BERT vs RAG na due diligence jurídica de contratos

BERT vs RAG na due diligence jurídica não é uma disputa abstrata. É uma escolha operacional que afeta prazo, rastreabilidade e qualidade da triagem de riscos contratuais.

Em escritórios, departamentos jurídicos e operações de M&A, a pergunta real é simples: a máquina vai apenas classificar cláusulas ou também vai justificar cada alerta com base no texto do contrato? A resposta define custo, governança e nível de confiança no fluxo.

O que muda na due diligence jurídica

Na prática, due diligence jurídica é triagem em massa com foco em risco. Em uma operação de compra de empresa, é comum analisar 100 a 500 contratos em poucos dias, o que torna a automação quase obrigatória.

O ponto central não é só velocidade. O time precisa identificar cláusulas de rescisão, limitação de responsabilidade, change of control, LGPD, não concorrência e foro. Cada uma pede uma abordagem diferente de IA.

Triagem não é leitura integral

Modelos de IA entram primeiro na etapa de screening. Eles priorizam documentos, sinalizam padrões e reduzem a carga do advogado. Depois, a revisão humana valida os casos sensíveis. Esse desenho é o mais seguro para due diligence jurídica.

Segundo a Deloitte, automação e analytics já são usados para reduzir esforço repetitivo em revisão contratual. Em paralelo, a McKinsey destaca que ganhos relevantes vêm de workflows bem definidos, não só do modelo em si.

BERT na triagem de riscos contratuais

BERT é um Transformer treinado para entender contexto bidirecional. Em due diligence jurídica, ele funciona bem para classificação de cláusulas, extração de entidades e detecção de padrões recorrentes.

Se o objetivo é identificar, por exemplo, quais contratos têm cláusulas de rescisão unilateral, BERT entrega boa precisão com custo computacional menor que arquiteturas generativas. Em muitos casos, ele é usado em fine-tuning com um dataset rotulado pelo jurídico.

Quando BERT ganha

BERT costuma vencer quando a tarefa é objetiva: classificar cláusulas em categorias pré-definidas, apontar presença de termos de risco ou ranquear documentos por prioridade. Em bases com milhares de páginas, isso acelera a triagem inicial.

Há um detalhe importante: BERT não explica sozinho a decisão de forma satisfatória para auditoria. Ele pode apontar score ou classe, mas a justificativa costuma ficar limitada ao output do modelo. Para due diligence jurídica, isso pesa.

Uma referência técnica útil é o artigo original do modelo no arXiv, que consolidou o uso de Transformers em NLP. Na prática jurídica, a força do BERT está na previsibilidade e no custo operacional menor.

Na due diligence jurídica, acertar a classe da cláusula não basta; é preciso mostrar de onde veio a conclusão.

RAG na due diligence jurídica

RAG combina recuperação de documentos com geração de resposta. Em vez de apenas classificar, o sistema busca trechos relevantes e monta uma resposta apoiada em evidência textual. Isso é valioso em due diligence jurídica.

Na revisão contratual, RAG ajuda a responder perguntas do tipo: “há cláusula de renovação automática?”, “qual é o limite de indenização?” ou “o contrato menciona obrigação de auditoria?”. O sistema devolve a resposta e, idealmente, o trecho exato que a sustenta.

Quando RAG ganha

RAG é superior quando a demanda é explicativa. Em vez de um simples rótulo, o jurídico precisa de contexto, citação e rastreabilidade. Em auditorias, litígios e M&A, isso reduz discussão interna sobre a origem do alerta.

O custo, porém, é maior. RAG depende de uma base bem indexada, chunking consistente, embeddings adequados e filtros de relevância. Se a ingestão falha, a resposta também falha. Em documentos mal estruturados, o risco aumenta.

Uma boa base técnica para essa arquitetura está em materiais do RAG original e em guias de busca semântica da Pinecone, úteis para entender indexação vetorial e recuperação.

BERT vs RAG: trade-offs que importam no jurídico

A comparação real não é “qual é melhor”, mas “qual reduz mais risco no seu fluxo”. Em due diligence jurídica, três variáveis mandam: precisão, explicabilidade e tempo de implantação.

BERT tende a ser mais rápido para colocar em produção em tarefas fechadas. RAG tende a ser mais útil quando a equipe quer responder perguntas abertas sobre contratos, anexos e políticas correlatas.

Comparativo prático

BERT: melhor para classificação, scoring e priorização. Exemplo: marcar contratos com cláusula de limitação de responsabilidade abaixo de um teto mínimo. Em geral, o modelo exige menos infraestrutura de busca.

RAG: melhor para consulta assistida e geração de evidência. Exemplo: responder ao sócio por que um fornecedor representa risco alto, citando os três trechos mais críticos do contrato.

Em termos de operação, BERT costuma ser o motor da primeira triagem; RAG, o motor da segunda leitura. Em bases com 200 contratos, a diferença pode ser marginal. Em bases com 5.000 páginas, o desenho muda bastante.

Quando usar cada abordagem na due diligence jurídica

A escolha depende do tipo de entrega. Se o time precisa de uma lista priorizada de riscos contratuais, BERT atende bem. Se precisa de uma resposta auditável com evidência, RAG é mais adequado.

BERT reduz o ruído da triagem, mas RAG reduz o risco de decisão sem lastro documental.

Cenários típicos

1. M&A e vendor review: use BERT para pré-classificar milhares de cláusulas e RAG para revisar os casos que caem em zona cinzenta.

2. Compliance contratual: use RAG para checar exigências regulatórias e apontar trechos que sustentam a análise. A explicação importa mais que o score.

3. Biblioteca contratual padronizada: use BERT para identificar desvios de templates e cláusulas fora do playbook. Aqui, a tarefa é fechada e recorrente.

4. Litígios e renegociação: use RAG para localizar rapidamente obrigações, exceções e anexos. A busca semântica reduz o tempo de leitura manual.

Na prática, o melhor desenho é híbrido: BERT filtra, RAG explica, e o advogado decide. Esse fluxo preserva velocidade sem abrir mão de rastreabilidade.

Arquitetura recomendada: híbrido com revisão humana

Em due diligence jurídica, a arquitetura mais robusta combina embedding, classificação, busca vetorial e human-in-the-loop. O objetivo é reduzir falso positivo sem perder evidência.

Uma sequência eficiente é esta: OCR e limpeza do contrato, chunking por cláusula, classificação com BERT, indexação vetorial, recuperação com RAG e revisão final por advogado. Esse pipeline é comum em operações com SLA apertado.

Exemplo de fluxo

Imagine 300 contratos de fornecedores. BERT marca 18% como alto risco por ausência de cláusula de confidencialidade robusta. RAG então recupera os trechos exatos e monta um resumo para o jurídico. O advogado valida apenas os casos críticos.

Esse desenho reduz retrabalho. Também melhora a governança, porque cada alerta vem acompanhado de fonte, score e histórico de revisão. Em auditoria interna, esse lastro faz diferença.

Para times que querem sair do piloto, vale olhar práticas de governança de IA do NIST AI RMF, útil para estruturar risco, validação e monitoramento.

Sobre o autor

pettrus

Editor IAIRON — Inteligência Artificial aplicada ao mercado brasileiro.