A inteligência artificial generativa, especificamente modelos como ChatGPT e Claude, está impulsionando um aumento crítico na carga de processamento do sistema judiciário federal dos Estados Unidos, transformando a arquitetura tradicional de litígios em um gargalo de throughput sem precedentes. O volume de ações civis, que já ultrapassa 300.000 casos por ano, agora enfrenta uma nova variável: a geração automatizada de petições e documentos legais por litigantes sem representação advocatícia, fenômeno que impõe uma análise rigorosa de desempenho sobre a infraestrutura de processamento de dados do tribunal.
Análise de Throughput no Sistema Judiciário Federal dos EUA
O sistema de tribunais distritais dos EUA processa anualmente cerca de 300.000 casos civis, com um adicional de aproximadamente 42.000 casos na esfera de apelação. Deste total, um terço é composto por litígios “pro se”, onde o autor atua sem advogado. Dados de pesquisa do MIT indicam que a proporção de litigantes pro se não encarcerados saltou de 11% há cinco anos para 16,8% no ano fiscal de 2025, representando um incremento de 52,7% na carga relativa. No distrito de Minnesota, o aumento de casos pro se desde março de 2025 foi de aproximadamente 50%, com a IA atuando como catalisador primário. Este crescimento não é homogêneo; ele reflete uma mudança na arquitetura de entrada de dados, onde a IA permite a formatação de alegações legais que, embora estruturalmente plausíveis, frequentemente carecem de fundamentação jurídica válida, exigindo do sistema um novo patamar de verificação e filtragem.
Arquitetura de Processamento e Gargalos Induzidos por Geração de Documentos
A infraestrutura de processamento de casos enfrenta um gargalo específico na etapa de registro e triagem de documentos. Um caso emblemático ilustra o fenômeno: um litigante gerou, com auxílio de IA, 50 documentos adicionais contendo “análise integrada de jurisprudência” para uma única ação. Cada um destes documentos exige que o sistema — composto por escrivães, juízes e infraestrutura de TI — realize leitura, categorização, registro formal e avaliação de mérito. Este volume de entrada, que cresce exponencialmente, contrasta com a capacidade de processamento linear do tribunal. O custo computacional, medido em horas-homem de revisão, torna-se o fator limitante. Em resposta, um juiz em Minnesota emitiu ordem determinando que futuras submissões seriam descartadas sem notificação, uma medida de controle de fluxo que essencialmente cria uma fila de descarte para entradas não conformes.
| Indicador | Valor (2019) | Valor (2025/2026) | Variação Percentual |
|---|---|---|---|
| Proporção de litigantes pro se (não encarcerados) | 11% | 16,8% | +52,7% |
| Detecção de texto gerado por IA em petições (amostra de 1.600) | Próximo de 0% | Superior a 18% | +1800%+ |
| Aumento de casos pro se no Distrito de Minnesota (mar/2025) | Linha de base | ~50% | +50% |
Taxa de Erro e Custos Computacionais da Geração por IA Generativa
A qualidade da entrada gerada por IA introduz uma taxa de erro elevada no pipeline de processamento. A análise de dados revela que a saída dos modelos, embora formalmente estruturada, apresenta alta incidência de “alucinações”, incluindo citações de precedentes legais inexistentes e argumentos factuais falsos. Este fenômeno foi documentado em ações onde litigantes, confiando na saída do modelo, submeteram documentos contendo jurisprudência fabricada. O custo de processamento para o sistema dobra ou triplica, pois cada entrada requer verificação cruzada com bases de dados de jurisprudência para depuração de erros. Um tribunal na Pensilvânia observou que o custo de produção de informações “verossímeis, mas falsas” está diminuindo enquanto a qualidade superficial da saída aumenta, criando um paradoxo de processamento: a máquina gera mais dados que parecem válidos, mas que exigem mais recursos computacionais humanos para validação. Uma sanção de 1.500 dólares foi imposta a um litigante por submissão repetida de documentos com jurisprudência fictícia, representando um custo de transação para o sistema que tenta desincentivar a entrada de dados de baixa qualidade.
Medidas de Mitigação no Pipeline Judicial e Custos de Sanção
Para conter a degradação do throughput, tribunais estão implementando medidas de mitigação no pipeline de processamento. Ordens de descarte sumário de submissões sem notificação prévia foram emitidas, funcionando como um filtro de rejeição automática. Em nível estadual, propostas legislativas visam imputar responsabilidade às empresas de IA quando seus chatbots fornecem aconselhamento jurídico direto, o que criaria um custo de responsabilidade civil no ciclo de vida da aplicação. As políticas de uso de OpenAI e Anthropic já estipulam que a responsabilidade pela saída recai sobre o usuário e que a ferramenta não deve substituir aconselhamento profissional, mas este aviso não é suficiente para alterar o comportamento de entrada no sistema. A infraestrutura do tribunal, atualmente sem capacidade de escala para este novo padrão de volume e complexidade de entrada, opera sob o que foi classificado como uma “crise existencial” para sua capacidade de processamento, onde o aumento da democratização do acesso via IA conflita diretamente com a limitação de recursos computacionais e humanos do sistema judiciário federal.
