REGISTRO DOI: 10.70773/revistatopicos/792104145
RESUMO
A crescente incorporação de sistemas de inteligência artificial à atividade judicial amplia a capacidade de recuperar precedentes, organizar informações, gerar fundamentações e identificar padrões decisórios. Nesse contexto, o artigo analisa possíveis efeitos da mediação algorítmica sobre a individualização da decisão judicial, compreendida como a consideração efetiva das circunstâncias, fatos, argumentos, provas e diferenças juridicamente relevantes do caso concreto. A pesquisa adota abordagem qualitativa, bibliográfica, exploratória e interpretativa, articulando estudos jurídicos, empíricos e técnicos sobre recuperação de informações, variabilidade decisória, sensibilidade factual, retroalimentação de sistemas e vulnerabilidades associadas ao prompt injection. Os estudos analisados, embora desenvolvidos em contextos jurisdicionais e metodológicos distintos, apontam para uma tendência de redução da variabilidade e de maior uniformização em ambientes mediados por inteligência artificial. Essa convergência pode produzir efeitos sobre a individualização, sobretudo quando padrões decisórios adquirem maior presença no ambiente informacional utilizado para a tomada de decisão. Ao mesmo tempo, evidências empíricas indicam que julgadores humanos podem considerar elementos qualitativos e contextuais do caso concreto ausentes dos dados estruturados utilizados na modelagem algorítmica. Conclui-se que a redução da variabilidade associada à mediação algorítmica produz efeitos sobre a individualização das decisões, ao favorecer maior convergência decisória, ao mesmo tempo em que evidencia a relevância da atuação humana na consideração de elementos qualitativos e contextuais do caso concreto que podem não estar representados nos dados estruturados. Os resultados, contudo, devem ser interpretados à luz dos modelos, versões, arquiteturas e contextos específicos investigados. A rápida evolução dos sistemas de inteligência artificial impõe, ainda, um desafio adicional à pesquisa empírica, uma vez que evidências produzidas sobre determinada versão podem perder capacidade explicativa diante de modificações tecnológicas posteriores.
Palavras-chave: inteligência artificial; decisão judicial; individualização; variabilidade decisória; uniformização.
ABSTRACT
The increasing incorporation of artificial intelligence systems into judicial activities expands the capacity to retrieve precedents, organize information, generate legal reasoning, and identify decision-making patterns. In this context, this article analyzes possible effects of algorithmic mediation on the individualization of judicial decisions, understood as the effective consideration of the circumstances, facts, arguments, evidence, and legally relevant differences of each case. The research adopts a qualitative, bibliographic, exploratory, and interpretative approach, bringing together legal, empirical, and technical studies on information retrieval, decisional variability, factual sensitivity, system feedback, and vulnerabilities associated with prompt injection. Although conducted in different jurisdictions and using different methodological designs, the studies analyzed point toward a tendency of reduced variability and greater uniformity in environments mediated by artificial intelligence. Such convergence may affect individualized decision-making, particularly when decision patterns become increasingly prominent within the informational environment used for judicial decision-making. At the same time, empirical evidence indicates that human judges may consider qualitative and contextual elements of individual cases that are absent from the structured data used in algorithmic modeling. The article concludes that the reduction in decisional variability associated with algorithmic mediation affects the individualization of judicial decisions by favoring greater decisional convergence, while also highlighting the relevance of human judgment in considering qualitative and contextual elements of individual cases that may not be represented in structured data. These findings, however, must be interpreted in light of the specific models, versions, architectures, and contexts investigated. The rapid evolution of artificial intelligence systems poses an additional challenge to empirical research, since evidence produced about a particular version may lose explanatory power as subsequent technological changes occur.
Keywords: artificial intelligence; judicial decision-making; individualization; decisional variability; uniformity.
1. INTRODUÇÃO
A incorporação de sistemas de inteligência artificial à atividade judicial amplia as possibilidades de recuperação de informações, identificação de precedentes, classificação de processos e geração de textos e fundamentos. A crescente participação dessas ferramentas no ambiente decisório desloca parte da discussão sobre inteligência artificial no Poder Judiciário da substituição de profissionais para uma questão distinta: os efeitos que a mediação algorítmica pode produzir sobre as condições em que decisões humanas são construídas.
Uma dessas condições diz respeito à relação entre uniformidade e individualização. A aplicação coerente de critérios jurídicos a casos semelhantes pode promover segurança jurídica, previsibilidade e isonomia. A individualização da decisão, por sua vez, não pressupõe que cada caso receba necessariamente uma resposta diferente, mas exige que os fatos, circunstâncias, argumentos, provas e diferenças juridicamente relevantes sejam efetivamente considerados. O problema surge quando a redução da variabilidade decisória deixa de representar apenas tratamento uniforme de situações semelhantes e passa a reduzir o espaço no qual particularidades do caso concreto podem adquirir peso suficiente para justificar o afastamento de padrões predominantes.
Partindo dessa distinção, o artigo investiga em que medida a mediação algorítmica, ao favorecer maior convergência e menor variabilidade decisória, pode produzir efeitos sobre a individualização das decisões judiciais. A hipótese interpretativa adotada é que maior uniformização não implica, por si só, perda de individualização, mas pode afetá-la quando elementos qualitativos, contextuais ou pouco estruturados encontram menor capacidade prática de interferir no padrão decisório. Essa questão adquire especial relevância diante de evidências de que julgadores humanos podem considerar informações específicas do caso concreto que não se encontram representadas nos dados estruturados utilizados por sistemas algorítmicos.
Para examinar essa questão, o trabalho articula a dimensão jurídica da individualização da decisão com estudos empíricos e técnicos sobre seleção e recuperação de informações, variabilidade decisória, sensibilidade dos modelos a alterações factuais, retroalimentação de sistemas e vulnerabilidades dos mecanismos de recuperação. Busca-se, assim, identificar não apenas se decisões mediadas por inteligência artificial apresentam maior convergência, mas quais implicações essa convergência pode produzir para a preservação das particularidades juridicamente relevantes do caso concreto.
2. METODOLOGIA
A pesquisa adota abordagem qualitativa, de caráter bibliográfico, exploratório e interpretativo. O corpus é composto por estudos jurídicos, empíricos e técnicos relacionados à utilização de inteligência artificial em contextos judiciais ou a mecanismos tecnológicos diretamente relevantes para a mediação algorítmica da decisão. A seleção dos trabalhos privilegiou pesquisas capazes de contribuir para a análise de uma ou mais das seguintes dimensões: seleção e recuperação de informações; variabilidade e uniformização decisórias; sensibilidade dos modelos a alterações factuais; retroalimentação entre decisões humanas e sistemas de inteligência artificial; presença de informações qualitativas não representadas em dados estruturados; e vulnerabilidades associadas aos mecanismos de recuperação.
Os estudos foram examinados comparativamente, considerando-se seus objetos, desenhos metodológicos e contextos jurisdicionais. A análise não pressupõe equivalência entre resultados obtidos em experimentos com modelos de linguagem, estudos observacionais, experimentos de campo e pesquisas realizadas em sistemas jurídicos distintos. Os trabalhos são articulados com a finalidade de identificar tendências e mecanismos potencialmente relacionados à redução da variabilidade e à maior uniformização decisória, bem como seus possíveis efeitos sobre a individualização das decisões.
A interpretação dos resultados é orientada pela distinção entre uniformidade legítima e padronização problemática. A primeira corresponde à aplicação coerente de critérios jurídicos a situações semelhantes; a segunda surge quando diferenças juridicamente significativas deixam de ser suficientemente consideradas na análise do caso, reduzindo o espaço para soluções ajustadas às suas particularidades e distintas dos padrões aplicados aos casos em geral.
3. INDIVIDUALIZAÇÃO E UNIFORMIDADE DA DECISÃO JUDICIAL
A individualização da decisão judicial não significa que cada caso deva necessariamente receber uma resposta diferente. Significa, antes, a exigência de que as circunstâncias, fatos, argumentos, provas e diferenças juridicamente relevantes do caso concreto sejam efetivamente considerados no processo decisório. Essa exigência está ancorada no dever constitucional de fundamentação das decisões judiciais.
A Constituição Federal, em seu art. 93, inciso IX, estabelece que todas as decisões judiciais devem ser fundamentadas. A doutrina tem interpretado essa exigência não como mera referência formal à norma aplicável, mas como necessidade de justificação argumentativa estruturada, especialmente quando há restrição a direitos fundamentais, impondo ao julgador o dever de explicitar a relação entre grau de restrição e peso das razões contrárias. Nesse sentido, "a exigência constitucional de fundamentação das decisões judiciais [...] não se satisfaz com mera referência formal à norma aplicável, mas requer justificação argumentativa estruturada" (Carvalho; Viana, 2026, p. 5).
A fundamentação substancial exige a reconstituição do caminho lógico percorrido pelo juiz e a justificativa da escolha de determinadas conclusões em detrimento de outras possíveis. Como observado na doutrina, "a fundamentação, em seu sentido substancial, exige a reconstituição do caminho (iter) lógico percorrido pelo juiz e a justificativa da escolha de determinadas conclusões em detrimento de outras possíveis" (Carvalho; Viana, 2026, p. 11). Essa exigência implica que a mera remissão genérica a decisões anteriores ou a manifestações das partes, sem a devida individualização dos elementos fáticos e probatórios do processo, compromete o itinerário lógico da decisão.
O sistema brasileiro de precedentes, estruturado pelos arts. 926 e 927 do Código de Processo Civil de 2015, busca conciliar a exigência de individualização com a necessidade de coerência e uniformidade. O art. 926 prescreve que os tribunais devem manter sua jurisprudência estável, íntegra e coerente. O art. 927 estabelece uma hierarquia de precedentes, desde os de observância obrigatória até os de eficácia meramente persuasiva. Esse sistema, descrito como um stare decisis brasiliensis, combina elementos da tradição romano-germânica (civil law) com características do common law (Casimiro; Teixeira, 2024, p. 734).
É importante destacar que a uniformidade legítima, aquela que decorre da aplicação coerente de precedentes a casos semelhantes, não equivale à padronização problemática. Casos juridicamente semelhantes podem e devem receber tratamento coerente. O problema surge quando diferenças juridicamente relevantes deixam de receber consideração ou peso adequado. Como observado na doutrina, "a ratificação genérica de fundamentos sem enfrentamento dos argumentos das partes pode levar à nulidade do julgado, pois o julgador não se exime de explicitar a pertinência dos fundamentos remetidos ao caso concreto" (Carvalho; Viana, 2026, p. 15).
Essa distinção é o parâmetro jurídico para a análise que se segue. A questão não é saber se a IA produz consistência ou uniformidade, mas se, e em quais condições, a mediação algorítmica pode tornar determinados padrões tão presentes no ambiente decisório que diferenças juridicamente relevantes passem a ter menor capacidade prática de provocar o afastamento justificado desses padrões.
4. MEDIAÇÃO ALGORÍTMICA E DECISÃO JUDICIAL
4.1. Mecanismos de Seleção e Recuperação
Sistemas de inteligência artificial podem selecionar, entre as informações disponíveis, aquelas consideradas mais relevantes para responder a uma consulta. Esse processo importa porque interfere no conjunto de informações utilizado na elaboração da resposta e, em sistemas jurídicos, pode influenciar quais precedentes ou documentos aparecem com maior destaque.
Estudos experimentais discutidos por Molfetta et al. (2026, p. 3) registram o chamado "Matthew Effect" (Efeito Mateus): aquilo que já aparece com maior frequência tende a ganhar ainda mais visibilidade. Nos sistemas analisados, precedentes de alta frequência podem emergir desproporcionalmente em detrimento de autoridades contextualmente mais precisas. Os autores observam que "LLMs jurídicos têm dificuldade em avaliar quando as citações recuperadas são úteis ou enganosas, demonstrando excesso de confiança diante de contextos perturbados e sensibilidade a pistas superficiais de formatação" (Molfetta et al., 2026, p. 1, tradução nossa).
Chang et al. (2026) também chamam atenção para a influência da forma de apresentação das informações recuperadas. Segundo os autores, "o mesmo mecanismo que fornece evidências úteis também pode ampliar a confiança excessiva em textos formais ou apresentados em estilo institucional" (Chang et al., 2026, p. 8, tradução nossa).
Esses achados não demonstram, por si sós, redução da individualização judicial, mas revelam um aspecto relevante da mediação algorítmica: as informações não chegam ao processo de geração com o mesmo peso. A frequência com que determinados precedentes aparecem e a forma como as fontes são apresentadas podem ampliar sua visibilidade ou credibilidade, inclusive em detrimento de referências contextualmente mais adequadas. Em matéria judicial, esse mecanismo é particularmente relevante porque pode favorecer a reprodução de referências já recorrentes e reduzir a capacidade de elementos menos frequentes, mas juridicamente relevantes para o caso concreto.
4.2. Evidências Empíricas Sobre Variabilidade Decisória
Estudos empíricos recentes têm identificado redução da variabilidade decisória e aumento da consistência (no sentido de concordância ou uniformidade) em determinados contextos relacionados ao uso de IA, embora os desenhos metodológicos, os objetos e as medidas utilizadas sejam distintos.
O estudo de Rodríguez-Salcedo et al. (2025), realizado nos tribunais do Equador, comparou decisões judiciais antes e depois da implementação de ferramentas de IA. Os autores encontraram um aumento significativo na concordância entre avaliadores, com o coeficiente de Cohen κ passando de 0,65 (substancial) para 0,80 (quase perfeito) após a implementação da IA. Os autores interpretam esse resultado como indicativo de que a IA "padroniza critérios, promovendo maior uniformidade decisória entre os magistrados" (Rodríguez-Salcedo et al., 2025, p. 5, tradução nossa).
Paralelamente, observou-se uma alteração do tom discursivo, com deslocamento do polo ligeiramente negativo para o neutro ou positivo, sugerindo que "a linguagem das decisões judiciais tornou-se mais técnica e menos valorativa" (Rodríguez-Salcedo et al., 2025, p. 5, tradução nossa). Houve também aumento na densidade de citações legais, de 15,3 para 18,7 citações por 1.000 palavras (t(48) = 2,15, p < 0,05), o que os autores interpretam como "maior estruturação técnica e maior fundamentação em referências jurídicas" (Rodríguez-Salcedo et al., 2025, p. 6, tradução nossa).
Esses resultados não demonstram necessariamente perda de individualização. Em sua discussão, no entanto, eles afirmam que "embora uma maior uniformidade aumente a coerência, ela também suscita questões sobre uma possível redução da diversidade interpretativa" (Rodríguez-Salcedo et al., 2025, p. 5, tradução nossa), e os autores apontam o risco de que a uniformidade decisória "possa reduzir a diversidade e a flexibilidade interpretativas" (Rodríguez-Salcedo et al., 2025, p. 7, tradução nossa). Trata-se, portanto, de uma preocupação ou risco, o que pode ter impacto na perda de individualização.
O estudo de Gazal-Ayal, Elyoseph e Solomon (2026) oferece evidências em direção semelhante, mas com um importante contraponto. Os pesquisadores compararam decisões de 123 juízes aposentados com respostas de três LLMs (GPT, Gemini e Claude) em dois casos fictícios, utilizando diferentes estratégias de prompt (zero-shot, few-shot e chain-of-thought). Os resultados mostraram que
todos os LLMs, com exceção do GPT na configuração zero-shot e do Gemini na configuração few-shot, produzem resultados consistentes na determinação das penas. Em contraste, os juízes humanos apresentam uma faixa mais ampla de duração das penas, com variabilidade substancial em suas decisões (Gazal-Ayal et al., 2026, p. 1195).
Os LLMs apresentaram desvio de padronização significativamente menor que os juízes humanos (Gazal-Ayal et al., 2026, p. 1196). Embora essa variabilidade não possa ser tomada, por si só, como evidência de maior individualização, ela demonstra que julgadores humanos, diante dos mesmos casos, produziram avaliações significativamente mais divergentes do que os modelos.
Mais relevante para a questão da individualização, os autores conduziram um experimento de sensibilidade factual. Modificaram materialmente os fatos de um dos casos: no caso original, o réu esfaqueou a vítima com uma garrafa quebrada, causando ferimentos graves e hospitalização; na versão modificada, ele apenas ameaçou esfaqueá-la, sem causar ferimentos físicos (Gazal-Ayal et al., 2026, p. 1201). Os resultados foram expressivos: "em todos os casos, os valores de p são extremamente baixos, indicando diferenças decisivas nas distribuições entre os casos original e modificado. É importante destacar que a direção da mudança é consistente entre os modelos: as penas médias diminuem no caso modificado" (Gazal-Ayal et al., 2026, p. 1201, tradução nossa). No GPT com zero-shot, por exemplo, a pena média foi reduzida de 2,36 para 1,08 anos (Gazal-Ayal et al., 2026, p. 1201). O resultado indica que uma mesma alteração material dos fatos foi interpretada de forma convergente por diferentes modelos, produzindo redução das penas na mesma direção, uniformidade que não necessariamente se reproduziria entre julgadores humanos.
O estudo de campo de Mehmood, Goessmann e Ash (2026) oferece um contraponto em escala nacional. Realizado no Paquistão com 1.559 juízes (aproximadamente 50% da magistratura de primeira instância) distribuídos em 118 tribunais, o experimento randomizou juízes em três braços: (i) acesso ao JudgeGPT com treinamento direcionado; (ii) acesso com treinamento genérico; (iii) controle sem acesso. Os resultados mostraram aumento significativo na produtividade:
passar de nenhuma exposição ao percentil 25 da distribuição de exposição dos distritos corresponde a aproximadamente 616 casos adicionais solucionados por distrito-ano. A exposição mediana dos distritos corresponde a aproximadamente 1.848 casos adicionais solucionados por distrito-ano — um aumento de 6,3% em relação à média (Mehmood; Goessmann; Ash, 2026, p. 4, tradução nossa).
Em outros termos, os resultados associam uma maior exposição ao JudgeGPT a um aumento expressivo da produtividade judicial, medido pelo número de casos solucionados. Esse aumento não veio acompanhado de deterioração da qualidade mensurada por apelações: "as taxas de apelação, na verdade, diminuem ligeiramente com uma maior exposição à IA" (Mehmood; Goessmann; Ash, 2026, p. 4, tradução nossa).
Esses resultados indicam que eventuais efeitos da IA sobre a individualização das decisões não se confundem necessariamente com perda de eficiência ou de qualidade mensurável por indicadores tradicionais. A redução das taxas de apelação pode representar um efeito positivo quanto a uma maior uniformização decisória, caso reflita maior alinhamento aos entendimentos dos tribunais superiores. Ao mesmo tempo, esse resultado também pode ser compatível com menor diversidade interpretativa e, consequentemente, constituir um possível indício de redução da individualização das decisões, hipótese que o estudo, por si só, não permite confirmar.
O estudo de Liu e Li (2024) documenta o uso de LLMs no sistema judicial de Shenzhen, China. Os autores identificam um padrão de interação: “os juízes tomam as decisões iniciais; o modelo de linguagem de grande escala gera a fundamentação com base nas decisões dos juízes; e os juízes revisam a fundamentação gerada pela IA para elaborar a decisão final” (Liu; Li, 2024, p. 235, tradução nossa). Esse padrão é relevante para a compreensão dos ciclos de retroalimentação, pois o conteúdo revisado pelos juízes é salvo pela ferramenta, sendo armazenado “o conteúdo revisado no sistema como feedback, para que o desempenho do sistema possa ser aprimorado posteriormente” (Liu; Li, 2024, p. 240, tradução nossa).
Esse mecanismo permite considerar a possibilidade de um ciclo de retroalimentação no qual escolhas interpretativas anteriores dos próprios julgadores sejam progressivamente incorporadas ao sistema e influenciem suas respostas posteriores, favorecendo a reprodução de padrões decisórios. Sob a perspectiva da individualização, esse mecanismo suscita uma questão adicional: ao incorporar como feedback as revisões realizadas pelos julgadores, o sistema pode transformar soluções construídas em casos anteriores em padrões utilizados na geração de respostas futuras. Nesse processo, particularidades originalmente vinculadas a casos específicos podem perder parte de seu contexto, enquanto os padrões extraídos dessas decisões ganham capacidade de influenciar a interpretação de novos casos.
Um achado particularmente relevante para a individualização das decisões é apresentado por Manchanda et al. (2026), em estudo empírico realizado com 22.361 casos decididos por 21 magistrados. Os autores verificaram que parcela expressiva das decisões podia ser representada por pequenas árvores de decisão, embora os critérios utilizados variassem substancialmente entre os próprios julgadores. Entretanto, ao examinarem manualmente uma amostra dos casos que não podiam ser adequadamente explicados pelos modelos, identificaram, entre as razões, "detalhes qualitativos específicos do caso que os juízes mencionaram, mas que estavam ausentes dos dados estruturados" (Manchanda et al., 2026, p. 2, tradução nossa).
O resultado é relevante porque evidencia que, mesmo quando grande parte do comportamento judicial pode ser representada por padrões identificáveis, a análise individual de casos concretos pode incorporar elementos qualitativos que escapam aos dados estruturados utilizados na modelagem algorítmica. Isso reforça a necessidade de se preservar espaço para a individualização judicial, sobretudo em situações nas quais informações contextualmente relevantes não estão disponíveis nos dados estruturados. Nesse sentido,
se há informações altamente relevantes, inclusive moralmente relevantes, que não estão prontamente disponíveis para treinar algoritmos, então devemos querer particularmente que os juízes tomem decisões mais individualizadas com base nessas informações. Se não pensamos que os algoritmos podem, por outras razões, capturar fatores informativos em casos individuais, então também valorizaremos a discricionariedade e a justiça individualizada, em vez de uma justiça mais baseada em regras (Manchanda et al., 2026, p. 14, tradução nossa).
4.3. Prompt Injection e Vulnerabilidade dos Mecanismos de Recuperação
O fenômeno do prompt injection oferece um caso-limite para compreender a vulnerabilidade de circuitos algorítmicos de seleção e recuperação. Em ataques de indirect prompt injection, "adversários podem afetar remotamente os sistemas de outros usuários ao inserir estrategicamente prompts em dados com probabilidade de serem recuperados no momento da inferência" (Greshake et al., 2023, p. 80, tradução nossa). A integração com sistemas de recuperação "torna imprecisa a distinção entre dados e instruções" (Greshake et al., 2023, p. 80, tradução nossa), tornando possível que conteúdo recuperado atue como instrução.
Estudos experimentais demonstram que "os próprios prompts recuperados podem atuar como ‘código arbitrário’" (Greshake et al., 2023, p. 80, tradução nossa) e que "um único e-mail contaminado foi suficiente para induzir o GPT-4o a executar um script Python malicioso que exfiltrava chaves SSH, com sucesso em até 80% dos testes e sem qualquer interação do usuário" (Chang et al., 2026, p. 1, tradução nossa). Esses ataques exploram a arquitetura de sistemas, nos quais "sistemas de LLM baseados em recuperação [...] seguem um fluxo simples de consulta, recuperação e ação: incorporam a consulta do usuário, recuperam documentos relevantes e permitem que o LLM atue com base na consulta e no conteúdo recuperado" (Chang et al., 2026, p. 1, tradução nossa).
O interesse do prompt injection para a presente análise não se limita à segurança do sistema. A circulação de informações por mecanismos algorítmicos de seleção, geração e eventual reutilização cria um circuito no qual o conteúdo recuperado pode influenciar a resposta produzida pelo sistema (output) e apresentada ao supervisor humano. Em hipótese extrema, um output contaminado poderia ser validado ou incorporado institucionalmente e, se posteriormente reutilizado, adquirir persistência para além do episódio inicial. O corpus analisado, entretanto, não oferece evidência de que essa cadeia tenha ocorrido em sistemas judiciais reais; trata-se de risco tecnicamente plausível, não de ocorrência empiricamente demonstrada.
5. SÍNTESE INTERPRETATIVA
Os estudos analisados, embora realizados em contextos jurisdicionais distintos, convergem para uma direção comum: a mediação algorítmica tende a reduzir a variabilidade decisória e, com isso, pode produzir efeitos sensíveis sobre a individualização das decisões judiciais.
A primeira evidência vem de estudo de campo em tribunais equatorianos, que comparou decisões antes e depois da implementação de ferramentas de IA (Rodríguez-Salcedo et al., 2025). Observou-se aumento expressivo da concordância entre magistrados (o coeficiente κ de Cohen passou de 0,65 para 0,80), acompanhado de alteração do tom discursivo, que se tornou mais técnico e menos valorativo, e de aumento da densidade de citações legais. O dado comporta leitura ambivalente: se a uniformidade pode significar maior coerência e previsibilidade, a redução da diversidade argumentativa pode indicar supressão da pluralidade interpretativa que caracteriza a atividade jurisdicional.
Essa ambivalência se aprofunda em experimento controlado de sensibilidade factual com diferentes modelos de linguagem (Gazal-Ayal; Elyoseph; Solomon, 2026). Ao se alterarem materialmente os fatos de um caso (de esfaqueamento para mera ameaça), a direção da mudança foi consistente entre os modelos: as penas médias diminuíram de forma convergente. Os autores observam que essa convergência não necessariamente se reproduziria entre julgadores humanos, cuja pluralidade de formação e experiência produziria maior dispersão.
Em escala nacional, estudo de campo randomizado no Paquistão com parcela expressiva da magistratura associou maior exposição a ferramenta generativa a aumento significativo de produtividade e menores taxas de apelação (Mehmood; Goessmann; Ash, 2026). O resultado é compatível com a hipótese de um ambiente decisório mais alinhado e menos divergente.
Particularmente sensível à individualização é o mecanismo de retroalimentação documentado em sistema judicial que utiliza modelos de linguagem para gerar fundamentação a partir de decisões previamente tomadas por juízes, cujo conteúdo revisado é armazenado como feedback (Liu; Li, 2024). Esse ciclo permite que escolhas interpretativas anteriores sejam progressivamente incorporadas ao sistema e influenciem respostas futuras, favorecendo a reprodução de padrões. Particularidades vinculadas a casos específicos podem perder contexto, enquanto os padrões extraídos ganham capacidade de influenciar novos casos.
A esse mecanismo soma-se a vulnerabilidade dos circuitos algorítmicos de seleção e recuperação. Experimentos com prompt injection demonstram, em situação extrema, que conteúdos recuperados podem ser manipulados a ponto de alterar o comportamento do modelo (Greshake et al., 2023; Chang et al., 2026).
O interesse desse achado não está na segurança do sistema em si, mas na demonstração de que o ambiente informacional que condiciona a decisão algorítmica é suscetível a vieses não intencionais na seleção de informações. Se combinado com sistemas que armazenam conteúdos revisados como feedback, padrões ou distorções podem adquirir persistência. Não há demonstração de que essa cadeia tenha ocorrido em sistemas judiciais reais, mas os mecanismos necessários à sua ocorrência estão documentados.
O achado mais diretamente relevante para a individualização vem de estudo empírico com 22.361 casos decididos por 21 magistrados (Manchanda et al., 2026). Ao examinarem manualmente os casos que não podiam ser adequadamente explicados pelos modelos, os autores identificaram, entre as razões, detalhes qualitativos específicos do caso que os juízes mencionaram, mas que estavam ausentes dos dados estruturados.
O resultado evidencia que, mesmo quando grande parte do comportamento judicial pode ser representada por padrões identificáveis, a análise individual de casos concretos incorpora elementos qualitativos que escapam aos dados estruturados. A consequência é direta: se há informações altamente relevantes, inclusive moralmente relevantes, que não estão prontamente disponíveis para treinar algoritmos, então se deve querer que os juízes tomem decisões mais individualizadas com base nessas informações (Manchanda et al., 2026, p. 14).
6. CONSIDERAÇÕES FINAIS
A leitura conjunta permite sustentar que a uniformização algorítmica pode afetar parcialmente a individualização. O risco não decorre simplesmente de decisões mais semelhantes, mas do estreitamento do espaço no qual elementos singulares ou pouco estruturados conseguem adquirir peso suficiente para afastar o caso concreto do padrão predominante.
Três perdas distintas podem decorrer daí: a perda de sensibilidade contextual (incapacidade de captar detalhes qualitativos que a análise humana revela e os dados estruturados não registram); a perda de pluralidade interpretativa (redução da diversidade de leituras jurídicas pela convergência algorítmica); e a perda de capacidade de correção (dificuldade de afastar o padrão quando ele se revela inadequado ao caso concreto).
Essas possíveis perdas não significam que a variabilidade decisória deva ser preservada como um valor em si mesma. A redução de divergências injustificadas pode representar ganho de coerência, previsibilidade e isonomia, assim como os resultados analisados demonstram benefícios concretos associados à eficiência e à consistência. Nesse sentido, o desafio não está em escolher entre uniformidade e individualização, mas em impedir que a primeira reduza o espaço necessário à segunda.
Conclui-se, portanto, que a redução da variabilidade associada à mediação algorítmica pode favorecer maior convergência decisória e produzir efeitos sobre a individualização das decisões. Os resultados também evidenciam a relevância da atuação humana na consideração de elementos qualitativos e contextuais do caso concreto, nem sempre representados nos dados estruturados.
A interpretação dessas evidências deve, contudo, considerar as limitações dos estudos analisados. A diversidade de modelos, versões, arquiteturas, tarefas e contextos jurisdicionais examinados impede sua generalização indistinta para sistemas de inteligência artificial em geral. Essa limitação assume especial importância diante da velocidade de evolução dos modelos de linguagem: problemas identificados em determinada versão podem ter sido reduzidos ou solucionados em versões posteriores, ao mesmo tempo em que novas limitações podem surgir. Da mesma forma, resultados obtidos em determinados sistemas jurídicos ou em experimentos controlados não podem ser automaticamente transpostos para contextos diversos.
Pesquisas futuras devem, portanto, avançar na análise de modelos e versões específicos, identificando com precisão as ferramentas utilizadas e as condições de sua integração à atividade judicial.
REFERÊNCIAS BIBLIOGRÁFICAS
CARVALHO, Márcia Haydée Porto de; VIANA, Carlos Aluísio de Oliveira. Uso da IA generativa na automação argumentativa: uma análise sobre a decisão judicial fundamentada por referência (per relationem) à luz do Tema 1.306 do Superior Tribunal de Justiça. Revista Tópicos, 2026. DOI: 10.70773/revistatopicos/775866997. Disponível em: https://doi.org/10.70773/revistatopicos/775866997. Acesso em: 08 ago. 2026.
CASIMIRO, Juliana Souza Carvalho; TEIXEIRA, Sergio Torres. Artificial Intelligence Approaches within the Brazilian Judiciary's Contemporary Jurisdictional Model. Beijing Law Review, v. 15, n. 2, p. 730-748, 2024. DOI: 10.4236/blr.2024.152044. Disponível em: https://doi.org/10.4236/blr.2024.152044. Acesso em: 02 set. 2026.
CHANG, Hongyan; BAO, Ergute; LUO, Xinjian; YU, Ting. Overcoming the Retrieval Barrier: Indirect Prompt Injection in the Wild for LLM Systems. In: USENIX SECURITY SYMPOSIUM, 35., 2026, Baltimore. Proceedings [...]. [S. l.]: USENIX Association, 2026. p. 1567-1586. Disponível em: https://www.usenix.org/conference/usenixsecurity26/presentation/chang-hongyan. Acesso em: 20 set. 2026.
GAZAL-AYAL, Oren; ELYOSEPH, Zohar; SOLOMON, Adir. Evaluating Large Language Models as Judicial Decision-Makers. Justice Quarterly, v. 43, n. 5, p. 1184-1219, 2026. DOI: 10.1080/07418825.2026.2618254. Disponível em: https://doi.org/10.1080/07418825.2026.2618254. Acesso em: 14 set. 2026.
GRESHAKE, Kai et al. Not what you've signed up for: compromising real-world LLM-integrated applications with indirect prompt injection. arXiv, 2023. Disponível em: https://arxiv.org/abs/2302.12173. Acesso em: 14 set. 2026.
LIU, John Zhuang; LI, Xueyao. How do judges use large language models? Evidence from Shenzhen. Journal of Legal Analysis, v. 16, n. 1, p. 235-262, 2024. DOI: 10.1093/jla/laae009. Disponível em: https://doi.org/10.1093/jla/laae009. Acesso em: 23 set. 2026.
MANCHANDA, Riya; CHEN, Eric; ZHU, Chloe; RUDIN, Cynthia; GARRETT, Brandon; KANG, Songman. Do Judges Behave Like Algorithms? arXiv, 2026. DOI: 10.48550/arXiv.2608.10400. Disponível em: https://arxiv.org/abs/2608.10400. Acesso em: 23 set. 2026.
MEHMOOD, Sultan; GOESSMANN, Christoph; ASH, Elliott. Courts of Tomorrow: Evidence from a Nationwide Rollout of Generative AI. SSRN, 2026. DOI: 10.2139/ssrn.7119447. Disponível em: https://doi.org/10.2139/ssrn.7119447. Acesso em: 28 ago. 2026.
MOLFETTA, Lorenzo; COCCHIERI, Alessio; RAGAZZI, Luca; BARTOLINI, Ilaria; PATELLA, Marco; MORO, Gianluca. Sycophants in the Courtroom: Are LLMs Fragile to Juridical Authority and Evolving Legal Standards? In: ANNUAL MEETING OF THE ASSOCIATION FOR COMPUTATIONAL LINGUISTICS, 64., 2026, San Diego. Proceedings [...]. [S. l.]: Association for Computational Linguistics, 2026. p. 10865-10886. DOI: 10.18653/v1/2026.acl-long.497. Disponível em: https://aclanthology.org/2026.acl-long.497/. Acesso em: 04 set. 2026.
RODRÍGUEZ-SALCEDO, Eliana et al. Evaluating AI decision tools in Ecuador's courts: efficiency, consistency, and uncertainty in legal judgments. Frontiers in Artificial Intelligence, v. 8, art. 1688209, 2025. DOI: 10.3389/frai.2025.1688209. Disponível em: https://doi.org/10.3389/frai.2025.1688209. Acesso em: 22 set. 2026.
1 Doutorando em Direito na UniChristian (International Christian University - Orlando/Flórida). E-mail: [clique para visualizar o e-mail]acesse o artigo original para visualizar o e-mail
2 Pós- doutorando no Programa de Pós-graduação em Engenharia e Gestão do Conhecimento (PPGEGC), da Universidade Federal de Santa Catarina (UFSC). E-mail: [clique para visualizar o e-mail]acesse o artigo original para visualizar o e-mail
3 Doutoranda em Direitos Humanos, Sociedade e Ética das Religiões, na UniChristian (International Christian University - Orlando/Flórida). E-mail: [clique para visualizar o e-mail]acesse o artigo original para visualizar o e-mail
4 Mestrando em Administração na UniChristian (International Christian University - Orlando/Flórida). E-mail: [clique para visualizar o e-mail]acesse o artigo original para visualizar o e-mail
5 Pós-doutor, Professor da Universidade Federal de Santa Catarina, do Departamento de Pós-graduação em Engenharia e Gestão do Conhecimento (PPGEGC). E-mail: [clique para visualizar o e-mail]acesse o artigo original para visualizar o e-mail