual via MCP pode conter: identificador do processo, intervalo de datas, tipo de consulta e pergunta do usuário. O conector recupera o conteúdo permitido, envia o contexto ao modelo escolhido e devolve resposta, evidências, ações sugeridas e sinalização de revisão. Credenciais e regras de acesso devem permanecer na camada de integração, não no texto do prompt.

No fluxo diário, o advogado pode perguntar diretamente na publicação: “há prazo?”, “qual foi a determinação?”, “quem ficou responsável?” ou “compare esta movimentação com a anterior”. Comentários internos, alertas e agendamento no Google, Outlook ou calendário do escritório devem ocorrer somente após a confirmação prevista na política da equipe.

O MCP jurídico: como conectar sua IA a processos e publicações explica a lógica dessa conexão com mais profundidade. A vantagem operacional é manter a resposta junto do processo, evitando que a conclusão se perca em uma conversa isolada ou seja copiada manualmente para outro sistema.

Uma implementação observada em um escritório de porte médio pode reduzir cerca de 30% do tempo de triagem quando combina perguntas padronizadas, contexto estruturado e revisão humana antes do agendamento. O resultado depende do volume, da qualidade da cobertura e da disciplina operacional, por isso deve ser medido com linha de base própria, não tratado como promessa universal.

O primeiro erro é tratar o modelo como uma caixa de respostas sem fonte. Se o usuário não consegue abrir a publicação que sustenta a conclusão, a confiança diminui e a correção se torna lenta. Toda resposta sobre prazo ou providência deve apontar para o registro de origem.

Outro problema é misturar consulta, cálculo e execução em uma única etapa. Perguntar “há prazo?” é diferente de calcular a data final e diferente ainda de criar um evento no calendário. Separar essas ações permite aplicar níveis de aprovação distintos.

Também é arriscado medir apenas velocidade. Um assistente que responde em dois segundos, mas omite prazos, confunde instâncias ou gera muitos falsos positivos pode aumentar o trabalho. Acompanhe precisão por tipo de publicação, taxa de revisão, correções, tempo até a triagem, tarefas criadas e incidentes.

Comece com uma linha de base de duas a quatro semanas. Registre quantas horas são gastas na triagem, quantas publicações ficam sem classificação, quantas tarefas são devolvidas e quais dúvidas aparecem com maior frequência. Depois compare o fluxo assistido com a rotina anterior usando amostras equivalentes.

Para evitar adoção superficial, escolha um grupo-piloto, treine os usuários com exemplos reais anonimizados e mantenha um canal para reportar respostas inadequadas. O artigo sobre playbook humano e IA para transformar publicações em tarefas confiáveis apresenta uma estrutura útil para esse período.

A maturidade vem por etapas: consulta ao conteúdo, resumo com evidência, classificação, sugestão de prazo e execução com aprovação. Esse caminho é mais lento do que ativar todas as automações de uma vez, mas reduz o risco de que uma falha silenciosa chegue ao calendário ou ao ERP.