Motivação das decisões em tempos de inteligência artificial

Quanto é 2+2? Parece uma pergunta simples e até despropositada, mas é exatamente pelo fato de large language models (LLMs) — “inteligências artificiais” como são conhecidas coloquialmente, a exemplo do ChatGPT, Gemini e Claude — já terem respondido “5” para essa pergunta que uma IA não deve nem jamais deverá ser responsável pela tomada de decisões judiciais, para além do que a IBM nos alertava já em 1979 [1].

Explico, com uma rápida — e muito necessária — recapitulação histórica.

Os LLMs são fruto de um trabalho de décadas nas áreas de computação e estatística. Na segunda metade da década de 50, o campo de estudos voltado para a pesquisa e desenvolvimento de inteligências artificiais começou a florescer, e subdividiu-se em duas vertentes principais (e rivais): IA simbólica e IA conexionista, a qual chamaremos de IA em redes neurais [2].

A primeira consiste em codificar regras lógicas de funcionamento para a IA, e foi por muitas décadas a vertente de pesquisa mais popular nesse campo de estudos. A vertente de redes neurais, por sua vez, entende que o processo de aprendizado não pode funcionar à base de regras de lógica programáticas apriorísticas, e afirma ser necessário um elemento de “intuição” — a utilização de cálculos probabilísticos derivados dos dados usados no seu treinamento para efetivamente aprender e produzir algo novo.

Um bom exemplo seria a utilização de uma IA de cada tipo para diferenciar fotos de gatos e ratos: para um simbolista, seriam definidas as regras básicas sobre as características de cada animal (formato de orelha, olhos, focinho, tamanho do corpo etc.), e com base nisso, a máquina determinaria, analisando  fotos, qual tipo de animal estaria presente em cada foto. Uma IA de redes neurais, por outro lado, seria exposta a diversas imagens de ambos os animais para aprender os padrões de características de cada um por conta própria, e aí, probabilisticamente, seria capaz de calcular se uma foto contém um gato ou um rato com base naquilo que aprendeu [3].

Essa preferência do campo científico pelos simbolistas, porém, foi sepultada de surpresa em 2012. No concurso Large Scale Visual Recognition Challenge daquele ano, três pesquisadores (Geoffrey Hinton, Ilya Sutskever e Alex Krizhevsky) desenvolveram o AlexNet, uma arquitetura de rede neural para reconhecimento de imagens treinada com base no ImageNet, o maior repositório de imagens de alta resolução catalogadas existente à época, com mais de 15 milhões de imagens [4]. Processar tantos dados sempre foi um desafio de hardware para os entusiastas das redes neurais, mas os pesquisadores usaram uma solução elegante: processar os dados com o emprego de GPU.

O AlexNet reacendeu o interesse por redes neurais, o que levou à arquitetura Transformer [5], e, enfim,  para os sistemas que hoje conhecemos como large language models, a exemplo do ChatGPT.

Os LLMs são modelos de inteligência artificial feitos para compreensão e geração, principalmente, de texto escrito. Os LLMs são (1) alimentados com enorme quantidade de textos (valendo mencionar que cabe ao desenvolvedor do modelo determinar de onde virão os textos que comporão a base de dados para treinamento, e isso já causou seríssimos problemas na seara de propriedade intelectual nos EUA) [6]; (2) conversão de todo esse dataset em tokens, pequenos fragmentos de palavras ou caracteres que a IA poderá usar como blocos de lego para compreensão do texto recebido por ela (prompts)  e construção da resposta que ela dá; (3) pré treinamento do modelo, fase na qual ele aprenderá qual token é mais provável de surgir em uma sequência – é nesse momento que o modelo aprende gramática, fatos, e padrões de linguagem. É a fase mais custosa e demorada do desenvolvimento, e depende muito de processamento pesado por hardware de ponta; (4) alinhamento humano, no qual seres humanos refinam o trabalho desempenhado pelo modelo, fazendo perguntas, recebendo respostas, selecionando e por fim filtrando as respostas para dar um feedback ao modelo, informando-lhe quais respostas efetivamente correspondem ao que se pretendia obter; (5) por fim, avaliação e testes do modelo, para averiguar a qualidade das suas respostas [7].

Ou seja: um LLM não pensa, ele calcula, após extenso treinamento, qual seria a resposta mais provável para uma pergunta (ou, melhor dizendo, requisição).

Retornemos então ao parágrafo introdutório deste texto

Se no dataset da IA a informação de que 2+2 é 5 está presente (ou ainda que não esteja exatamente assim, o cálculo probabilístico desenvolvido por aquela IA possa levar a essa conclusão), a IA poderá sim responder que “5” é a resposta para a pergunta “quanto é 2+2?”. A IA não pensa, ela não pega uma calculadora em suas mãos virtuais e calcula 2+2 para nos responder, ela verifica probabilisticamente, com base em bilhões de parâmetros, qual a resposta mais provável para a pergunta que fizemos [8].

Daí que digo, portanto, que a inteligência artificial não pensa, ela calcula. Ela faz um cálculo probabilístico – extremamente complexo, decerto, mas ainda assim um cálculo. O raciocínio dos LLMs é tão somente matemático, e a semântica linguística da língua escrita é apenas convertida (ou traduzida) para algo que ela entende, o token.

Nestes últimos tempos venho lendo, assistindo e catalogando uma sequência de notícias, entrevistas e textos que motivaram a escrita deste ensaio. Li as notícias sobre a implementação de IAs generativas nas cortes superiores (MarIA, no Supremo Tribunal Federal [9], e Logos, no Superior Tribunal de Justiça [10]), a entrevista concedida pelo ex-ministro Luís Roberto Barroso ao podcast EsferaCast [11], e os textos acertadíssimos do professor Lenio Streck em sua coluna Senso Incomum aqui nesta ConJur [12] [13].

O dever de motivação das decisões judiciais está previsto no artigo 93, IX, da nossa Constituição, e determina que “todos os julgamentos dos órgãos do Poder Judiciário serão públicos, e fundamentadas todas as decisões, sob pena de nulidade”. No Direito Processual Penal brasileiro, especificamente, o dever de motivação das decisões judiciais está presente no artigo 155 do Código de Processo Penal, segundo o qual “o juiz formará sua convicção pela livre apreciação da prova produzida em contraditório judicial, não podendo fundamentar sua decisão exclusivamente nos elementos informativos colhidos na investigação” [14].

É por meio do dever de motivação — ou the giving of reasons 3 que somos capazes de fiscalizar a prestação jurisdicional. Em outras palavras, é graças ao dever de motivação que afastamos o risco do raciocínio dedutivo (apriorístico, com base em impressões e preconcepções não fundadas na realidade concreta)  e encorajamos o raciocínio indutivo (efetivamente fundado nos elementos de prova) nos processos judiciais [15].

O dever de motivação das decisões imposto ao magistrado constitui uma garantia processual, já que no ato de decidir, estará vinculado ao estrito cumprimento da lei e à efetiva comprovação da hipótese acusatória [16] — a fundamentação das decisões judiciais é de onde se faz possível derivar a sua legitimidade, pois é dela que constarão as afirmações sujeitas a verificação e refutação. A validade das sentenças dependerá da verdade dos argumentos [17].

O dever de motivação das decisões é uma importantíssima faceta do direito à prova, do princípio do contraditório e da ampla defesa, na medida em que é preciso que sejam expostos os fundamentos e razões sobre os quais a decisão judicial é proferida e a apreciação da prova ocorre, de modo que se possibilite alguma espécie de controle, pelas partes, pela sociedade e pelo próprio Poder Judiciário, sobre a atividade jurisdicional [18].

Raciocínio (ou, mais adequadamente em espanhol, razonamiento) é uma coisa. Cálculo probabilístico é outra coisa muito, muito diferente. Elas não devem se confundir pelo fato de a expressão de ambas em texto escrito ser similar (ou até aparentar ser igual para quem não conhece a fundo o funcionamento da IA generativa), pois na decisão tomada meramente com base no cálculo probabilístico do desfecho jurisdicional de uma decisão, a essência do ato jurisdicional — a motivação — se perde.

O cálculo probabilístico se baseia essencialmente no que foi alimentado àquela IA para seu treinamento e nos pares de perguntas-respostas preferidos por quem a treinou, e decidir conforme a probabilidade de desfecho da prestação jurisdicional baseada no dataset de decisões utilizadas no treinamento de IA extirpa a função de análise qualitativa das alegações e valoração das provas no processo.

Pela análise probabilística desempenhada pela IA generativa, teremos sempre — ou quase sempre — uma decisão que apenas serve para perpetuar a orientação jurisprudencial da corte ou das decisões judiciais utilizadas para treinamento daquele modelo, e não uma efetiva avaliação do arcabouço probatório ou das razões de direito constantes da ação ou recurso ali presentes nos autos. Teremos, tão somente, o que uma máquina calcula que é mais provável de se decidir naquele caso.

Pelo próprio mecanismo de funcionamento de um LLM, não podemos dizer que uma decisão escrita por uma IA em um processo judicial é motivada [19] — não é, pois a IA não raciocinou. Entender em sentido contrário, utilizando como argumento que a Resolução nº 615/2025 do Conselho Nacional de Justiça impõe o dever de supervisão humana e determina a responsabilização do magistrado pelo uso de IA na sua prestação jurisdicional,  é simplesmente lavar as mãos e converter o magistrado em instrumento de legitimação de uma decisão calculada (não tomada) por uma máquina.

A motivação das decisões judiciais é de reserva inerentemente humana. Humanos pensam. Humanos raciocinam.

Máquinas calculam.

Torço para que sigamos tendo um processo judicial  feito por humanos, para humanos, já que são nossas vidas humanas, nosso patrimônio humanamente construído e nossa liberdade humanamente vivida que estão sob tutela jurisdicional quando um recurso ou ação originária bate à porta dos tribunais deste país.

 

---

[1]IBM. AI decision-making: Where do businesses draw the line? Disponível aqui.

[2] GOEL, Ashok K. Looking back, looking ahead: symbolic versus connectionist AI. AI Magazine, Palo Alto, v. 42, n. 4, p. 83-85, 2021.

[3] TAN, James Y. S. et al. Monadic Pavlovian associative learning in a backpropagation-free photonic network. arXiv preprint arXiv:2011.14709, 2020. Disponível aqui.

[4] KRIZHEVSKY, Alex; SUTSKEVER, Ilya; HINTON, Geoffrey E. ImageNet classification with deep convolutional neural networks. In: ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS (NeurIPS), 25., 2012, Lake Tahoe. Anais […]. [S. l.]: Curran Associates, 2012. p. 1097-1105. Disponível aqui. Conforme informado pelos pesquisadores, vale mencionar que para o treinamento do modelo foi utilizado um subset de cerca de 1,2 milhões de imagens, e não o ImageNet inteiro.

[5] Para saber mais: VASWANI, Ashish et al. Attention is all you need. In: ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS (NeurIPS), 31., 2017, Long Beach. Anais […]. [S. l.]: Curran Associates, 2017. p. 5998-6008.

[6] APPEL, Gil; NEELBAUER, Juliana; SCHWEIDEL, David A. Generative AI has an intellectual property problem. Harvard Business Review, Boston, abr. 2023. Disponível aqui.

[7] HABBEMA, Hugo. As 4 etapas do treinamento de um LLM. Medium, 25 nov. 2025. Disponível aqui.

[8] Esses equívocos eram mais frequentes  em 2022. Atualmente, as IAs podem se utilizar de ferramentas externas para cálculo (o chamado tool calling, por meio do qual a IA de fato usa uma calculadora, ou uma ferramenta de programação em python, etc.), o que acabou em grande parte com estes erros mais graves. No entanto, a mesma lógica  (utilização de ferramentas externas para afastar o uso exclusivo de probabilidade) não pode ser aplicada à motivação das decisões judiciais, pois nestes casos, a análise e geração de resposta neste cenário segue sendo probabilística. A ponderação sobre os dados dos processos ainda ocorre unicamente com base nos cálculos ocorridos conforme os parâmetros do LLM. Mesmo que o sistema pesquise jurisprudência, o “raciocínio” segue sendo uma máquina prevendo tokens, e não raciocinando nos moldes que prevê a Constituição Federal.  Mantive o exemplo do cálculo apenas a título ilustrativo, mas entendo ser necessário o presente esclarecimento.

[9] SUPREMO TRIBUNAL FEDERAL. STF lança MarIA, ferramenta de inteligência artificial que dará mais agilidade aos serviços do Tribunal. Disponível aqui.

[10] SUPERIOR TRIBUNAL DE JUSTIÇA. STJ lança novo motor de inteligência artificial generativa para aumentar eficiência na produção de decisões. Disponível aqui.

[11] BARROSO, Luís Roberto. Luís Roberto Barroso, ex-presidente do Supremo Tribunal Federal: impactos da inteligência artificial na sociedade. Entrevista concedida a Daniela Lima. [S. l.]: EsferaCast, 2026. 1 vídeo (12 min). Gravado ao vivo durante o 5º Fórum Esfera, no Guarujá (SP), em 23 maio 2026. Disponível aqui

[12] STRECK, Lenio Luiz. ‘Juiz terá o ônus de dizer por que não concorda com a IA’, diz Barroso. ConJur, 28 maio 2026. Disponível aqui.

[13] STRECK, Lenio Luiz. A distopia de Barroso: a (nova) era do “juiz boca dos algoritmos”. Consultor Jurídico (ConJur), 4 jun. 2026. Disponível aqui.

[14] BRASIL, Código de Processo Penal. Decreto-Lei no 3.689, de 3 de Outubro de 1941.

[15] LOPES JR., Aury. Direito processual penal. [ebook] 19a ed. São Paulo: SaraivaJur, 2022, p. 503-504.

[16] Derecho y razón: teoría del garantismo penal. Trad. Perfecto Andrés IBANÉZ. Madrid: Trotta, 1995.  p. 623.

[17] Ibid.

[18] NARDELLI, Marcella Alves Mascarenhas, A dimensão epistêmica do juízo por jurados: perspectivas para a racionalização das decisões do júri a partir dos fundamentos da concepção racionalista da prova, Tese (Doutorado em Direito Processual), Universidade do Estado do Rio de Janeiro, Rio de Janeiro, 2017. p. 186.

[19] Importante observação: aqui trato das decisões feitas em primeiro momento por uma IA, e somente em momento posterior revisadas por um ser humano – decisões nas quais a própria IA elegeu o que deveria ser decidido e “porquê”.  Não se trata da utilização da inteligência artificial generativa para resumir algo que o próprio utilizador escreveu, como ementas de votos e acórdãos, por exemplo. São dois usos distintos, e no segundo caso, o uso da IA está seguindo as melhores práticas conforme a pesquisa científica atual sobre o tema.