O Direito tradicional ensina o jurista a pensar em prosa. A lei é um texto, a petição é um texto, a sentença é um texto. A Jurimetria exige que o jurista aprenda a pensar também em probabilidade e em estrutura de dados.

Transformar uma questão jurídica abstrata em uma predição numérica não é exercício de adivinhação. É um processo rigoroso de tradução: pegar a complexidade humana de um conflito e quebrá-la em blocos lógicos que um modelo estatístico ou de machine learning consiga processar. O objetivo final não é substituir o advogado, mas retirar a cegueira da decisão estratégica.

A seguir, a engenharia em três passos fundamentais, seguida de dois casos reais e distintos para fixar o método.

Passo 1: Definir a Variável Alvo (O que exatamente queremos prever?)

O erro mais comum é jogar milhares de sentenças em um algoritmo e esperar que ele “descubra” alguma verdade mágica. Algoritmos não fazem perguntas. Eles respondem às perguntas que formulamos. A inteligência está na formulação humana da hipótese.

A Variável Alvo (também chamada de target ou Y) precisa ser clara, mensurável e, preferencialmente, binária ou categórica simples.

Outras formulações úteis:

Sem uma variável alvo bem definida, todo o restante do trabalho se torna ruído.

Passo 2: Extrair as Variáveis Preditoras (As “features”)

O computador não entende o drama humano nem a elegância retórica. Ele entende colunas de dados. O trabalho central do jurimetrista é ler os processos (ou os metadados disponíveis) e transformar o texto em variáveis mensuráveis — as Variáveis Preditoras (os inputs ou X).

As variáveis mais úteis costumam ser:

A qualidade da predição depende diretamente da qualidade e da relevância dessas variáveis. Variáveis ruins produzem modelos ruins, independentemente da sofisticação do algoritmo.

Passo 3: O Motor Matemático e a Interpretação

Com a tabela montada (centenas ou milhares de casos antigos transformados em linhas e colunas), os dados são injetados em um modelo preditivo. Uma das formas mais visuais e compreensíveis para o Direito é a Árvore de Decisão. O algoritmo examina os casos passados e vai criando ramificações: “Se a variável A está presente e a variável B não está, a probabilidade de procedência sobe para X%”.

Outros modelos (regressão logística, random forest, gradient boosting etc.) podem ser usados. O importante é que o resultado final seja interpretável o suficiente para apoiar uma decisão humana responsável.

O modelo não substitui o advogado. Ele entrega uma estimativa de probabilidade condicionada aos dados históricos disponíveis. Cabe ao profissional avaliar se aquela probabilidade, somada ao valor em jogo e aos custos processuais, justifica determinada estratégia.

Case 1: Contencioso de Saúde Pública (Medicamentos de Alto Custo)

Problema abstrato

Um paciente ajuíza ação contra o Estado pedindo medicamento de alto custo. O procurador precisa decidir: vale a pena recorrer até as instâncias superiores ou a condenação é altamente provável e o recurso só gerará mais multas e custos?

Tradução numérica

O modelo é treinado com milhares de processos semelhantes daquela região. As variáveis incluem: registro na Anvisa (sim/não), existência de laudo médico detalhado, falha prévia dos medicamentos do SUS, idade do autor, valor do medicamento, entre outras.

Resultado típico de uma árvore de decisão

Uso executivo

Quando o caso cai na ramificação de alta probabilidade de condenação, a orientação deixa de ser “litigar até o fim” e passa a ser “regularizar o fornecimento e negociar”. A abstração jurídica vira governança financeira e redução de passivo.

Case 2: Contencioso Trabalhista — Horas Extras e Cargo de Confiança

Problema abstrato

Uma empresa de médio porte enfrenta dezenas de reclamações trabalhistas pedindo o pagamento de horas extras. Em muitos casos o empregado ocupava função com o nome de “coordenador” ou “supervisor”. A empresa alega que se tratava de cargo de confiança (art. 62, II, da CLT) e que, portanto, não haveria direito a horas extras. O departamento jurídico precisa saber, com base em dados, em quais situações a tese de cargo de confiança costuma prevalecer e em quais ela costuma sucumbir.

Tradução numérica

Em vez de se apoiar apenas na “experiência” dos advogados, o escritório ou o departamento jurídico estrutura uma base com processos já julgados daquela região e daquele setor econômico. As variáveis preditoras incluem:

A variável alvo é binária: “Pedido de horas extras julgado procedente” (1) ou “improcedente / acolhida a tese de cargo de confiança” (0).

Resultado típico do modelo

A árvore de decisão (ou modelo equivalente) revela padrões claros:

Uso executivo

Com esses números em mãos, a empresa deixa de tratar todos os processos da mesma forma. Nos casos de alta probabilidade de condenação, prioriza acordo precoce (reduzindo risco de execução elevada e de precedentes negativos). Nos casos em que as variáveis favoráveis estão presentes, investe em instrução robusta e defesa de mérito. O mesmo modelo ajuda a revisar a política interna de cargos e gratificações para o futuro, prevenindo novas ações.

Cuidados Essenciais para Não Ser Enganado pelos Dados

Mesmo com o método bem aplicado, alguns riscos precisam ser controlados:

Síntese Prática

Transformar uma questão jurídica em predição numérica exige disciplina em três movimentos:

Quando bem executada, a Jurimetria não elimina o Direito. Ela o torna mensurável. Substitui a esperança argumentativa por uma arquitetura de decisão baseada em evidência histórica — e permite que o advogado ou o gestor jurídico atue com os olhos abertos diante do risco real.